⚡ electrical engineering

Data-Driven Reachability of Nonlinear Lipschitz Systems via Koopman Operator Embeddings

تقترح هذه الورقة إطار عمل للوصول يعتمد على البيانات يستفيد من تضمينات مؤثر كوبمان (Koopman operator embeddings) وتمثيلات المجموعات الزونوتوبية (zonotopic set representations) لرفع الأنظمة غير الخطية ذات خاصية ليبشيتز (Lipschitz systems) إلى نموذج خطي يعتمد على الحالة والمدخلات، مما يؤدي إلى توليد تقريبات مفرطة لمجموعات الوصول تكون أكثر إحكاماً وأقل تحفظاً بشكل ملحوظ مع الحفاظ على ضمانات السلامة الرسمية للأنظمة الروبوتية.

المؤلفون الأصليون: Alireza Naderi Akhormeh, Ahmad Hafez, Abdulla Fawzy, Amr Alanwar

نُشر 2026-04-02

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Alireza Naderi Akhormeh, Ahmad Hafez, Abdulla Fawzy, Amr Alanwar

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 تقود سيارة جديدة كلياً، ذاتية القيادة، عبر طريق جبلي متعرج وضبابي. أنت بحاجة لمعرفة: "إذا وجهت المقود بهذا الاتجاه، هل سأبقى على الطريق، أم سأصطدم؟"

للإجابة على هذا، يستخدم المهندسون شيئاً يسمى تحليل الوصول (Reachability Analysis). فكر في الأمر كأنك ترسم "فقاعة أمان" حول السيارة. هذه الفقاعة تمثل كل نقطة يمكن للسيارة أن تنتهي إليها خلال الثواني القادمة، مع مراعاة تأثير الرياح، والطرق الزلقة، وأخطاء التوجيه الطفيفة.

المشكلة: الفقاعة "الآمنة أكثر من اللازم"

تقليدياً، هناك طريقتان لرسم هذه الفقاعة:

الطريقة القائمة على النماذج (Model-Based): تحاول كتابة معادلة رياضية مثالية لكيفية حركة السيارة. لكن السيارات الحقيقية فوضوية، والمعادلة لا تكون مثالية أبداً، لذا لضمان السلامة، يجعل المهندسون الفقاعة ضخمة. الأمر يشبه رسم منطقة أمان تغطي الجبل بأكمله لمجرد التأكد من أنك لن تصطدم بشجرة. هي طريقة آمنة، لكنها متحفظة للغاية (فهي تقول "اصطدام!" بينما أنت في الواقع بخير).
الطريقة القائمة على البيانات (Data-Driven): بدلاً من كتابة المعادلات، تكتفي بمراقبة فيديوهات قيادة السيارة مسبقاً. تقول: "حسناً، بناءً على هذه الرحلات الماضية، إليكم أين يمكن أن تذهب السيارة". هذه الطريقة أفضل، ولكن بالنسبة للطرق المعقدة والمتعرجة (الأنظمة غير الخطية)، لا تزال الفقاعة تميل لأن تصبح كبيرة جداً وبسرعة كبيرة، خاصة إذا كانت البيانات مشوشة قليلاً (غير واضحة).

الحل: "المترجم السحري" (مؤثر كوبمان - Koopman Operator)

هذه الورقة البحثية تقدم خدعة ذكية باستخدام ما يسمى بـ مؤثر كوبمان (Koopman Operator).

إليك التشبيه:
تخ تخيل حركة السيارة كرقصة فوضوية. من الصعب التنبؤ بالخطوة التالية لأن الراقص يلتوي ويتحرك بطرق معقدة.

الطريقة القديمة: تحاول التنبؤ بالرقصة من خلال مراقبة أقدام الراقص مباشرة. الأمر فوضوي ويصعب معه تخمين الحركة التالية.
خدعة كوبمان: تضع نظارات خاصة (دالة الرفع - lifting function). من خلال هذه النظارات، لا تبدو الرقصة الفوضوية كالتواءات مشوشة؛ بل تبدو كخط مستقيم بسيط يمشي عبر المسرح.

مؤثر كوبمان هو تلك النظارات الخاصة. إنه يأخذ حركة السيارة غير الخطية والفوضوية و"يرفعها" إلى عالم ذي أبعاد أعلى حيث تصبح القواعد بسيطة وخطية (مثل الخط المستقيم).

كيف تعمل هذه الطريقة الجديدة (خطوة بخطوة)

الترجمة: يأخذ النظام بيانات من العالم الحقيقي (فيديوهات مشوشة لقيادة السيارة) ويستخدم الرياضيات لإيجاد "النظارات الخاصة" التي تحول حركات السيارة الفوضوية إلى نمط بسيط وخط مستقيم.
التنبؤ: في هذا "عالم الخط المستقيم"، من السهل جداً رسم فقاعة أمان ضيقة ودقيقة. ولأن القواعد بسيطة هنا، لا تحتاج الفقاعة لأن تكون ضخمة لضمان السلامة.
الترجمة العكسية: يقوم النظام بعد ذلك بأخذ تلك الفقاعة الضيقة وترجمتها مرة أخرى إلى العالم الحقيقي.
شبكة الأمان: بما أن "النظارات" ليست مثالية (هناك قدر ضئيل من خطأ الترجمة)، يضيف المؤلفون "وسادة خطأ" صغيرة (مجموعة متبقية - residual set) إلى الفقاعة. هذا يضمن أنه حتى لو لم تكن الترجمة مثالية بنسبة 100%، فإن فقاعة الأمان ستظل تغطي كل ما يمكن للسيارة القيام به.

لماذا يعد هذا أمراً هاماً؟

اختبر المؤلفون طريقتهم على سيارة سباق ذاتية القيادة حقيقية (JetRacer).

النتيجة: كانت "فقاعة كوبمان" الجديدة أكثر إحكاماً بكثير من الطرق القديمة.
التشبيه: تخيل أن الطرق القديمة كانت ترسم فقاعة أمان بحجم ملعب كرة قدم حول السيارة. أما الطريقة الجديدة فترسم فقاعة بحجم خيمة صغيرة. كلتا الطريقتين تحافظان على سلامة السيارة، لكن الطريقة الجديدة تسمح للسيارة بالقيادة بالقرب من حافة الطريق دون الاصطدام، مما يسمح بقيادة أسرع وأكثر كفاءة.

الملخص

تعلمنا هذه الورقة البحثية كيفية استخدام البيانات لبناء مترجم يحول فيزياء العالم الحقيقي المعقدة والفوضوية إلى رياضيات بسيطة وقابلة للتنبؤ. ومن خلال القيام بذلك، يمكننا التنبؤ بمكان ذهاب الروبوتات والسيارات ذاتية القيادة بدقة أعلى بكثير، مما يحافظ على سلامتها دون أن نكون مفرطين في الحذر. إنه الفرق بين تخمين مسار عبر غابة من خلال النظر إلى خريطة ضبابية، وبين استخدام نظام GPS عالي التقنية يرى المسار بوضوح.

فيما يلي ملخص تقني مفصل للورقة البحثية بعنوان: "الوصولية القائمة على البيانات للأنظمة غير الخطية الليبسيتزية عبر تضمينات مؤثر كوبمان" (Data-Driven Reachability of Nonlinear Lipschitz Systems via Koopman Operator Embeddings).

1. بيان المشكلة

تتناول الورقة البحثية تحدي التحقق من السلامة (safety verification) للأنظمة الروبوتية التي تعمل في بيئات ديناميكية وغير يقينية. وتستهدف تحديداً حساب المجموعات الواصلة (reachable sets) (وهي مجموعة جميع الحالات المستقبلية الممكنة) للأنظمة غير الخطية وغير الأفينية (non-affine) ذات الديناميكيات المجهولة وضجيج العمليات المحدود.

الفجوة: يتطلب التحقق التقليدي القائم على النماذج (model-based verification) ديناميكيات دقيقة للنظام، وهي غالباً ما تكون غير متوفرة للروبوتات المعقدة. توجد مناهج قائمة على البيانات، لكنها غالباً ما تعتمد على فرضيات الأنظمة الخطية الثابتة زمنياً (LTI) أو الانحدار الخطي البسيط، مما يؤدي إلى مجموعات وصول مفرطة في التحفظ (overly conservative) (أي تقريبات عليا كبيرة جداً لدرجة تجعلها غير مفيدة)، خاصة عبر آفاق تنبؤ طويلة.
الهدف: تطوير إطار عمل قائم على البيانات يوفر ضمانات سلامة رسمية (تقريبات عليا حتمية) مع تقليل التحفظ بشكل كبير مقارنة بالطرق الخطية الحالية المعتمدة على البيانات.

2. المنهجية

يجمع الإطار المقترح بين نظرية مؤثر كوبمان (Koopman operator theory) وتمثيلات المجموعات الزونوتوبية (zonotopic set representations) لرفع الديناميكيات غير الخطية إلى فضاء أعلى يعتمد على الحالة والمدخلات.

أ. تضمين مؤثر كوبمان (Koopman Operator Embedding)

بدلاً من نمذجة النظام غير الخطي $x_{k+1} = f(x_k, u_k) + w_k$ مباشرة، تقوم الطريقة برفع الحالة والمدخل إلى فضاء أعلى من الملحوظات (observables) باستخدام دالة الرفع $\psi(x_k, u_k)$ .

الرفع المعتمد على الحالة والمدخل: على عكس طرق كوبمان القياسية التي تفترض غالباً أنظمة ذاتية (غير مدفوعة) أو هياكل أفينية بسيطة، تستخدم هذه الورقة دوال رفع تعتمد صراحةً على كل من الحالة $x$ والمدخل $u$ . وهذا يسمح بتمثيل خطي أكثر دقة للديناميكيات غير الأفينية غير الخطية.
الديناميكيات الخطية في الفضاء المرفوع: في الفضاء المرفوع، يتم تقريب الديناميكيات كأنها خطية:
$z_{k+1} = A z_k + B \nu(x_k, u_k) + \text{residuals}$
حيث تمثل $z$ الإحداثيات المرفوعة.

ب. التحديد القائم على البيانات (Data-Driven Identification)

يتم تحديد مصفوفات مؤثر كوبمان ( $A$ و $B$ ) مباشرة من بيانات المسارات (المدخل-الحالة) المشوشة باستخدام انحدار المربعات الصغرى (Least Squares - LS).

تستخدم الطريقة مبادئ تحليل التفكك الديناميكي الموسع (EDMD) لإيجان المؤثر دون الحاجة إلى نموذج تحليلي صريح لـ $f$ .

ج. التعامل مع عدم اليقين والأخطاء

لضمان الضمانات الرسمية (أن المجموعة الواصلة الحقيقية تقع ضمن المجموعة المحسوبة)، يقوم الإطار بضبط أربعة مصادر للخطأ بدقة:

ضجيج العمليات ( $w_k$ ): محصور ضمن "زونوتوب" ضجيج معروف. يتم رفع الضجيج إلى فضاء الملحوظات باستخدام ثابت ليبسيتز لدالة الرفع.
خطأ التخطي/الخطية ( $\bar{L}_k$ ): بما أن الديناميكيات المرفوعة يتم تقريبها عبر مفكوك تايلور حول نقطة خطية، يتم حساب الحد المتبقي باستخدام "هيسيان" (Hessian) الديناميكيات غير الخطية.
بواقي نمذجة كوبمان ( $L_k$ ): يتم حساب الخطأ بين النموذج الخطي المتعلم والديناميكيات المرفوعة الحقيقية عن طريق تجميع أخطاء التنبؤ متعددة الخطوات عبر جميع مسارات التدريب المتاحة.
خطأ نصف قطر التغطية ( $Z_\epsilon$ ): للتعميم من مجموعة البيانات المحدودة إلى كامل النطاق الواصل، تستخدم الطريقة حجة نصف قطر التغطية (covering radius argument). حيث تفترض أن مجموعة البيانات كثيفة بما يكفي بحيث أن أي حالة في المجموعة الواصلة لها نقطة بيانات قريبة ضمن مسافة $\delta$ ، وهي محصورة بواسطة ثابت ليبسيتز للنظام.

د. حساب الوصولية (Reachability Computation)

تسير الخوارزمية كما يلي:

الرفع (Lift): تحويل مجموعة الحالة الأولية (الزونوتوب) إلى الفضاء المرفوع.
الانتشار (Propagate): تطوير الزونوتوبات المرفوعة عبر الديناميكيات الخطية المحددة، مع إضافة مجموعات الخطأ المحدودة (الضجيج، خطأ التخطي، بواقي النمذجة) عند كل خطوة باستخدام مجموع مينكوفسكي (Minkowski sums).
الإسقاط (Project): إسقاط المجموعات الواصلة المرفوعة الناتلة إلى فضاء الحالة الأصلي.
الدمج (Combine): إضافة مجموعة نصف قطر التغطية إلى المجموعة المسقطة لضمان أن النتيجة النهائية هي تقريب علوي صالح للنظام غير الخطي الحقيقي.

3. المساهمات الرئيسية

إطار عمل مبتكر: تقديم إطار عمل لتحليل الوصولية للأنظمة غير الخطية الليبسيتزية غير الأفينية باستخدام تضمينات كوبمان المعتمدة على الحالة والمدخل.
دقة محسنة: تطوير استراتيجية رفع تتفوق على نماذج كوبمان الخطية (LTI) وطرق الانحدار الخطي من خلال التقاط التفاعلات غير الخطية بين الحالات والمدخلات بشكل أكثر فعالية.
ضمانات رسمية: تقديم برهان صارم بأن المجموعات الواصلة المحسوبة هي تقريبات عليا تضمن سلوك النظام الحقيقي، مع مراعاة ضجيج العمليات، وأخطاء التعلم، وندرة البيانات.
القابلية للتوسع: يتيح استخدام الزونوتوبات (Zonotopes) انتشار المجموعات بكفاءة حسابية، مما يجعل الطريقة قابلة للتوسع للأنظمة ذات الأبعاد العالية وآفاق زمنية طويلة.

4. النتائج والتقييم

قام المؤلفون بالتحقق من صحة الطريقة من خلال ثلاث سيناريوهات متميزة:

المثال 1: مفاعل الخزان ذو التحريك المستمر (CSTR): نظام أفيني منفصل زمنياً. أنتجت الطريقة المقترحة مجموعات واصلة أكثر إحكاماً بشكل ملحوظ من أداة CORA (أداة قائمة على النماذج) وطرق المربعات الصغرى (LS) القياسية القائمة على البيانات، لا سيما عبر الآفاق الطويلة.
المثال 2: نظام غير أفيني غير خطي: نظام ذو ديناميكيات غير أفينية معقدة (حدود أسية وازدواج بين المدخل والحالة). حافظت الطريقة المقترحة على حدود ضيقة حيث أصبحت طريقة LS شديدة التحفظ بشكل مفرط.
المثال 3: مركبة ذاتية القيادة في العالم الحقيقي: أُجريت تجارب على روبوت سباق JetRacer.
- الإعداد: تم تتبع موقع المركبة واتجاهها باستخدام مستشعرات مشوشة.
- النتيجة: حقق النهج القائم على كوبمان تقريبات عليا للمجموعات الواصلة كانت أكثر إحكاماً بشكل كبير مقارنة بمرجع LS. وهذا يثبت قدرة الطريقة على التعامل مع الضجيج الحقيقي والديناميكيات المعقدة دون نموذج فيزيائي صريح.

الأدلة المرئية: تؤكد الأشكال الواردة في الورقة (الشكل 2، 3، و5) بصرياً أن المجموعات الواصلة "القائمة على كوبمان" (التي تظهر غالباً كأشكال مضلعة أكثر إحكاماً) تحيط بـ "المجموعات الواصلة الدقيقة" (الناتجة عن المحاكاة العشوائية) بشكل أكثر إحكاماً بكثير من مجموعات "LS" أو "القائمة على النماذج"، والتي تميل إلى التضخم في الحجم بمرور الوقت.

5. الأهمية

تجسر هذه الورقة الفجوة بين تحديد الأنظمة القائم على البيانات والتحقق الرسمي من السلامة.

التطبيقات الحرجة للسلامة: تتيح نشر الأنظمة ذاتية القيادة في بيئات غير يقينية حيث لا تتوفر نماذج دقيقة، مما يوفر ضمانات سلامة مثبتة رياضياً.
تقليل التحفظ: من خلال تقليل "التحفظ" (الفجوة بين المجموعة الآمنة المتوقعة والمجموعة الواصلة الفعلية)، تسمح الطريقة باستراتيجيات تحكم أكثر عدوانية وكفاءة دون المساس بالسلامة.
القابلية للتعميم: النهج قابل للتطبيق على فئة واسعة من الأنظمة غير الخطية (الليبسيتزية المستمرة) ولا يشترط أن يكون النظام أفينياً بالنسبة للتحكم، مما يجعله ذا صلة وثيقة بالروبوتات الحديثة والمركبات ذاتية القيادة.

باختصار، تقدم الورقة طريقة قوية، وقابلة للتوسع، وسليمة نظرياً للتنبؤ بالسلوك المستقبلي للروبوتات غير الخطية المعقدة باستخدام البيانات المقاسة فقط، مع ضمان السلامة من خلال حدود رياضية صارمة.