⚡ electrical engineering

ReLU Barrier Functions for Nonlinear Systems with Constrained Control: A Union of Invariant Sets Approach

تقترح هذه الورقة مسار تقريب-تحقق قابل للتطبيق يستخدم بدائل تقريبية تآلفية مجزأة مع دالات حاجز من نوع (Leaky ReLU) ونهج اتحاد المجموعات الثابتة لتوثيق مناطق سلامة أكبر للأنظمة غير الخطية تحت قيود مدخلات متعددة الأوجه مقارنة بالتصاميم الخطية التقليدية.

المؤلفون الأصليون: Pouya Samanipour, Hasan A. Poonawala

نُشر 2026-03-17

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Pouya Samanipour, Hasan A. Poonawala

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 متعثر وغير متوقع للغاية (نظام غير خطي) كيف يمشي عبر غرفة مزدحمة دون الاصطدام بأي شيء أو السقوط. لدى الروبوت قاعدة صارمة: يمكنه دفع أرجله بقوة معينة فقط (هذا هو التحكم المقيد أو تشبع المدخلات). إذا دفع بقوة كبيرة، ستتعطل محركاته؛ وإذا دفع بقوة ضعيفة، فلن يتمكن من الحركة.

الهدف من هذه الورقة البحثية هو رسم "فقاعة أمان" حول الروبوت. وطالما بقي الروبوت داخل هذه الفقاعة، يمكننا أن نضمن رياضياً أنه لن يصطدم أبداً، بغض النظر عن مدى تمايله.

إليك كيف حل المؤلفون هذه المشكلة المعقدة، مقسمة إلى مفاهيم وأمثلة بسيطة.

1. المشكلة: الخريطة "المثالية" غير موجودة

عادةً، لرسم فقاعة أمان، تحتاج إلى خريطة مثالية لكيفية حركة الروبوت. لكن الروبوتات الحقيقية فوضوية. حركاتها "غير خطية"، مما يعني أن دفعة صغيرة لا تؤدي دائماً إلى حركة صغيرة؛ فأحياناً تسبب دفعة ضئيلة دورانًا هائلاً.

محاولة حساب فقاعة أمان لروبوت فوضوي ذي قدرة عضلية محدودة تشبه محاولة حل لغز ثلاثي الأبعاد وأنت معصوب العينين. إنه أمر مستحيل رياضياً حله مباشرة دون استغراق وقت طويل جداً أو وضع تخمينات مبالغ في حذرها (مما يجعل فقاعة الأمان صغيرة وغير مفيدة).

2. الحل: تقريب "الرسوم المتحركة"

بدلاً من محاولة رسم خريطة للواقع الفوضوي بشكل مثالي، قرر المؤلفون رسم نسخة "كرتونية" لحركة الروبوت.

النموذج البديل: استخدموا نموذج "القطع المستوية المتتالية" (Piecewise Affine - PWA). تخيل أخذ المسار المنحني والناعم للروبوت وتقطيعه إلى العديد من البلاطات الصغيرة والمسطحة (مثل شخصية لعبة فيديو ذات رسومات بسيطة/low-poly).
لماذا؟ على هذه البلاطات المسطحة، تصبح الرياضيات سهلة. الأمر يشبه حل لغز على طاولة مسطحة بدلاً من طاولة متأرجحة. يمكنهم بسرعة رسم فقاعة أمان لهذا "الروبوت الكرتوني".

3. السر الخفي: منحدر "Leaky ReLU"

لجعل فقاعة الأمان أكبر، كان عليهم اختيار شكل رياضي محدد لـ "قاعدة الأمان" (التي تسمى دالة $\alpha$ ).

الطريقة القديمة: استخدموا خطاً مستقيماً (خطي). هذا آمن، لكنه يشبه رسم صندوق مربع حول كرة مستديرة. هناك الكثير من المساحة الضضيعة، والصندوق يكون أصغر مما ينبغي أن يكون.
الطريقة الجديدة: استخدموا Leaky ReLU. تخيل منزلقاً (زحليقة) يكون شديد الانحدار في الأعلى ولكن له منحدر لطيف و"متسرب" في الأسفل. هذا الشكل مرن. إنه يلتف حول الكرة المستديرة بإحكام أكبر بكثير، مما يخلق فقاعة أمان أكبر دون جعل الرياضيات صعبة الحل.

4. "اتحاد المجموعات الثابتة" (UIS): شبكة الأمان

هذا هو الجزء الأكثر ذكاءً.

النهج القديم: كنت ستحاول استخدام منحدر واحد لزحليقتك، ترسم فقاعة، تجرب منحدرًا آخر، ترسم فقاعة أخرى، ثم تختار الأكبر بينهما. وستتخلص من البقية.
النهج الجديد (UIS): يرسمون فقاعات باستخدام منحدرات عديدة مختلفة في نفس الوقت. ثم، بدلاً من اختيار واحد منها، يقومون بدمجها جميعاً.
- مثال: تخيل أن لديك عدة مظلات مختلفة. بدلاً من اختيار أكبر واحدة، تقوم بلصقها جميعاً معاً لإنشاء مظلة عملاقة متعددة الأشكال.
- هذا يخلق منطقة أمان ضخمة وغير منتظمة الشكل، وهي أكبر بوضوح من أي مظلة منفردة يمكن أن توفرها، وقد فعلوا ذلك دون بذل أي مجهود إضافي كبير.

5. اختبار الواقع: "التحقق عبر الأوجه"

الآن، لديهم فقاعة أمان ضخمة لـ الروبوت الكرتوني. ولكن هل تعمل هذه الفقاعة مع الروبوت الحقيقي؟

التحقق: هم لا يفحصون الفقاعة بأكملها دفعة واحدة (لأن ذلك سيستغرق وقتاً طويلاً جداً). بدلاً من ذلك، ينظرون إلى الحواف (الأوجه/facets) الخاصة بالفقاعة.
المثال المضاد: إذا وجدوا بقعة على الحافة حيث قد ينزلق الروبوت الحقيقي للخارج، فهم لا يعيدون العملية برمتها. بدلاً من ذلك، يضعون "رقعة" صغيرة من الحذر الإضافي (عدم اليقين) في تلك البقعة تحديداً.
الإصلاح: يعيدون حساب الرياضيات فقط لتلك الرقعة، ويرقعون الثقب، ثم يتحققون مرة أخرى. الأمر يشبه خياطاً يجد خيطاً مرتخياً في بدلة، فيقوم بخياطة ذلك الموضع فقط، بدلاً من خياطة البدلة بأكملها من جديد.

النتيجة

من خلال الجمع بين هذه الحيل:

تقريب الروبوت الفوضوي باستخدام كرتون ذي بلاطات مسطحة.
استخدام شكل منزلق مرن (Leaky ReLU) ليتناسب مع الفقاعة بإحكام.
دمج عدة فقاعات معاً (UIS) لصنع منطقة أمان ضخمة.
فحص وتصحيح الحواف لضمان عملها في العالم الحقيقي.

أثبت المؤلفون أن بإمكانهم إنشاء مناطق أمان أكبر بكثير للروبوتات ذات القدرة المحدودة مقارنة بالطرق السابقة، وقد فعلوا ذلك بسرعة كافية لتكون مفيدة في التطبيقات التي تعمل في الوقت الفعلي مثل السيارات ذاتية القيادة أو الطائرات بدون طيار.

باخت ملخص القول: لقد حولوا مشكلة رياضية فوضوية ومستحيلة إلى سلسلة من الألغاز السهلة، ودمجوا الحلول معاً لصنع شبكة أمان ضخمة، ثم قاموا بخياطة الثقوب القليلة التي حاولت الواقع التسلل منها.

1. بيان المشكلة (Problem Statement)

تتناول الورقة البحثية تحدي التحقق من السلامة (certifying safety) للأنظمة غير الخطية ذات التحكم المتصل بالمدخلات (control-affine systems) الخاضعة لقيود مدخلات متعددة الأوجه (polytopic input constraints) (مثل تشبع المشغلات/actuator saturation).

الصعوبة الجوهرية: تصميم دوال الحاجز التحكمي (Control Barrier Functions - CBFs) لهذه الأنظمة هو أمر مستعصٍ حاسوبياً لأن مسألة التركيب (synthesis) تصبح غير محدبة (nonconvex) عند وجود قيود على المدخلات.
محدودية الطرق الحالية:
- دالة $\alpha(\cdot)$ الخطية: غالباً ما تستخدم النهج التقليدية دالة $\alpha(\cdot)$ خطية من الفئة $\mathcal{K}$ الممتدة للحفاظ على التحدب. ومع ذلك، يؤدي هذا إلى تحفظ كبير (significant conservatism)، مما ينتج عنه مجموعات آمنة معتمدة أصغر حجماً.
- دوال CBF العصبية (Neural CBFs): بينما يمكن للشبكات العصبية تقريب الديناميكيات المعقدة، فإن تدريبها يتضمن عادةً تحسيناً غير محدب مع عملية تحقق مكلفة، وغالباً ما تفتقر إلى آليات منهجية لتوسيع المجموعات الثابتة تحت ظروف التشبع.
- الأعمال السابقة: تناول عمل المؤلفين السابق [12] الأنظمة ذات الأجزاء الخطية (PWA) مع التشبع، لكنه كان مقتصرًا على $\alpha(\cdot)$ الخطية وديناميكيات PWA فقط.

الهدف: تركيب CBF للأنظمة غير الخطية تحت قيود المدخلات بحيث يقلل من التحفظ (يوسع المجموعة الآمنة) مع الحفاظ على التركيب المحدب (convex synthesis) وضمان ضمانات سلامة صارمة.

2. المنهجية (Methodology)

يقترح المؤلفون مسار (تقريب-تحقق) (Approximation–Verification Pipeline) يربط بين التحسين المحدب على النماذج البديلة والتحقق الصارم على النظام غير الخطي الأصلي. تتكون العملية من خمس خطوات رئيسية:

أ. النمذجة البديلة (Surrogate Modeling - Approximation)

بدلاً من التركيب مباشرة على النظام غير الخطي، يتم تقريب ديناميكيات الحلقة المغلقة بواسطة نموذج بديل متعدد الأجزاء الخطية (Piecewise Affine - PWA). ويتم تحقيق ذلك باستخدام شبكة عصبية من نوع ReLU، بالاستفادة من التكافؤ الرياضي بين شبكات ReLU والدوال المستمرة من نوع PWA.

ب. البديل Leaky ReLU لـ $\alpha(\cdot)$

لتقليل التحفظ دون التضحية بالتحدب، تقدم الورقة دالة Leaky ReLU ثنائية الميل (two-slope Leaky ReLU) كبديل لدالة $\alpha(\cdot)$ من الفئة $\mathcal{K}$ الممتدة:
$\alpha(s) = \begin{cases} \alpha_m s & s \ge 0 \\ \alpha_1 s & s < 0 \end{cases}$

الأساس النظري: يثبت المبرهنة 1 أن أي مجموعة ثابتة يمكن اعتمادها بواسطة $\alpha \in \mathcal{K}_\infty$ عامة، يمكن أيضاً اعتمادها بواسطة هذه الدالة (Leaky ReLU) ثنائية الميل.
الفائدة: يتجنب هذا الطريقة عدم التحدب ثنائي الخطية (bilinear nonconvexity) الناتج عن أي $\alpha$ غير خطية، بينما يسمح بميول أكثر حدة (تحفظ أقل) مقارنة بالميل الخطي الواحد.

ج. اتحاد المجموعات الثابتة (Union of Invariant Sets - UIS)

لتوسيع المنطقة المعتمدة بشكل أكبر، يقدم المؤلفون نهج اتحاد المجموعات الثابتة (UIS):

عمليات تركيب متعددة: يتم حل مسألة التحسين عدة مرات باستخدام ميول خطية مختلفة ( $\alpha_i x$ ) من شبكة (grid).
التركيب الأقصى (Max-Composition): بدلاً من اختيار مجموعة واحدة هي الأكبر، تستخدم الطريقة دالة حاجز جديدة $h(x)$ كـ الحد الأقصى للدوال الحاجزة الفردية:
$h(x) = \max_i \{ h^{(i)}(x) \}$
النتيجة: يتم اعتماد اتحاد المجموعات الثابتة الفردية كمجموعة ثابتة للأمام (forward-invariant). وهذا ينتج منطقة آمنة ليست أصغر أبداً من أفضل اختيار خطي واحد، وغالباً ما تكون أكبر بكثير، دون الحاجة إلى عمليات تحسين إضافية تتجاوز البحث في الشبكة الأولية.

د. التحقق لكل وجه (Facet-wise Verification)

بما أن النموذج البديل (PWA) هو تقريب، يجب التحقق من دالة الحاجز المركبة مقابل الديناميكيات غير الخطية الأصلية.

الاستراتيجية: يتم تفكيك المستوى الصفري (zero-level set) لدالة الحاجز المركبة (max-composed) إلى عدد محدود من رقع الوجوه (facet patches) (مناطق خطية).
التحقق: باستخدام لمّة فاركاس (Farkas' Lemma)، يتم فحص شرط CBF محلياً على كل رقعة وجه. هذا يلغي مدخل التحكم $u$ تحليلياً، محولاً عملية التحقق إلى مسألة تحسين غير خطية صغيرة وسهلة المعاللة لكل رقعة.
الكفاءة: يتجنب هذا النهج فحص المجال بأكم، مركزاً فقط على الحدود حيث تكون السلامة حرجة.

هـ. تحديثات عدم اليقين المحلية (Local Uncertainty Updates)

إذا فشل التحقق في رقعة معينة (تم العثي على مثال مضاد):

يتم حساب الانحراف بين الديناميكيات الحقيقية والنموذج البديل عند نقطة المثال المضاد.
يتم إضافة مجموعة عدم يقين محلية ( $\Delta_j$ ) فقط إلى الخلية المحددة التي تحتوي على المثال المضاد.
يتم إعادة حل البرنامج المحدب مع هذا التحصين المحلي (localized robustification). وهذا يتجنب التحفظ المفرط الناتج عن تطبيق حدود عدم اليقين العالمية على النظام بأكمله.

3. المساهمات الرئيسية (Key Contributions)

البديل Leaky ReLU لـ $\alpha(\cdot)$ : تصميم مبتدئ ثنائي الميل يقلل من التحفظ مقارنة بـ $\alpha$ الخطية مع الحفاظ على تحدب مسألة التركيب.
اتحاد المجموعات الثابتة (UIS): طريقة لدمج مجموعات متعددة تعتمد على البرمجة الخطية (LP) عبر التركيب الأقصى. تضمن منطقة معتمدة أكبر من أي شهادة أحادية الـ $\alpha$ ، دون تكلفة تحسين إضافية.
مسار (التقريب–التحقق): إطار عمل كامل يقوم بالتركيب المحدب على نماذج PWA البديلة ويتحقق بصرامة من النظام غير الخريجي الأصلي من خلال التحقق لكل وجه وتحديثات عدم اليقين المحلية.
القابلية للتوسع (Scalability): تدعم الطريقة التوازي (Parallelization) (سواء في حلول UIS أو عمليات التحقق من الوجوه هي عمليات مستقلة)، مما يجعلها مناسبة للأنظمة ذات الأبعاد الأعلى.

4. النتائج والمحاكاة (Results and Simulations)

تم التحقق من صحة الطريقة باستخدام ثلاثة اختبارات مع تشبع المدخلات:

المثال 1: البندول المقلوب (Inverted Pendulum)
- الإعداد: بندول غير خطي مع تحكم مشبع.
- النتيجة: أنتجت طريقة UIS مجموعة ثابتة أكبر بوضوح من أي تصميم يعتمد على $\alpha$ خطي واحد.
- الوقت: بلغ إجمالي وقت الاعتماد 46 ثانية (34 ثانية للتركيب + 12 ثانية للتحقق).
المثال 2: نظام غير خطي (من الأدبيات)
- الإعداد: نظام ثنائي الأبعاد حيث الهدف هو تجنب مجموعة غير آمنة.
- المقارنة: مقارنة مع نهج الشبكة العصبية العميقة (315+ ثانية) وطرق مجموع المربعات (SOS).
- النتيجة: استخدمت الطريقة المقترحة طبقة ReLU واحدة مدمجة (20 عصبوناً) وحققت مجموعة آمنة مثبتة أكبر بوضوح من حلول $\alpha$ الأحادية، ومقاربة لـ SyntheBC، ولكن بوقت حوسبة أقل بكثير (80 ثانية).
المثال 3: نظام العربة والعمود (Cart-Pole System)
- الإعداد: ديناميكيات رباعية الأبعاد مع تشبع المدخلات.
- النتيجة: نجحت في اعتماد مجموعة ثابتة كبيرة باستخدام نهج UIS مع ميلين.
- الوقت: بلغ الوقت الإجمالي 1466 ثانية (1349 ثانية للتركيب + 117 ثانية للتحقق)، مما يثبت القابلية للتوسع للأنظمة رباعية الأبعاد.

ملخص الجدول I: توضح الورقة أنه بينما يتوسع وقت التركيب مع الأبعاد، فإن نهج UIS يوفر باستمرار مجموعات آمنة أكبر من التصميمات الخطية، وتظل خطوة التحقق قابلة للإدارة حاسوبياً.

5. الأهمية (Significance)

تقدم هذه الورقة مساهمة كبيرة في التحكم الذاتي الآمن من خلال حل المقايضة بين القابلية للمعالجة (tractability) (التحدب) والتحفظ (conservatism) (حجم المجموعة الآمنة).

سد الفجوات: إنها تربط بفعالية بين كفاءة التحسين المحدب (المقتصر عادةً على الأنظمة الخطية أو PWA) وتعقيد الديناميكيات غير الخطية مع القيود.
الواقعية: من خلال استخدام تحديثات عدم اليقين المحلية بدلاً من الحدود العالمية، تتجنب الطريقة "لعنة التحفظ" التي غالباً ما تجعل شهادات السلامة عديمة الفائدة في الممارسة العملية.
التأثير المستقبلي: يوفر الإطار طريقة منهجية لتوسيع المناطق المعتمدة دون اللجوء إلى التدريب غير المحدب، مما يجعله قابلاً للتطبيق بدرجة عالية في مجالات الروبوتات والقيادة الذاتية حيث تعتبر ضمانات السلامة أمراً بالغ الأهمية.