Exact Solutions to a Class of Constrained Optimal Control Problems via Lossless Convexification for Digital Control

Resumo Técnico: Soluções Exatas para uma Classe de Problemas de Controle Ótimo Restrito via Convexificação Sem Perda para Controle Digital

1. Formulação do Problema
Este trabalho aborda uma classe de problemas de controle ótimo de horizonte finito (OCP) para sistemas lineares invariantes no tempo sujeitos a restrições de magnitude de controle anulares (não convexas). Especificamente, o controle $u(t)$ é restrito de modo que sua magnitude esteja dentro de um limite inferior e superior não nulos ($\rho_1 \leq \kappa(u(t)) \leq \rho_2$), um cenário comum em aplicações aeroespaciais como pousos propulsados, onde os motores não podem operar abaixo de um determinado nível de empuxo.

Os principais desafios identificados são:

• Não convexidade: Métodos numéricos diretos padrão (ex: colocação direta) que discretizam o problema em programação não linear (NLP) retêm a natureza não convexa das restrições anulares, levando a frequentes problemas de viabilidade e convergência.
• Satisfação de Restrições em Tempo Contínuo: Os métodos existentes tipicamente impõem restrições apenas em pontos de grade discretos. Isso falha em garantir a satisfação ao longo de todo o intervalo de tempo contínuo, o que pode permitir violações de segurança "entre amostras", algo prejudicial em aplicações críticas de segurança.

2. Metodologia
A abordagem proposta integra convexificação sem perda (lossless convexification) com parametrização constante por partes e teoria de programação semi-infinita convexa (CSIP) para alcançar soluções exatas.

• Convexificação Sem Perda: O OCP não convexo é transformado em um OCP convexo equivalente através da introdução de uma variável de folga $s(t)$. A restrição anular $\rho_1 \leq \kappa(u(t)) \leq \rho_2$ é relaxada para $\kappa(u(t)) \leq s(t)$ com $\rho_1 \leq s(t) \leq \rho_2$. Sob suposições específicas de controlabilidade (Premissa 1), prova-se que a solução ótima deste problema convexificado é idêntica ao problema não convexo original.
• Parametrização Constante por Partes: Para tornar o problema de dimensão infinita computacionalmente tratável, as trajetórias de controle $u(t)$ e folga $s(t)$ são parametrizadas usando funções constantes por partes sobre uma grade uniforme. Isso mapeia naturalmente para implementações de controle digital e reduz o espaço de decisão para um vetor finito de coeficientes.
• Programação Semi-Infinita Convexa (CSIP): Embora o controle seja finitamente parametrizado, as restrições devem ainda ser válidas para uma família incontável de instantes de tempo dentro de cada subintervalo. O problema é formulado como um CSIP.
• Solução Numérica Exata via Otimização Global: O artigo estabelece que o valor ótimo do CSIP pode ser recuperado exatamente resolvendo um problema de maximização sobre um conjunto finito de instantes de tempo.
  • Seja $G(\mathcal{T}; x)$ o valor ótimo de um programa convexo relaxado onde as restrições de trajetória são impostas apenas em um tupla finita de instantes de tempo $\mathcal{T}$.
  • O principal resultado teórico (Teorema 8) prova que o valor ótimo exato do CSIP original é obtido maximizando $G(\mathcal{T}; x)$ sobre todas as tuplas possíveis de $\mathcal{T}$.
  • O Teorema 11 demonstra adicionalmente que os otimizadores do problema original podem ser recuperados resolvendo uma sequência de problemas regularizados onde o parâmetro de regularização $\varepsilon \to 0$.
• Arquitetura Algorítmica (GlbOpt): Um framework modular é proposto para resolver o problema de maximização externo usando oráculos de otimização global (ex: Evolução Diferencial, Simulated Annealing) e a minimização interna usando solvers convexos padrão (ex: IPOPT).

3. Principais Contribuições

• Garantia de Exatidão: O artigo fornece o primeiro framework numérico, até onde os autores sabem, que garante soluções exatas para esta classe de OCPs não convexos, garantindo simultaneamente a satisfação de restrições ao longo de todo o horizonte de tempo contínuo, e não apenas nos nós de discretização.
• Detecção de Inviabilidade: Diferente dos métodos de discretização padrão (que podem reportar uma solução viável quando esta não existe, devido a violações entre amostras), o método proposto pode detectar rigorosamente a inviabilidade ao identificar instantes específicos onde as restrições são violadas.
• Compatibilidade de Implementação Digital: O uso de parametrização constante por partes garante que a estrutura da solução seja inerentemente compatível com hardware digital de precisão fixa.
• Rigor Teórico: O trabalho estabelece propriedades de continuidade do mapeamento da função valor e prova a convergência das soluções regularizadas para o otimizador real.

4. Resultados Numéricos e Experimentos
A metodologia foi validada em um problema de pouso planetário de três graus de liberdade envolvendo tanto objetivos de energia ótima ($L_2$ cost) quanto de combustível ótimo ($L_1$ cost).

• Satisfação de Restrições: Em todos os casos testados, a norma do controle permaneceu estritamente dentro dos limites anulares prescritos e o erro entre a variável de folga e a norma do controle foi desprezível ($\sim 10^{-8}$ a $10^{-10}$), confirmando a natureza sem perda da convexificação.
• Caso de Inviabilidade: Um cenário de perturbação específico foi construído onde métodos de discretização padrão (impondo restrições apenas nos pontos da grade) reportaram incorretamente a viabilidade. O método proposto identificou com sucesso a inviabilidade ao encontrar instantes de tempo dentro dos intervalos onde as restrições foram violadas.
• Desempenho Comparativo:
  • Comparado a métodos de transcrição direta (QuITO) e convexificação sem perda em tempo discreto (DLCvx), o framework GlbOpt proposto alcançou custos ótimos menores (melhores), indicando que os métodos concorrentes sofreram de erros de discretização.
  • Embora as variantes de otimização global (Evolução Diferencial, Simulated Annealing) tenham sido computacionalmente mais lentas que os métodos baseados em gradiente, a variante de gradiente do GlbOpt (gradOL) alcançou velocidades comparáveis ao DLCvx e QuITO, mantendo a garantia teórica de satisfação de restrições em tempo contínuo.
  • À medida que a resolução da grade aumentava para os métodos concorrentes, seus custos aproximavam-se dos resultados do GlbOpt, mas ao custo de um aumento significativo no tempo computacional e na dimensão do problema.

5. Significância e Limitações
O artigo posiciona este trabalho como um avanço significativo para a geração de trajetórias offline e certificação em orientação aeroespacial, onde a precisão da solução e as garantias de segurança em tempo contínuo são primordiais.

• Limitações: Os autores explicitamente observam que o custo computacional da camada de otimização global torna o framework atual inadequado para o Controle Preditivo Baseado em Modelo (MPC) online. O método é projetado para síntese offline, onde recursos computacionais substanciais podem ser alocados para garantir a viabilidade certificada.
• Escopo: As contribuições são estritamente limitadas a sistemas lineares com restrições anulares e parametrização de controle constante por partes. A afirmação de "exatidão" refere-se à recuperação do valor ótimo e dos otimizadores para o CSIP finitamente parametrizado, não necessariamente à aproximação do controle ótimo de tempo contínuo de dimensão infinita sem qualquer erro de parametrização (embora o artigo note que funções constantes por partes são densas em $L_1$).

Em resumo, este trabalho preenche a lacuna entre os benefícios teóricos da convexificação sem perda e os requisitos práticos do controle digital, fornecendo um método numericamente viável e exato para resolver problemas de controle ótimo não convexos com garantias de segurança em tempo contínuo.