Discovering and exploiting active sensing motifs for estimation

1. بيان المشكلة

تعتمد الأنظمة ذاتية القيادة (سواء كانت بيولوجية أو هندسية) على إشارات حسية لتقدير الحالات المجهولة حول نفسها أو بيئاتها. يبرز تحدٍ جوهري في الأنظمة غير الخطية حيث ترتبط المتغيرات محل الاهتمام بعلاقات غير خطية مع قياسات المستشعرات (على سبيل المثال، يرمز التدفق البصري إلى نسب السرعة-إلى-المسافة، مما يجعل التقدير المستقل مستحيلاً من لحظة ثابتة واحدة).

• الاستشعار النشط (Active Sensing): استراتيجية تحريك المستشعرات أو الوكيل لفصل المتغيرات المترابطة وتعزيز التقدير هي استراتيجية منتشرة في البيولوجيا ولكنها غير مستخدمة بشكل كافٍ في الهندسة.
• الفجوة: تفتقر الطرق الحالية إلى القدرة على اكتشاف أي حركات محددة (النماذج أو الـ motifs) تحسن تقدير متغيرات حالة محددة في الأنظمة غير الخطية ذات القابلية الجزئية للملاحظة باستخدام البيانات التجريبية.
• عدم استقرار التقدير: غالبًا ما تفشل المقدرات الكلاسيكية (مثل مرشح كالمان) عندما تكون قابلية الملاحظة متغيرة زمنيًا أو ضعيفة، لا سيما إذا كانت تخمينات الحالة الأولية سيئة أو إذا كانت المعلومات متاحة فقط بشكل متقطع خلال مناورات معينة.

2. المنهجية

يقترح المؤلفون إطار عمل يتكون من جزأين: BOUNDS لاكتشاف استراتيجيات الاستشعار النشط، و AI-KF لاستغلالها أثناء تقدير الحالة.

أ. BOUNDS (تحديد حدود قابلية الملاحظة للأنظمة الديناميكية غير الخطية غير المستقرة)

إن BOUNDS عبارة عن مسار حسابي تجريبي مصمم لتكميم قابلية ملاحظة متغيرات الحالة الفردية على طول المسارات الديناميكية.

• المدخلات: مسار حالة زمني (محاكى أو حقيقي) ونموذج نظام (الديناميكيات $f$ والقياسات $h$).
• العملية:
  1. إعادة بناء المسار: يستخدم التحكم التنبئي بالنماذج (MPC) لتحديد مدخلات التحكم التي تعيد بناء المسار الملحوظ إذا كانت المدخلات غير معروفة.
  2. حساب جاكوبي التجريبي (Empirical Jacobian): يقوم باضطراب كل متغير حالة أولي $x_{i,0}$ بمقدار ضئيل $\epsilon$ في الاتجاهين الموجب والسالب مع تثبيت مدخلات التحكم. ويقوم بتسجيل التغير الناتج في القياسات عبر نافذة زمنية $\omega$.
  3. مصفوفة جاكوبي (O): يبني مصفوفة جاكوبي التجريبية $\Delta Y / \Delta x_0$، والتي تمثل حساسية القياسات لاضطرابات الحالة.
  4. معلومات فيشر وحد أدنى كرامر-راو (Fisher Information & Cramér-Rao Bound): يحسب مصفوفة معلومات فيشر $F = O^T R^{-1} O$ (حيث $R$ هو تباين ضوضاء المستشعر).
  5. المعكوس المنتظم (Regularized Inverse): يحسب المعكوس $F^{-1}$ باستخدام نهج "Chernoff inverse" ($F + \lambda I$) للتعامل مع المصفوفات المنفردة في الأنظمة ذات القابلية الجزئية للملاحظة. تمثل العناصر القطرية لـ $F^{-1}$ الحد الأدنى لتباين الخطأ لكل متغير حالة.
  6. اكتشاف النماذج (Motif Discovery): من خلال تحريك هذه النافذة على طول المسار، يكشف BOUNDS عن أنماط الحركة (مثل الدورانات، التسارعات) التي ترتبط بارتفاعات في قابلية الملاحظة (انخفاض في تباين الخطأ) لحالات محددة.

ب. مرشح كالمان ذو المعلومات المعززة (AI-KF)

الـ AI-KF هو مقدر هجين يدمج التصفية القائمة على النموذج مع التقديرات القائمة على البيانات، والموزونة بقابلية الملاحظة.

• المقدر القائم على البيانات ($H_i$): شبكة عصبية اصطناعية (ANN) تغذية أمامية مدربة لتقدير متغير حالة (مثل اتجاه الرياح) باستخدام تاريخ من القياسات. ومن المهم أن يتم تدريب الـ ANN على بيانات منسقة حسب مستويات قابلية الملاحظة (بالتركيز على المناورات ذات قابلية الملاحظة العالية) لضمان الدقة أثناء فترات الاستشعار النشط.
• مقدر قابلية الملاحظة ($G_i$): نموذج ANN أو نموذج استدلالي يتنبأ بقابلية الملاحظة الحالية (أو تباين الخطأ) بناءً على القياسات والمدخلات الحالية.
• آلية الدمج:
  • يتم تعزيز متجه قياس مرشح كالمان القياسي بتقدير الحالة من الـ ANN.
  • يتم تحديث مصفوفة تباين ضوضاء القياس ($R$) ديناميكيًا. التباين المخصص لتقدير الـ ANN يتناسب عكسيًا مع قابلية الملاحظة المتوقعة (المستمدة من $G_i$).
  • المنطق: عندما تكون قابلية الملاحظة عالية (أثناء الدوران مثلاً)، يثق الـ AI-KF بشدة في تقدير الـ ANN. وعندما تكون قابلية الملاحظة منخفضة (أثناء الطيران المستقيم)، يعتمد المرشح على التنبؤ القائم على النموذج، مما يمنع المرشح من التباعد بسبب الأداء السيئ للـ ANN.
  • منع الازدواج في العد (Double-Counting Prevention): تضمن آلية "نسبة الصلة" أنه إذا كان تقدير الـ ANN وتنبؤ الـ KF غير متمايزين إحصائيًا، يتم قمع المعلومات المعززة لتجنب خفض تباين الخطأ بشكل مصطنع.

3. المساهمات الرئيسية

1. إطار عمل BOUNDS: طريقة مبتكرة ومستقلة عن النموذج لتكميم قابلية الملاحظة للمتغيرات الفردية للحالة في الأنظمة غير الخطية ذات القابلية الجزئية للملاحظة باستخدام البيانات التجريبية أو المحاكاة. إنها تتجاوز التصنيفات الثنائية (قابلة للملاحظة/غير قابلة للملاحظة) لتقدم حدود خطأ كمية.
2. اكتشاف نماذج محددة للحالة (State-Specific Motifs): أثبتت أن متغيرات الحالة المختلفة تتطلب استراتيجيات استشعار نشط متميزة. على سبيل المثال، يتطلب تقدير اتجاه الرياح تغييرات في الاتجاه، بينما يمكن تحقيق تقدير الارتفاع عبر التسارع في خط مستقيم.
3. بنية AI-KF: مقدر هجين قائم على أسس نظرية يزن ديناميكيًا بين التقديرات القائمة على البيانات والتقديرات القائمة على النموذج بناءً على قابلية الملاحظة في الوقت الفعلي. إنه يتغلب على حساسية مرشحات كالمان تجاه سوء التهيئة أو الملاحظة المتفرقة.
4. حزمة بايثون (pybounds): أداة مفتوحة المصدر لتسهيل تطبيق هذه الأساليب على أنظمة أخرى.

4. النتائج

تم التحقق من صحة الإطار على نموذج طائرة رباعية الدفع (quadcopter) ثلاثية الأبعاد وبيانات تجريبية من طيران بدون نظام GPS.

• نماذج الاستشعار النشط (المحاكاة):

  • اتجاه الرياح: يكون قابلاً للملاحظة فقط أثناء تغييرات الاتجاه (الدورانات). الطيران المستقيم لم يوفر أي معلومات.
  • الارتفاع: يكون قابلاً للملاحظة أثناء التسارع/التباطؤ والدورانات غير المركزية، بشرط توفر مقدار التدفق البصري.
  • السرعة الأرضية: يمكن تقديرها أثناء الدورانات أو التسارع اعتمادًا على توافر المستشعرات (على سبيل المثال، إضافة مقدار تدفق الهواء الملحوظ مكّن من التقدير أثناء الدورانات غير المركزية).
  • الاعتماد على المستشعر: حددت الورقة بدقة أي مجموعات من المستشعرات (مثل الاتجاه + تدفق الهواء مقابل التدفق البصري + التسارع) كانت كافية لمتغيرات حالة معينة.

• أداء التقدير:

  • تدريب الـ ANN: أدى تدريب شبكات الـ ANN على بيانات مصنفة حسب قابلية الملاحظة العالية إلى تقليل خطأ التقدير بشكل كبير مقارنة بالبيانات العشوائية للتدريب.
  • AI-KF مقابل UKF القياسي:
    • في عمليات المحاكاة ذات تخمينات الحالة الأولية السيئة والضوضاء المتحيزة، غالبًا ما فشل مرشح كالمان غير المتوقع (UKF) في التقارب أو تباعد.
    • الـ AI-KF تقارب بسرعة نحو الحالة الحقيقية خلال مناورات قابلية الملاحظة العالية (التسارعات/الدورانات) وحافظ على الاستقرار خلال فترات قابلية الملاحظة المنخفضة.
    • أظهر الـ AI-KF متانة تجاه التباينات في ضوضاء العملية ($Q$) والتباين الأولي ($P_0$)، بينما كان أداء الـ UKF حساسًا للغاية لهذه المعلمات الفائقة (hyperparameters).
  • التحقق من العالم الحقيقي: تم تطبيقه على طائرة DJI Matrice 300 RTK رباعية الدفع طارت في الخارج بدون GPS. نجح الـ AI-KF في تقدير الارتفاع والسرعة الأمامية باستخدام التدفق البصري البطني ومقاييس التسارع فقط، وتقارب في غضون ثوانٍ حيث فشل الـ UKF القياسي في التقارب على مدار مسار مدته 50 ثانية.

5. الأهمية

• للهندسة: يوفر أداة تصميم منهجية لإنشاء أنظمة ذاتية القيادة ذات الحد الأدنى من المستشعرات. يمكن للمهندسين استخدام BOUNDS لتحديد الحد الأدنى من مجموعة المستشعرات واستراتيجيات المناورة المحددة المطلوبة لتقدير حالات حرجة، مما يقلل من تكاليف التعقيد والأجهزة.
• للبيولوجيا: يقدم إطارًا كميًا لاختبار الفرضيات حول السلوك الحيواني. يشير هذا إلى أن الحيوانات قد تقوم بمناورات محددة (مثل الدورات أو التسارعات) ليس فقط للملاحة، ولكن أيضًا لـ "إعادة ضبط" أو تحسين قابلية ملاحظة متغيرات بيئية معينة (مثل اتجاه الرياح).
• لنظرية التقدير: يسد الفجوة بين التحكم القائم على النموذج والأساليب الحديثة القائمة على البيانات. يوفر الـ AI-KF طريقة دقيقة إحصائيًا لدمج الشبكات العصبية في حلقات التحكم دون التضحية بضمانات الاستقرار، مع معالجة مشكلة "المعلومات المتفرقة" المتأصلة في الاستشعار النشط.

باختصار، يحول هذا العمل الاستشعار النشط من مفهوم تجريبي إلى مبدأ هندسي قابل للقياس والتصميم، مما يمكّن الأنظمة ذاتية القيادة الأكثر قوة وكفاءة في البيئات المعقدة وغير الخطية.