[论文解读] Regularization for Design

Nikolai Matni, Venkat Chandrasekaran|arXiv (Cornell University)|Apr 8, 2014

Sparse and Compressive Sensing Techniques参考文献 24被引用 4

一句话总结

本文提出了设计正则化（RFD），这是一种凸优化框架，通过凸正则化嵌入架构约束，联合设计结构化最优控制器及其执行、传感和通信架构。主要贡献是提出了一种统一且可计算的方法，在类似信噪比的条件下，可恢复稀疏、低复杂度控制器并提供可证明的性能保证。

ABSTRACT

When designing controllers for large-scale systems, the architectural aspects of the controller such as the placement of actuators, sensors, and the communication links between them can no longer be taken as given. The task of designing this architecture is now as important as the design of the control laws themselves. By interpreting controller synthesis (in a model matching setup) as the solution of a particular linear inverse problem, we view the challenge of obtaining a controller with a desired architecture as one of finding a structured solution to an inverse problem. Building on this conceptual connection, we formulate and analyze a framework called extit{Regularization for Design (RFD)}, in which we augment the variational formulations of controller synthesis problems with convex penalty functions that induce a desired controller architecture. The resulting regularized formulations are convex optimization problems that can be solved efficiently, these convex programs provide a unified computationally tractable approach for the simultaneous co-design of a structured optimal controller and the actuation, sensing and communication architecture required to implement it. Further, these problems are natural control-theoretic analogs of prominent approaches such as the Lasso, the Group Lasso, the Elastic Net, and others that are employed in statistical modeling. In analogy to that literature, we show that our approach identifies optimally structured controllers under a suitable condition on a "signal-to-noise" type ratio.

研究动机与目标

• 为应对在智能电网和自动驾驶高速公路等大规模系统中，联合设计控制器架构（执行器、传感器、通信链路）与控制律所面临的日益严峻的挑战。
• 将控制器架构设计建模为一个结构化的线性逆问题，目标是从模型匹配公式中恢复稀疏或低复杂度的控制器。
• 开发一种凸优化框架，通过在控制器设计中引入凸正则化来惩罚架构复杂度，从而同时设计控制器及其架构。
• 建立理论恢复条件，使得RFD框架能够在类似统计稀疏恢复的条件下识别出正确的控制器架构。
• 证明具有扩散性、分布均匀的执行方式以及低闭环状态响应的控制器，可通过RFD更易被恢复。

提出的方法

• 将控制器综合建模为一个线性逆问题，其中控制器 $ U $ 需满足 $ Y - \mathfrak{L}(U) \approx 0 $，其中 $ \mathfrak{L} $ 将控制器映射到闭环响应。
• 通过在控制器综合问题中引入凸惩罚函数（例如 $ \ell_1 $、核范数、原子范数）来构造正则化变分公式，以诱导期望的架构结构。
• 将RFD优化问题定义为在结构化正则化项约束下最小化性能度量，从而形成一个可通过标准数值方法求解的凸规划问题。
• 利用控制器脉冲响应中的“信噪比”（SNR）概念，推导出精确恢复执行架构的充分条件。
• 引入参数 $ \gamma^{\leq t,v} $ 和 $ \beta^{\leq t,v} $ 以量化控制器响应与架构结构之间的非一致性，从而建立恢复的理论边界。
• 将该框架应用于具有马氏动态的网络化系统模型，其中控制器的状态响应 $ W^{\leq t} $ 作为逆问题中测量噪声的代理。

实验结果

研究问题

• RQ1 我们能否在一个统一且计算上可行的框架中，联合设计最优控制器及其底层执行、传感和通信架构？
• RQ2 在何种条件下，RFD框架能从模型匹配公式中恢复出正确的稀疏控制器架构？
• RQ3 执行器的分布方式以及闭环性能如何影响通过RFD恢复控制器架构的能力？
• RQ4 RFD的理论恢复保证能否推广到具有非零控制成本或不同控制器阶数的系统？
• RQ5 闭环系统的混合时间在使用RFD实现架构恢复成功中的作用是什么？

主要发现

• 当控制器组件的信噪比（SNR）超过阈值 $ (\gamma^{\leq t,v} - \beta^{\leq t,v}})^{-1} $ 时，RFD框架能够成功恢复具有两个执行器（节点1和5）的控制器的正确执行架构，该结果在 $ t=4, v=1 $ 时得到验证，此时 $ (\gamma^{\leq 4,1} - \beta^{\leq 4,1})^{-1} = 0.7273 $，SNR分别为0.7324和0.7353。
• 对于三执行器控制器，SNR显著更高（分别为4.04、4.04、2.67），恢复阈值为 $ (\gamma^{\leq 5,1} - \beta^{\leq 5,1})^{-1} = 0.82 $，表明性能提升可增强可恢复性。
• 即使在理论条件不满足时（例如 $ t=5 $），RFD框架仍能恢复正确架构，表明其在严格理论边界之外仍具有鲁棒性。
• 即使原始模型匹配问题具有非零控制成本，RFD问题中的参数 $ \rho $ 仍可设为零，从而在不损失性能的前提下简化优化。
• 脉冲响应能量集中于早期且状态响应 $ W^{\leq t} $ 较小的控制器更可能被恢复，因为其最大化了RFD中的信噪比类比量。
• 分布式且扩散的执行方案导致更大的混合时间 $ \tau_{\mathscr{M}_*} $，更易通过RFD识别，表明系统动态影响架构的可恢复性。