⚡ electrical engineering

Inverse Learning-Based Output Feedback Control of Nonlinear Systems with Verifiable Guarantees

تقترح هذه الورقة متحكماً في التغذية الراجعة للمخرجات يعتمد على البيانات للأنظمة غير الخطية، والذي يستخدم نماذج عكسية مُستنتجة عبر الاستيفاء باللب (kernel-interpolated) وإطار عمل لاختيار المرجع يعتمد على البيانات لتحقيق تنظيم مخرجات عملي قابل للتحقق باستخدام قياسات مدخلات ومخرجات خالية من الضجيج.

المؤلفون الأصليون: Yeongjun Jang, Hamin Chang, Heein Park, Hyeonyeong Jang, Takashi Tanaka, Hyungbo Shim

نُشر 2026-03-12

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yeongjun Jang, Hamin Chang, Heein Park, Hyeonyeong Jang, Takashi Tanaka, Hyungbo Shim

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول تعليم روبوت المشي على حبل مشدود. عادةً، للقيام بذلك، ستحتاج إلى مخطط تفصيلي ضخم للحبل، والرياح، ووزن الروبوت، وفيزياء الجاذبية. ستقضي سنوات في بناء نموذج رياضي مثالي قبل أن يخطو الروبوت خطوته الأولى.

ولكن ماذا لو لم يكن لديك هذا المخطط؟ ماذا لو كان النظام معقداً للغاية، أو كانت الفيزياء لغزاً؟

تقدم هذه الورقة البحثية طريقة ذكية للتحكم في الأنظمة المعقدة وغير الخطية (مثل ذلك الروبوت، أو مصنع كيميائي، أو طائرة بدون طيار) دون الحاجة إلى مخطط مثالي. بدلاً من ذلك، يتعلم النظام مباشرة من تجاربه السابقة (البيانات) ويستخدم حيلة "الهندسة العكسية" للبقاء على المسار الصحيح.

إليك تفصيل طريقتهم باستخدام تشبيهات بسيطة:

١. المشكلة: "الصندوق الأسود"

تخيل آلة غامضة (النظام). تضغط على زر (المدخلات)، ويتغير لون ضوء (المخرجات). أنت لا تعرف كيف تعمل هذه الآلة من الداخل.

الطريقة القديمة: محاولة تخمين التروس والزنبركات الداخلية (النمذجة الرياضية) للتنبؤ بما سيحدث بعد ذلك. هذا أمر صعب، ومكلف، وغالباً ما يكون خاطئاً.
الطريقة الجديدة: فقط راقب ما يحدث عندما تضغط على أزرار مختلفة. سجل النتائج. استخدم هذا التاريخ لمعرفة ما يجب فعله تالياً.

٢. السر الخفي: "الهندسة العكسية" للآلة

تحاول معظم الأساليب القائمة على البيانات تعلم النموذج الأمامي: "إذا ضغطت الزر (أ)، سيتحول الضوء إلى اللون الأحمر".

المشكلة: إذا كان الضوء حالياً باللون الأزرق، وأنت تريده أن يصبح أحمر، فإن النموذج الأمامي يخبرك "الزر (أ) يجعل الضوء أحمر". ولكن ماذا لو كان الزر (أ) معطلاً الآن؟ أو ماذا لو كانت الآلة في حالة غريبة تجعل الزر (أ) يفعل شيئاً آخر؟

تستخدم هذه الورقة البحثية نموذجاً عكسياً. فكر في الأمر كـ وصفة عكسية.

النموذج الأمامي: "إليك المكونات (الحالة)، ما هو الطبق الذي سأحصل عليه؟"
النموذج العكسي: "أريد هذا الطبق المحدد (المخرج المطلوب). ما هي المكونات (مدخل التحكم) التي أحتاج لخلطها الآن للحصول عليه؟"

يستخدم الباحثون أداة رياضية تسمى استكمال النواة (Kernel Interpolation) (فكر فيها كخوارزمية "توصيل النقاط" فائقة الذكاء) لتعلم هذه الوصفة العكسية من مجموعة بيانات التجارب السابقة.

٣. شبكة الأمان: خريطة "المنطقة الآمنة"

هنا يكمكم الجزء الصعب: مجرد امتلاكك لوصفة عكسية لا يعني أنها تعمل في كل مكان. إذا طلبت طبقاً لا تستطيع الآلة صنعه فيزيائياً، ستفشل الوصفة.

لحل هذه المشكلة، ينشئ المؤلفون خريطة سلامة.

تخيل أن الحالات الممكنة للآلة هي مدينة ضخمة.
ينظر الباحثون إلى نقاط بياناتهم السابقة (التجارب التي سجلوها).
حول كل نقطة بيانات، يرسمون "منطقة آزة" (فقاعة). داخل هذه الفقاعة، يعرفون يقيناً أنه إذا طلبوا مخرجاً معيناً، فإن الآلة يمكنها تقديمه بالفعل، ويعرفون بالضبط مقدار الخطأ (هامش التذبذب) المتوقع.
يقومون ببناء سلسلة من هذه الفقاعات. إذا كنت في الفقاعة (أ)، يمكنك الانتقال بأمان إلى الفقاعة (ب)، ثم إلى الفقاعة (ج)، حتى تصل إلى وجهتك (المخرج المستهدف).

٤. الاستراتيجية: "حجارة العبور"

لا يحاول المتحكم القفز إلى الهدف النهائي في قفزة واحدة عملاقة؛ فهذا أمر محفوف بالمخاطر.
بدلاً من ذلك، يلعب لعبة "الحجلة" (Hopscotch):
١. انظر إلى حيث أنت الآن.
٢. انظر إلى خريطة "المنطقة الآمنة".
٣. ابحث عن أقرب "حجر عبور" (نقطة بيانات من الماضي) يمكنك الوصول إليه بأمان.
٤. اطلب من الآلة أن تهدف إلى المخرج المرتبط بحجر العبور هذا.
٥. بمجرد وصولك إلى هناك، ابحث عن حجر العبور التالي.
٦. كرر العملية حتى تصبح قريباً بما يكفي من الهدف.

هذا يضمن عدم ضياع النظام أو تحطمه، حتى لو لم تكن الرياضيات مثالية.

٥. اختبار "الضجيج"

الحياة الواقعية فوضوية. المستشعرات قد تكون مشوشة (مثل ميكروفون يلتقط تشويشاً).
اختبر المؤلفون المتحكم الخاص بهم عندما كانت "عيون" النظام ضبابية (بيانات مشوشة).

النتيجة: حتى مع وجود التشويش، حافظ المتحكم على سير الروبوت فوق الحبل المشدود. كان أقل دقة قليلاً مما هو عليه في العالم المثالي، لكنه لم يسقط. لقد كان أكثر قوة ومتانة من المتحكمات التقليدية (مثل متحكمات PI القياسية المستخدمة كمرجع).

الملخص

باختصار، تمنحنا هذه الورقة البحثية طريقة للتحكم في الآلات المعقدة والغامضة من خلال:
١. تعلم الوصفة العكسية (المدخل $\leftarrow$ المخرج) من البيانات السابقة.
٢. رسم خريطة للمناطق الآمنة حول تلك البيانات لمعرفة أين يمكن التحرك بأمان.
٣. القفز من حجر إلى آخر للوصول إلى الهدف دون الحاجة أبداً لفهم الفيزياء العميقة للآلة.

الأمر يشبه التنقل في غابة مظلمة ليس عبر امتلاك خريطة للأشجار، بل عبر اتباع مسار من الأحجار المتوهجة التي وضعتها سابقاً، مع معرفة المسافة التي يمكنك القفز فيها بأمان بينها.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "التعلم العكسي القائم على المخرجات للتحكم في الأنظمة غير الخطية مع ضمانات قابلة للتحقق" (Inverse Learning-Based Output Feedback Control of Nonlinear Systems with Verifiable Guarantees).

1. بيان المشكلة

تتناول الورقة البحثية تحدي تصميم وحدات تحكم التغذية الراجعة للمخرجات القائمة على البيانات للأنظمة غير الخطية الممثلة في صيغة النماذج ذات الانحدار الذاتي الخارجي غير الخطي (NARX).

الهدف: تحقيق تنظيم مخرجات عملي، بمعنى دفع مخرج النظام $y(t)$ ليبقى ضمن حد دقة مطلوب $\delta$ في زمن محدد، باستخدام بيانات القياس (المدخلات/المخرجات) فقط.
القيود والتحديات:
- ديناميكيات النظام غير معروفة.
- قياسات الحالة الكاملة غير متوفرة (يتم استخدام التغذية الراجعة للمخرجات فقط).
- تعتمد الطرق الحالية القائمة على البيانات للأنظمة غير الخطية غالبًا على التحكم التنبئي بالنماذج (MPC) أو التحسين المعقد (LMI/SOS) الذي يتطلب قدرات حوسبة مكثفة ويصعب التحقق منه عبر الإنترنت (online).
- تتطلب طرق التعلم العكسي السابقة أن يكون المسار المرجعي "ممكنًا" (قابل للوصول)، وهو شرط يصعب التحقق منه دون نموذج صريح للنظام.
- يجب أن يوفر وحدة التحكم ضمانات نظرية قابلة للتحقق بشأن الاستقرار والأداء بناءً على مجموعة البيانات فقط.

2. المنهجية

يجمع الإطار المقترح بين استيفاء النواة (Kernel Interpolation - KI) لتحديد هوية النظام وبين استراتيجية اختيار المرجع القائمة على البيانات.

أ. نمذجة النظام والتعلم العكسي

صيغة NARX: يتم نمذجة النظام كـ $y(t+1) = f(\zeta(t), u(t))$ ، حيث $\zeta(t)$ هي حالة موسعة تحتوي على المدخلات والمخرجات السابقة.
تحديد النموذج العكسي: بدلاً من تعلم الديناميكيات الأمامية $f$ $f$ ، يتعلم المؤلفون النموذج العكسي $c$ $c$ ، الذي يربط المخرج المستقبلي المرغوب $y^+$ $y^{+}$ والحالة الموسعة الحالية $\zeta$ $ζ$ بمدخل التحكم المطلوب $u$ $u$ .
- $u = c([y^+; \zeta])$ .
استيفاء النواة (KI): يتم تقدير النموذج العكسي باستخدام KI (وهي طريقة انحدار غير معلمية). بالنظر إلى مجموعة بيانات $\mathcal{D}$ من أزواج المدخلات والمخرجات، يتم إيجاد المقدر $\hat{c}$ عن طريق تقليل النطاق (norm) في فضاء هيلبرت لإعادة الإنتاج (RKHS) مع مراعاة قيود الاستيفاء.
حدود الخطأ: أحد المكونات النظرية الرئيسية هو اشتقاق حدود خطأ صريحة لـ $\hat{c}$ . بافتراض أن النموذج العكسي الحقيقي يقع ضمن فضاء RKHS وله نطاق محدود، تستخدم الورقة خصائص النواة لحصر الفرق بين مدخلات التحكم الحقيقية والمقدرة.

ب. اختيار المرجع القائم على البيانات

بما أن ديناميكيات النظام الدقيقة غير معروفة، فإن التحقق مما إذا كان المرجع المطلوب $y_r(t+1)$ يمكن الوصول إليه من الحالة الحالية هو أمر مستحيل. يقترح المؤلفون إطار اختيار نشط:

الوصول الخلفي (Backward Reachability): تقوم الخوارزمية ببناء تسلسل من المجموعات $(A_j^\delta)$ التي تمثل الحالات التي يمكن للنظام من خلالها الانتقال إلى المجموعة المستهدفة $S_\delta$ (حيث $|y| \le \delta$ ) في $j$ من الخطوات.
بناء المجموعات: باستخدام حدود الخطأ من KI، تحسب الطريقة "المناطق الآمنة" حول نقاط البيانات في مجموعة التدريب. إذا كانت الحالة الحالية قريبة بما يكفي من حالة تدريب $\zeta_i$ ، وكانت نقطة بيانات التدريب تقابل انتقالاً صالحاً، فيمكن لوحدة التحكم اختيار مخرج المرجع المرتبط بها بأمان.
الخواروارزمية:
1. خارج الإنترنت (Offline): حساب تسلسل المجموعات $(A_j^\delta)$ مسبقًا بناءً على مجموعة البيانات $\mathcal{D}$ وحدود خطأ النواة.
2. عبر الإنترنت (Online): في كل خطوة زمنية، تحديد أصغر $j$ بحيث تنتمي الحالة الحالية $\zeta(t)$ إلى $A_j^\delta$ . ثم اختيار نقطة المرجع المقابلة من مجموعة البيانات التي تضمن انتقال الحالة التالية للاقتراب من المجموعة المستهدفة.

ج. التعامل مع تأخير المدخلات

تم توسيع الإطار للتعامل مع الأنظمة ذات تأخير المدخلات (الدرجة النسبية $>1$ ) عن طريق إعادة صياغة نموذج NARX للتنبؤ بـ $y(t+\nu)$ بدلاً من $y(t+1)$ ، مع تعديل تعريف النموذج العكسي وحدود الخطأ وفقًا لذلك.

3. المساهمات الرئيسية

شرط كافٍ قابل للتحقق: تضع الورقة شرطًا كافيًا وصارمًا وقابلاً للتحقق على مجموعة بيانات التدريب. إذا استوفت مجموعة البيانات هذا الشرط (تحديدًا، إذا كانت الحالة الأولية تقع ضمن المجموعة المحسوبة مسبقًا $A_\kappa^\delta$ وكانت المجموعات تحقق خاصية الاحتواء)، فإن وحدة التحكم تضمن التنظيم العملي للمخرجات.
التغذية الراجعة للمخرجات بدون الحالة الكاملة: على عكس العديد من الطرق القائمة على البيانات التي تتطلب ملاحظة الحالة الكاملة، يعمل هذا النهج بالتغذية الراجعة للمخرجات من خلال استخدام هيكل الحالة الموسعة لـ NARX.
التعلم العكسي مع الضمانات: يجسّر هذا العمل الفجوة بين التعلم العكسي (وهو أمر بديهي للتحكم) والضمانات الرسمية. إنه يحل مشكلة "الإمكانية" (feasibility) في اختيار المرجع من خلال اختيار مراجع من مجموعة البيانات بشكل نشط تكون آمنة ومثبتة بناءً على حدود خطأ الاستيفاء.
الكفاءة الحسابية: من خلال نقل الحسابات الثقيلة (بناء المجموعات) إلى مرحلة خارج الإنترنت (offline)، تتطلب وحدة التحكم عبر الإنترنت مجرد فحوصات بسيطة لعضوية المجموعات، مما يتجنب الحاجة إلى التحسين في الوقت الفعلي (على عكس MPC).

4. نتائج المحاكاة

تحقق المؤلفون من صحة الطريقة من خلال دراستي حالة:

مثال عددي (نظام غير خطي):
- تم التحكم في نظام غير خطي اصطناعي باستخدام الخوارزمية المقترحة.
- النتيجة: نجحت وحدة التحكم في دفع المخرج إلى دقة الهدف $\delta$ من حالات أولية مختلفة. تقاربت مسارات الحالة الموسعة نحو التوازن، مما أكد الضمانات النظرية.
- المتانة تجاه الضوضاء: أظهرت عمليات المحاكاة مع ضوضاء قياس المخرجات أن وحدة التحكم ظلت فعالة، وإن كان ذلك مع إزاحة ثابتة أكبر قليلاً مقارمة بحالة خلو الضوضاء.
دراسة حالة البندول المقلوب (Inverted Pendulum):
- تم تثبيت بندول مقلوب قياسي (نموذج NARX مُجزأ مع تأخير في المدخلات).
- مصدر البيانات: تم إنشاء بيانات التدريب بواسطة متحكمات PI "خبيرة" بكسب متغير (لمحاكاة سيناريو محاكاة الخبير).
- المقارنة: تمت مقارنة وحدة التحكم المقترحة مع متحكم PI كخط أساس (baseline).
- الأداء:
  - بدون ضوضاء: حققت وحدة التحكم المقترحة جذر متوسط مربع خطأ (RMSE) مشابهًا لمتحكم PI الأساسي.
  - مع وجود ضوضاء: تحت تأثير ضوضاء غاوسية مضافة، تفوق المتحكم المقترح على متحكم PI الأساسي، حيث أظهر RMSE أقل، وتذبذبات أقل، واهتزازات (chattering) أقل.
- الاستنتاج: تُظهر الطريقة متانة تجاه ضوضاء القياس وفعالية في السيناريوهات المعقدة والواقعية.

5. الأهمية

يمثل هذا العمل خطوة كبيرة للأمام في التحكم الآمن القائم على البيانات للأنظمة غير الخطية.

الصرامة النظرية: يتجاوز هذا العمل التحكم القائم على البيانات التجريبي من خلال تقديم ضمانات رسمية قابلة للتحقق مستمدة مباشرة من خصائص مجموعة البيانات ونظرية استيفاء النواة.
العملية: من خلال تجنب التحسين عبر الإنترنت (MPC) والتعامل مع التغذية الراجعة للمخرجات، فإنه يقدم حلاً خفيفًا من الناحية الحسابية مناسبًا للتنفيذ في الوقت الفعلي.
المتانة: تُظهر النتائج التجريبية على البندول المقلوب أن الطريقة ليست سليمة نظريًا فحسب، بل هي أيضًا متينة تجاه ضوضاء القياس الشائعة في بيانات المستشعرات الواقعية.
القابلية للتعميم: الإطار قابل للتطبيق على فئة واسعة من الأنظمة غير الخطية (NARX) ويمكن توسيعه ليشمل الأنظمة متعددة المدخلات والمتعددة المخرجات (MIMO) والأنظمة ذات تأخير المدخلات.

باختصار، تقدم الورقة بنية تحكم مبتكرة تستفيد من حدود الخطأ لتعلم النواة لاختيار مراجع تحكم آمنة بنشاط، مما يضمن إمكانية تنظيم الأنظمة غير الخطية باستخدام بيانات المدخلات والمخرجات فقط مع ضمانات أداء مثبتة رياضيًا.