Control Platform — Algorytmy sterowania w praktyce

Data-driven control — sterowanie z danych

Dotychczasowe metody zakładały known model. Dla wielu rzeczywistych systemów (klimat, biologia, sieci społeczne) nie da się zapisać dynamiki z first principles. Data-driven control: identyfikuj model z danych, potem steruj (lub łącz oba kroki).

Cztery główne podejścia:

DMD / Koopman — globalna linearizacja nieliniowej dynamiki przez podniesienie do wyższego wymiaru
SINDy — sparse regression z biblioteką funkcji
DeepC / Behavioral systems — sterowanie bezpośrednio z trajektorii historycznych, bez jawnego modelu
Neural ODE / RL — sieci neuronowe jako parametryzacja dynamiki lub polityki

Dynamic Mode Decomposition (DMD)

Schmid 2010 — rozkład trajektorii na tryby dynamiczne. Mając snapshoty $X_1, X_2 \in \mathbb{R}^{n \times m-1}$ (przesunięte w czasie), szukamy operatora liniowego $A$ takiego że $X_2 \approx A X_1$ :

A = X_2 X_1^\dagger

Wartości własne A — częstotliwości i zaniki trybów; wektory własne — kształty modów (np. wzorce zawirowań w cieczy).

Koopman operator

Koopman 1931: dla nieliniowego układu $x_{k+1} = f(x_k)$ istnieje liniowy operator $\mathcal{K}$ działający na funkcjach obserwacji $g(x)$ :

\mathcal{K} g(x) = g(f(x))

Cała nieliniowość trafia do wyboru obserwabli $g_1, g_2, \ldots, g_N$ . W przestrzeni rozszerzonej dynamika jest liniowa, klasyczne metody (LQR, MPC) działają. Cena: $\mathcal{K}$ nieskończenie wymiarowy w ogólności. Przybliżenia (EDMD, deep Koopman) szukają skończonej bazy obserwabli.

SINDy — Sparse Identification

Brunton, Proctor, Kutz 2016. Idea: dynamika rzeczywista jest zwykle sparsowa — niewielu termów wielomianowych, trygonometrycznych, eksponencjalnych. Zbuduj dużą bibliotekę funkcji kandydujących $\Theta(x) = [x, x^2, x^3, \sin x, \cos x, \ldots]$ , fituj liniowo z regularyzacją L1 (LASSO):

\dot x \approx \Theta(x) \boldsymbol\xi, \quad \boldsymbol\xi = \arg\min \|\dot X - \Theta(X)\boldsymbol\xi\|^2 + \lambda \|\boldsymbol\xi\|_1

Regularyzacja L1 wymusza większość $\xi_i = 0$ — zostają tylko te terminy które naprawdę są w prawdziwej dynamice. Interpretowalny model jako jawny wzór.

parametry

σ szumu0.02

próg sparsity0.05

estymowane współczynniki

termestymatatruex0.96-1x²0.400.5x³-0.230sin(x)-1.930

Prawdziwa dynamika: $\dot x = -x + 0.5 x^2$ . Bez sparsity (threshold = 0) wszystkie współczynniki będą niezerowe przez szum. Zwiększ threshold — pomniejsze przyciną się do 0.

DeepC i behavioral systems

Coulson, Lygeros, Dörfler 2019 — DeepC: sterowanie używabezpośrednio trajektorii historycznych jako modelu, bez jawnej identyfikacji parametrów. Bazuje na lemmacie Willemsa o reprezentacji behavioralnej:

\begin{pmatrix} u_p \\ y_p \\ u_f \\ y_f \end{pmatrix} = \begin{pmatrix} H_u^{past} \\ H_y^{past} \\ H_u^{fut} \\ H_y^{fut} \end{pmatrix} g

Gdzie H to macierze Hankel'a zbudowane z danych historycznych, g to wektor wag. Sterowanie = optymalizacja po g, dająca u_f spełniające ograniczenia i minimalizujące koszt. Bez modelu state-space, bez identyfikacji parametrów.

Neural ODE i sieci jako kontrolery

Najnowsze podejście (Chen et al. 2018): sieć neuronowa $\dot x = f_\theta(x, u)$ jako parametryzacja ciągłej dynamiki. Uczona z trajektorii. Kontroler: klasyczny MPC z uczonym modelem, albo bezpośrednio polityka neuronowa $u = \pi_\theta(x)$ uczone RL.

Kiedy data-driven

First-principles model za skomplikowany (klimat, biologia, sieci społeczne)
Trudno walidować model fizyczny (np. system zanieczyszczeń w mieście)
Mamy dużo danych historycznych z dobrego pomiaru
Plant zmienny w czasie — model adaptacyjny lepiej śledzi

Klasyczna pułapka: ekstrapolacja poza przestrzeń danych treningowych. Modele data-driven świetnie interpolują, źle ekstrapolują. Zawsze rozsądnie ograniczać operacyjną przestrzeń kontrolera. Kanon: Brunton & Kutz „Data-Driven Science and Engineering" (2nd ed., 2022).