Sampling-Horizon Neural Operator Predictors for Nonlinear Control under Delayed Inputs

إليك ملخص تقني مفصل لورقة البحث بعنوان: "التنبؤات القائمة على أفق العينات للمشغلات العصبية للتحكم غير الخطي تحت المدخلات المتأخرة."

1. بيان المشكلة

تتناول الورقة البحثية التحكم في الأنظمة غير الخطية الخاضعة لقيدين عمليين:

1. تأخر المدخلات: يؤثر مدخل التحكم $U(t)$ على ديناميكيات النظام بتأخير ثابت ولكنه قد يكون طويلاً وهو $D$.
2. القياسات المأخوذة بالعينات: لا تتوفر قياسات الحالة $X(t)$ بشكل مستمر، بل تُلاحظ فقط عند لحظات أخذ عينات منفصلة $\{T_i\}$. وقد تكون هذه القياسات عرضة للضوضاء، أو الفترات غير المنتظمة، أو الانقطاعات المؤقتة.

التحدي الجوهري:
يُعد التغذية الراجعة التنبؤية (Predictor Feedback) استراتيجية معروفة للتعويض عن تأخير المدخلات من خلال التنبؤ بالحالة المستقبلية $X(t+D)$ وتطبيق قانون تحكم اسمي على هذا التنبؤ. ومع ذلك، تتطلب التغذية الراجعة التنبؤية التقليدية حل معادلة تفاضلية عادية (ODE) ضمنية عبر الإنترنت (online). ويتضمن ذلك التكامل العددي والتقريبات المتتالية، مما يؤدي إلى:

• تكلفة حوسبية عالية: مما يجعل التنفيذ في الوقت الفعلي صعباً، خاصة في حالات الديناميكيات الصلبة (stiff dynamics) أو التأخيرات الكبيرة.
• عدم التوافق مع البيانات المأخوذة بالعينات: تفترض معظم صياغات التنبؤ النظرية توافر الحالة بشكل مستمر، بينما توفر المستشعرات في العالم الحقيقي عينات منفصلة وغير منتظمة محتملة.

2. المنهجية

يقترح المؤلفون إطار عمل يعتمد على المشغل العصبي (Neural Operator - NO) لتقريب قانون التغذية الراجعة التنبؤية، مما يتيح استدلالاً سريعاً عبر الإنترنت. وقد قدموا بنيتين متميزتين للتعامل مع الطبيعة الهجينة للقياسات المأخوذة بالعينات والمدخلات المتأخرة.

أ. الصياغة الرياضية

يتم نمذجة النظام كالتالي:
$$\dot{X}(t) = f(X(t), U(t-D))$$
يستخدم قانون التحكم نهج تنبؤ هجين حيث يكون المدخل هو $U(t) = \kappa(\hat{Z}(t))$، و $\hat{Z}(t)$ هو مسار الحالة المتوقع.

ب. تصميمان مقترحان

تميزت الورقة بين استراتيجيتين للتنفيذ بناءً على افتراضات أخذ العينات:

الحالة 1: مشغل التنبؤ بأفق العينات (أخذ عينات منتظم)

• الافتراض: تُؤخذ القياسات بفترات منتظمة ($T_{i+1} - T_i = h$).
• الآلية: يقوم مشغل عصبي واحد $\hat{\mathcal{M}}$ برسم خرائط الحالة الحالية $X(T_i)$ وتاريخ المدخلات $U_i$ مباشرة إلى مسار الحالة المتوقع $\hat{Z}(s)$ عبر فترة أخذ العينات التالية بالكامل $[T_i, T_{i+1})$.
• الميزة: يتناسب حد الخطأ مباشرة مع خطأ تقريب المشغل العصبي.
• القصور: يتطلب أخذ عينات منتظم بشكل صارم.

الحالة 2: تقريب التنبؤ (أخذ عينات محدود/غير منتظم)

• الافتطراض: تتوفر القياسات في فترات غير منتظمة، بشرط أن تكون الفجوة بين العينات محدودة ($T_{i+1} - T_i \leq h$).
• الآلية: يقوم مشغل عصبي $\hat{\mathcal{P}}$ بتقريب المتنبئ فقط (حساب الشرط الابتدائي $\hat{Z}(T_i)$ بناءً على $X(T_i)$ وتاريخ المدخلات). بعد ذلك، يتم توليد مسار الحالة $\hat{Z}(s)$ بين العينات عن طريق التكامل العددي للمعادلة التفاضلية المغلقة الحلقة $\dot{\hat{Z}} = f(\hat{Z}, \kappa(\hat{Z}))$.
• الميزة: مرونة؛ حيث يستوعب أخذ العينات غير المنتظم والبيانات المفقودة.
• القصور: يتضخم خطأ التقريب بسبب تطور المعادلة التفاضلية المستمرة بين العينات، مما يتطلب مشغلاً عصبياً أكثر دقة للحفاظ على الاستقرار.

ج. الأساس النظري

• المشغلات العصبية: استخدم المؤلفون بنيات (تحديداً مشغلات فورييه العصبية - Fourier Neural Operators) مصممة لتعلم الخرائط بين فضاءات الدوال، مما يسمح لها بتقريب مشغلات التنبؤ ذات الأبعاد اللانهائية.
• تحليل الاستقرار: باستخدام تحليل ليابونوف (Lyapunov analysis) ونظرية الاستقرار من المدخل إلى الحالة (ISS)، أثبت المؤلفون الاستقرار العملي شبه العالمي (Semi-Global Practical Stability).
  • تتقارب حالة النظام إلى حد متبقٍ يحدده خطأ تقريب المشغل العصبي ($\epsilon$).
  • المقايضة: توفر الحالة الثانية مرونة في أخذ العينات ولكنها تضخم الخطأ بمعامل قدره $e^{C_f(1+C_\kappa)h}$، بينما تمتلك الحالة الأولى توسعاً مباشراً للخطأ ولكن بمتطلبات أخذ عينات صارمة.

3. المساهمات الرئيسية

1. بنيات مبتكرة: تطوير تصميمين محددين للتغذية الراجعة التنبؤية باستخدام المشغل العصبي لسد الفجوة بين التغذية الراجعة التنبؤية النظرية وأنظمة البيانات المأخوذة بالعينات العملية.
2. ضمانات استقرار صارمة: وضع ضمانات استقرار شبه عالمي عملي بحدود صريحة تعتمد على خطأ تقريب المشغل العصبي وخصائص أخذ العينات.
3. المقايضة بين مرونة أخذ العينات والدقة: تحليل رسمي يكشف أن تخفيف افتراض أخذ العينات المنتظم (الحالة 2) يستلزم دقة تقريب أعلى للتعويض عن انتشار الخطأ خلال الفترة بين العينات.
4. الكفاءة الحوسبية: إثبات أن استبدال التكامل العددي باستدلال المشغل العصبي يقلل بشكل كبير من زمن التأخير الحوسبي.

4. النتائج العددية

تم التحقق من صحة الطرق باستخدام ذراع روبوتية غير خطية مكونة من 6 وصلات (xArm6) مع تحكم في عزم الدوران متأخر.

• الإعداد: كان للنظام بُعد حالة يبلغ 12 (الموضع والسرعة لـ 6 وصلات) وتأخير $D=0.2s$. تم توليد بيانات التدريب باستخدام متنبئ عددي عالي الدقة.
• الأداء:
  • التتبع: نجحت كلا الطريقتين للمشغل العصبي في تتبع مسار مرجعي جيبي، بشكل يضاهي خط الأساس العددي عالي الدقة.
  • المتانة: تعاملت المتحكمات مع الضوضاء الغاوسية في القياسات، وفي الحالة الثانية، تعاملت مع فترات أخذ عينات عشوائية غير منتظمة.
  • السرعة: حققت المشغلات العصبية تسريعاً حوسبياً بمقدار 25 ضعفاً مقارنة بالمتنبئ العددي المرجعي.
    • استدلال المشغل العصبي: ~1 مللي ثانية (GPU).
    • التكامل العددي: ~25 مللي ثانية.

5. الأهمية

هذا العمل مهم لنشر أنظمة التحكم المتقدمة في الروبوتات الواقعية والأتمتة الصناعية حيث:

• التأخير أمر حرج: التسريع بمقدار 25 ضعفاً يجعل التغذية الراجعة التنبؤية قابلة للتطبيق في حلقات التحكم عالية التردد التي كانت محظورة سابقاً من الناحية الحوسبية.
• البيانات غير كاملة: القدرة على التعامل مع أخذ العينات غير المنتظم (الحالة 2) تجعل استراتيجية التحكم قوية ضد اضطراب الشبكة (network jitter)، أو انقطاع المستشعرات، أو الأجهزة غير المتزامنة.
• السلامة هي الأولوية: توفر الورقة ضمانات رياضية صارمة (حدود الاستقرار) للتحكم القائم على البيانات، مما يتجاوز مجرد استخدام "الصندوق الأسود" التجريبي إلى بنيات تحكم عصبية موثقة.

باختصار، نجحت الورقة في ترجمة القوة النظرية للتغذية الراجعة التنبؤية إلى إطار عمل عملي، فعال حوسبياً، وقوي للأنظمة غير الخطية ذات التأخير والقياسات المأخوذة بالعينات.