Data-driven Kernel-based Predictive Control with Stability and Robustness Guarantees

Resumo Técnico: Controle Preditivo Baseado em Kernel Orientado a Dados com Garantias de Estabilidade e Robustez

Formulação do Problema
O artigo aborda o controle de sistemas não lineares de tempo discreto desconhecidos utilizando apenas dados de entrada-saída. Embora o Controle Preditivo Baseado em Modelo (MPC) seja eficaz para lidar com restrições e não linearidades, sua dependência de modelos paramétricos precisos limita sua aplicação em sistemas complexos e de alta dimensão, onde a modelagem é dispendiosa ou inviável. Métodos existentes de controle preditivo orientado a dados (DDPC), em grande parte baseados no lema fundamental de Willems, são primariamente restritos a sistemas lineares variantes no tempo (LTI). Embora extensões recentes tentem lidar com não linearidades via linearização local, redes neurais ou métodos de kernel, essas abordagens carecem frequentemente de garantias teóricas rigorosas quanto à viabilidade recursiva e estabilidade em malha fechada, particularmente quando conjuntos terminais e custos terminais são omitidos. O desafio central é desenvolver um framework de controle orientado a dados para sistemas não lineares desconhecidos que forneça garantias formais de estabilidade sem exigir identificação de sistema explícita ou ingredientes terminais.

Metodologia
O framework proposto, denominado Controle Preditivo Baseado em Kernel Orientado a Dados (DDKPC), constrói um preditor de múltiplos passos diretamente de trajetórias históricas de entrada-saída usando métodos de kernel e o teorema do representante.

1. Preditor de Múltiplos Passos Baseado em Kernel: Os autores assumem que o comportamento de entrada-saída do sistema pode ser representado em um Espaço de Hilbert de Núcleo Reproduzível (RKHS). Em vez de aprender um modelo de espaço de estados, eles aproximam o mapeamento não linear desconhecido das condições iniciais e entradas futuras para as saídas futuras. Isso é alcançado via um estimador baseado em kernel ajustado a dados offline. O preditor captura implicitamente a dinâmica não linear, e o teorema do representante garante que o estimador assuma uma forma linear de dimensão finita no espaço de características, permitindo limites de erro explícitos.
2. Esquema de Controle Nominal: Para dados livres de ruído, o problema de controle é formulado como uma otimização que minimiza um custo de estágio quadrático sujeito a uma restrição de igualdade implícita derivada do preditor de kernel. Para lidar com o descompasso inevitável entre a aproximação de kernel e o sistema real, uma variável de folga é introduzida nas restrições, sendo penalizada na função objetivo. A análise teórica prova que, se o horizonte de predição for suficientemente longo e o erro de representação do kernel for suficientemente pequeno, o esquema garante viabilidade recursiva e estabilidade prática em malha fechada. Crucialmente, essas garantias são alcançadas sem os convencionais conjuntos terminais ou custos terminais.
3. Relaxação Computacional: Reconhecendo que a restrição implícita de kernel torna o problema de otimização não convexo, os autores introduzem uma formulação de relaxação por penalidade. Isso converte a restrição de igualdade rígida em um termo de penalidade quadrática dentro da função objetivo, permitindo o uso de métodos de otimização de primeira ordem eficientes (ex: gradiente projetado) para implementação em tempo real.
4. Robustez ao Ruído: Para abordar o ruído de medição tanto na coleta de dados offline quanto na operação online, o framework agrega o erro de representação de kernel e o ruído de medição limitado em um limite de incerteza unificado. A formulação de controle é modificada para reescalar os pesos de regularização com base nesse limite, garantindo estabilidade robusta.
5. Extensão para Sistemas Variantes no Tempo: Para sistemas não lineares lentamente variantes no tempo, onde um dicionário offline fixo torna-se obsoleto, os autores propõem uma extensão online. Isso envolve a manutenção de um dicionário online de orçamento fixo gerenciado pelo critério de Dependência Linear Aproximada (ALD). Novos pontos de dados são admitidos com base em sua novidade informacional, e pontos redundantes são podados. O preditor de kernel é reconstruído periodicamente a partir deste dicionário em evolução. A análise teórica demonstra que a viabilidade recursiva e a estabilidade prática são preservadas sob taxas limitadas de variação do sistema e condições de erro de predição online uniformes.

Principais Contribuições
O artigo apresenta três contribuições primárias:

• Framework DDKPC Nominal: Estabelece um framework de DDKPC para sistemas não lineares desconhecidos que fornece viabilidade recursiva provável e estabilidade prática sem depender de ingredientes terminais. Utiliza uma estratégia de relaxação por penalidade para facilitar a computação eficiente em tempo real.
• Extensão de Robustez: Estende sistematicamente as garantias teóricas para acomodar ruído de medição ao agregar a incerteza dos dados e o descompasso de representação em um limite unificado, garantindo estabilidade em ambientes ruidosos.
• Adaptação Variável no Tempo: Estende o framework para sistemas não lineares lentamente variantes no tempo via um dicionário online gerenciado por ALD e atualizações periódicas do preditor. Prova que a viabilidade recursiva e a estabilidade prática são mantidas sob evolução de taxa limitada e condições de erro de predição online uniformes.

Resultados
A eficácia da abordagem proposta é validada através de exemplos numéricos:

• Benchmark de Veículo Unidimensional: Simulações em um modelo de veículo não linear demonstram que o DDKPC baseado em kernel estabiliza o sistema com sucesso e rastreia referências, enquanto o DDPC linear padrão falha. Os resultados mostram que kernels gaussianos superam kernels polinomiais em precisão de estado estacionário. Além disso, o uso de solvers de primeira ordem (FastGD) alcança desempenho de malha fechada comparável a solvers de programação não linear (NLP) de propósito geral, mas com tempo computacional significativamente reduzido. O DDKPC online com atualizações periódicas de dicionário mitiga efetivamente o viés de rastreamento causado por parâmetros lentamente variantes no tempo, superando designs estáticos offline.
• Simulação de Robô Quadrúpede: Uma simulação em PyBullet de um robô quadrúpede A1 carregando uma carga descentralizada ilustra a aplicabilidade do método a sistemas de locomoção com alto contato e não lineares. O DDKPC atua como um controlador de velocidade residual, compensando a dinâmica induzida pela carga. Os resultados mostram reduções significativas no Erro Quadrático Médio (RMSE) de rastreamento em comparação com um controlador de corpo inteiro nominal. A variante DDKPC online adapta-se mais efetivamente a mudanças súbitas de carga do que a versão offline estática.

Significância
O artigo afirma preencher a laciz entre o controle orientado a dados teórico e a aplicação prática para sistemas não lineares. Ao alavancar o teorema do representante, o método evita a necessidade de modelagem paramétrica explícita, ao mesmo tempo em que fornece garantias formais de estabilidade que frequentemente faltam em abordagens baseadas em kernel ou redes neurais existentes. O trabalho aborda obstáculos críticos de implementação, incluindo o fardo computacional da otimização não convexa e a presença de ruído de medição, e estende a teoria para cenários variantes no tempo. Os autores enfatizam que sua abordagem oferece uma maneira sistemática de sintetizar controladores de horizonte recorrente estabilizadores puramente a partir de dados de entrada-saída para uma ampla classe de sistemas não lineares, sem exigir medições completas de estado ou ingredientes terminais complexos.