Resumo Técnico: Certificação de Estabilidade de Entrada para Estado via Resíduos de Projeção para Controle por Aprendizado de Koopman

1. Declaração do Problema

O artigo aborda a certificação de estabilidade para o controle de aprendizado de Koopman baseado em dados para sistemas repetitivos não lineares discretos desconhecidos operando sobre horizontes de tentativa finitos. Diferente do Controle de Aprendizado Iterativo (ILC) clássico, que frequentemente busca a convergência de erro zero ou convergência monotônica nominal, este trabalho foca na Estabilidade de Entrada para Estado (ISS) prática ao longo do eixo de aprendizado-tentativa ($k$).

O desafio central identificado é que, em configurações baseadas em dados, um pequeno resíduo de predição (ajuste do modelo) não garante a estabilidade. A estabilidade depende de:

1. Informatividade do Canal: O canal de entrada-saída de horizonte finito selecionado deve possuir uma margem positiva (invertibilidade) para gerar a correção de saída solicitada.
2. Alcance (Reachability): O incremento de saída solicitado deve estar dentro do conjunto alcançável restrito do canal aprendido. Caso contrário, surge um resíduo de projeção, atuando como uma perturbação persistente.
3. Perturbações Persistentes: Fatores como descasamento de reset, distúrbios não repetitivos, erros de identificação de canal, mudanças de implementação e tolerâncias numéricas não desaparecem entre as tentativas.

O objetivo é construir um certificado determinístico que limite o erro de aprendizado desde um estado inicial até uma banda última explícita, tratando resíduos de Koopman, erros de projeção e incertezas como entradas ISS.

2. Metodologia

Formulação do Sistema

O sistema é modelado como uma tarefa repetitiva não linear onde o estado $x_k(t)$, a entrada $u_k(t)$ e a saída $y_k(t)$ evoluem ao longo de um horizonte intra-tentativa $t \in \{0, \dots, N-1\}$ e um índice de tentativa $k$. O controlador utiliza uma aproximação de operador de Koopman congelado (via Decomposição de Modos Dinâmicos Estendida com Controle, EDMDc) para atualizar as entradas tentativa a tentativa.

A dinâmica de aprendizado é formulada como um sistema de tempo discreto no eixo da tentativa:
$$\bar{E}_k = \Lambda \bar{E}_{k-1} + r_k$$
onde $\bar{E}_k$ é o erro de rastreamento empilhado selecionado, $\Lambda$ é uma matriz de aprendizado com $\|\Lambda\|_\infty < 1$, e $r_k$ agrega todas as fontes de perturbação.

Componentes Chave do Certificado

Os autores decompõem o termo de perturbação $r_k$ (a entrada ISS) em componentes específicos e auditáveis:

1. Resíduos de Koopman ($\omega_k$): Descasamento do modelo e distúrbios não repetitivos.
2. Resíduos de Projeção ($p_k$): A distância entre o incremento de saída solicitado e o conjunto alcançável restrito do canal aprendido. Isso é uma limitação estrutural, não apenas um erro numérico.
3. Incerteza do Canal ($\Delta G_k \Delta U_k$): Erros na matriz de canal de horizonte finito aprendida.
4. Perturbações de Reset/Observabilidade ($\Delta O_k \Delta z_{k,0}$): Descasamentos nas condições iniciais e observabilidade.
5. Mudanças de Implementação e Tolerâncias Numéricas: Diferenças entre as distribuições de calibração e implementação, e erros de solver.

Protocolo de Certificação

O artigo propõe um procedimento de certificação capaz de rejeição (Algoritmo 1) que valida um controlador candidato antes da implementação:

1. Ajuste do Modelo: Aprender matrizes de Koopman a partir de dados de identificação.
2. Verificação de Margem: Verificar se o canal selecionado possui uma margem de valor singular mínimo positiva ($\sigma_{\min} - \epsilon > 0$). Caso contrário, o candidato é rejeitado (não-certificabilidade de canal fraco).
3. Auditoria de Projeção: Computar o pior caso do orçamento de projeção sobre o conjunto de requisição certificado.
4. Verificação de Invariância: Verificar se a condição de contração $\lambda R + P(R, \bar{Z}_0) + \bar{\xi} \leq R$ é válida, garantindo que o erro permaneça dentro de uma bola certificada.
5. Calibração de Amostra Finita: Utilizar predição de conformal dividido (split-conformal prediction) em um conjunto de dados de calibração para limitar o escore de resíduo de episódio completo com um nível de risco especificado.

Resultados Teóricos

• Teorema 1 (ISS Prática Determinística): Estabelece que, se a margem do canal for positiva e as perturbações forem limitadas, o erro de aprendizado converge geometricamente para uma banda última $\Delta_{ISS} = \bar{w} / (1-\lambda)$, onde $\bar{w}$ é o orçamento agregado de perturbação.
• Teorema 2 (Orçamento de ISS de Amostra Finita): Fornece um limite probabilístico sobre $\bar{w}$ combinando o escore de resíduo conformal dividido com limites determinísticos sobre incerteza de canal, resíduos de projeção e mudanças de implementação.

3. Principais Contribuições

1. Formulação de ISS Prática: O artigo formula a estabilidade do controle de aprendizado de Koopman como um problema de ISS prática ao longo do eixo da tentativa, separando explicitamente o ajuste do modelo da certificabilidade de aprendizado.
2. Resíduos de Projeção como Objetos de Estabilidade: Identifica os resíduos de projeção e as margens de canal selecionado como objetos de certificado necessários. Demonstra que um preditor com pequenos resíduos ainda pode falhar na certificação de estabilidade se o canal for fraco ou a requisição for inalcançável.
3. Orçamento de Certificado Computável: Os autores fornecem um método para construir uma banda última explícita combinando:
   • Calibração de resíduo de episódio completo (via métodos de conformal dividido).
   • Margens de canal e de reset de horizonte finito.
   • Resíduos de projeção.
   • Margens de implementação (mudança, numérica).
4. Estrutura de Auditoria: Uma estrutura de auditoria numérica é desenvolvida para verificar cada componente da teoria (escalonamento de resíduo-para-banda, rejeição de canal fraco, fechamento de projeção e cobertura da banda última) em vez de meramente comparar o desempenho de rastreamento.

4. Resultados Numéricos e Validação

O artigo valida a teoria em quatro sistemas repetitivos não lineares: um oscilador de Duffing (auditoria de malha fechada e de orçamento), um oscilador de amortecimento cúbico e um servo não linear.

• Escalonamento Resíduo-para-Banda: Experimentos confirmam que o aumento de distúrbio, ruído ou descasamento do modelo aumenta linearmente a banda última certificada, consistente com o ganho ISS $\gamma(s) = s/(1-\lambda)$.
• Rejeição de Canal Fraco: Casos com canais selecionados "fracos" (baixos valores singulares) são corretamente rejeitados pelo certificado, mesmo que seus resíduos de predição sejam pequenos. Isso destaca que a precisão da predição sozinha é insuficiente.
• Fechamento de Projeção: A auditoria verifica que as correções de saída solicitadas permanecem dentro do conjunto alcançável restrito para candidatos certificados.
• Cobertura da Banda Última: Em tentativas bem-sucedidas, os erros de rastreamento observados entram e permanecem dentro da banda última teoricamente prevista após um índice de entrada finita certificado.
• Estudos de Ablação: O artigo demonstra que controladores "nominais" (orçamento de resíduo zero) falham na certificação, enquanto os mesmos controladores tornam-se certificáveis quando o orçamento de resíduo calibrado é incluído. Inversamente, inflar o orçamento de forma conservadora expande a banda última, mantendo a cobertura.

5. Significância e Alegações

O artigo afirma fornecer um certificado de estabilidade prático e baseado em dados para o controle de aprendizado de Koopman que é distinto da análise de convergência tradicional.

• Separação de Preocupações: Separa rigorosamente o ajuste do modelo (resíduos de predição) da certificabilidade de controle (margens de canal e alcance). Um bom preditor não é automaticamente um controlador estabilizador.
• Limites Explícitos: Ao contrário de resultados assintóticos, este método fornece um limite último explícito e computável sobre o erro de rastreamento antes da implementação, levando em conta dados finitos, restrições e distúrbios persistentes.
• Robustez a Não-Idealidades: O framework lida explicitamente com descasamento de reset, mudanças de implementação e tolerâncias numéricas, tratando-os como entradas ISS em vez de assumir que eles desaparecem.
• Escopo Modesto: Os autores enfatem que o resultado é um certificado dependente de protocolo de tarefa e de horizonte finito. Não pretendem uma estabilidade universal para quaisquer controladores aprendidos, mas fornecem uma trilha de auditoria rigorosa para configurações de controle específicas e congeladas sob protocolos definidos.

O trabalho conclui que o controle de aprendizado de Koopman só pode ser certificado como estável quando os resíduos do modelo, os resíduos de projeção e as margens de canal são reportados como quantidades de estabilidade distintas e auditáveis.