Distributed Observer-based Fault Detection over Intelligent Networked Multi-Vehicle Systems

ملخص تقني: مراقب موزع قائم على الكشف عن الأخطاء في أنظمة المركبات الشبكية الذكية متعددة المركبات

صياغة المشكلة
تتناول هذه الورقة تحدي تقدير الحالة والكشف عن الأخطاء في أنظمة النقل الذكية (ITS) ذات الحركة المرورية المختلطة، والتي تتكون من مركبات ذاتية القيادة متصلة (CAVs) ومركبات يقودها بشر (HDVs). تتمثل المشكلة الجوهرية في محاولة مجموعة من المركبات ذاتية القيادة (CAVs) تتبع الحالة العالمية (المواقع والسرعات) لمجموعة من المركبات التي يقودها بشر (HDVs) باستخدام قياسات استشعار محلية جزئية فقط. وثمة قيد حرج يتمثل في أن أي مركبة ذاتية القيال (CAV) بمفردها لا تمتلك مجموعة قياسات محلية كافية لجعل نظام المركبات البشرية (HDV) قابلاً للملاحظة بالكامل (أي لا يوجد قابلية ملاحظة محلية لـ $(A, C_i)$). علاوة على ذلك، يجب أن يعمل النظام دون وحدة معالجة مركزية، بالاعتماد بدلاً من ذلك على الاتصال الموزع. ويبرز تحدٍ إضافي كبير يتمثل في احتمال وجود أخطاء في المستشعرات، أو انحيازات، أو هجمات سيبرانية (مثل حقن البيانات الزائفة) على المركبات ذاتية القيادة، مما قد يؤدي إلى إفساد عملية التقدير الموزعة ويؤدي إلى تتبع خاطئ عبر الشبكة.

المنهجية
يقترح المؤلفون إطار عمل موزعاً ذا مرحلتين: مراقب موزع أحادي المقياس الزمني لتقدير الحالة، وآليات محلية للكشف عن الأخطاء وعزلها (FDI) بناءً على تحليل البواقي (residuals).

1. تصميم المراقب الموزع:
   تقدم الورقة مراقباً موزعاً حيث تقوم كل مركبة ذاتية القيادة $i$ بتقدير الحالة العالمية $x_k$ لجميع المركبات البشرية. يعمل المراقب في خطوتين:

• التنبؤ: تقوم المركبات ذاتية القيادة بخطوة توافق (consensus) على التقديرات المسبقة باستخدام مصفوفة توافق صفية عشوائية $W$ مشتقة من طوبولوجيا شبكة الاتصال $\mathcal{G}$.
• تحديث الابتكار: تقوم المركبات بتحديث تقديراتها باستخدام القياسات المحلية والمعلومات المشتركة من الجيران.
  ومن الأهمية بمكان أن هذا المراقب هو أحادي المقياس الزمني، مما يعني أنه ينفذ خطوة توافق واحدة فقط بين الخطوات الزمنية المتتالية لديناميكيات النظام ($k$ و $k+1$). وهذا يتناقض مع النهج الحالية متعددة المقاييس الزمنية التي تتطلب حلقات توافق داخلية متعددة ($L$ من الخطوات) بين تحديثات النظام، مما يقلل من الأعباء الاتصالية والحسابية. تعتمد استقرارية المراقب على القابلية الموزعة للملاحظة، والتي تُعرف بقابلية ملاحظة الزوج $(W \otimes A, D_C)$، حيث $D_C$ هي مصفوفة ملاحظة مشتركة. يتطلب هذا الشرط أن تكون شبكة المركبات ذاتية القيادة متصلة بقوة، لكنه لا يتطلب قابلية ملاحظة محلية عند أي عقدة فردية.

2. الكشف عن الأخطاء وعزلها (FDI):
   تقترح الورقة استراتيجيات محلية لـ FDI تكشف عن الشذوذ في قياسات المستشعرات دون تنسيق مركزي. تم تطوير نوعين من المنطق:

• الكشف غير المرتبط بالحالة (Stateless Detection): يعتمد على البواقي اللحظية ($r_k = |y_k - \hat{y}_k|$). وتُتخذ القرارات فوراً بناءً على قيمة الباقي الحالية.
• الكشف المرتبط بالحالة (Stateful Detection): يعتمد على تاريخ البواقي عبر نافذة زمنية منزلقة $T$. يستخدم هذا النوع مقياس مسافة (مجموع مربعات البواقي) يتبع توزيع "كاي تربيع" (Chi-square) لدمج المعلومات الزمنية، مما يقلل من الحساسية تجاه طفرات الضوضاء العابرة.

ويتمثل التقدم المنهجي الرئيسي في استخدام التصميم الاحتمالي للعتبات بدلاً من الحدود الحتمية. حيث يتم اشتقاق العتبات من الخصائص الإحصائية لتباين خطأ التقدير وإحصاءات الضوضاء (بافتراض الضوضاء الغاوسية)، مما يسمح بحساب معدلات الإنذار الكاذب (FAR). يتم تصميم مصفوفة الكسب $K$ عبر متباينات المصفوفات الخطية (LMIs) لضمان أن الباقي عند المستشعر المعيب يكون أكبر بشكل ملحوظ منه عند المستشعرات المجاورة، مما يتيح عملية العزل.

المساهمات الرئيسية

• القابلية الموزعة للملاحظة دون افتراضات محلية: يثبت هذا العمل أن المركبات ذاتية القيادة يمكنها تتبع حالات المركبات البشرية عالمياً حتى عندما لا تستطيع أي مركبة ذاتية قيادة ملاحظة النظام محلياً، بشرما كانت الشبكة متصلة بقوة وتحقق شرط القابلية الموزعة للملاحظة.
• كفاءة المقياس الزمني الواحد: يلغي المراقب المقترح الحاجة إلى حلقات توافق داخلية، مما يوفر حلاً أكثر كفاءة من حيث الحوسبة والاتصال مقارنة بالطرق متعددة المقاييس الزمنية الموجودة في الأدبيات السابقة.
• FDI احتمالي: تقدم الورقة عتبات احتمالية للكشف عن الأخطاء، وهو أمر أكثر واقعية لتطبيقات أنظمة النقل الذكية من العتبات الحتمية، لأنه لا يفترض أن الضوضاء ذات دعم محدود. كما توفر صيغاً صريحة لمعدلات الإنذار الكاذب (FAR) بناءً على احتمالات الكشف.
• العزل المحلي: تتيح الاستراتيجية لكل مركبة ذاتية القيادة اكتشاف وعزل المستشعرات المعيبة في جوارها بشكل مستقل، مما يمنع انتشار الخطأ عبر الشبكة.

النتائج
تتحقق الورقة من صحة الطرق المقترحة من خلال عمليات محاكاة تشمل شبكات حركة مرورية مختلطة:

• أداء المراقب: في سيناريو (4 مركبات ذاتية قيادة / 4 مركبات بشرية)، نجح المراقب الموزع في تتبع مواقع وسرعات المركبات البشرية، محققاً التوافق رغم القياسات الجزئية.
• القابلية للتوسع: في محاكاة واسعة النطاق (25 مركبة ذاتية قيادة، 25 مركبة بشرية)، أظهر المراقب المقترح أحادي المقياس الزمني خطأً في متوسط المربعات (MSE) أقل، وانخفاضاً كبيراً في الأعباء الحسابية والاتصالية مقارنة بمراقب متعدد المقاييس الزمنية ذي حلقات التوافق الداخلية (حيث $L=7, 10, 15$).
• الكشف عن الأخطاء: أظهرت عمليات المحاكاة مع حقن أخطاء المستشعرات (الانحيازات) أن استراتيجيات FDI (سواء غير المرتبطة بالحالة أو المرتبطة بالحالة) يمكنها اكتشاف وعزل الأخطاء.
  • حقق الكشف المرتبط بالحالة مع نافذة منزلقة ($T=15$) معدل إنذار كاذب (FAR) أقل من 0.3%، مما أظهر موثوقية عالية ضد الإنذارات الكاذبة مقارنة بالنهج غير المرتبط بالحالة.
  • ظلت الطرق فعالة حتى في ظل ظروف الضوضاء وعدم اليقين الكبيرة، وإن كانت عتبات الكشف قد ارتفعت، مما أدى إلى زيادة معدلات الإنذار الكاذب في سيناريوهات الضوضاء القصوى.

الأهمية والادعاءات
يزعم المؤلفون أن هذا العمل يسد فجوة في الأدبيات المتعلقة بالكشف عن الأخطاء القائم على المراقب الموزع لتتبع الحركة المرورية المختلطة. وتكمن الأهمية في تمكين صنع القرار اللامركزي للسلامة والأمن في أنظمة المرور غير المتجانسة. ومن خلال إزالة الاعتماد على معالج مركزي وافتراضات الملاحظة المحلية، يعزز هذا النهج من القابلية للتوسع والمرونة. كما تم تسليط الضوء على الطبيعة الاحتمالية لـ FDI كنهج أكثر واقعية لأنظمة النقل في العالم الحقيقي حيث لا تكون الضوضاء محدودة بدقة. وتخلص الورقة إلى أن هذه الاستراتيجيات اللامركزية تحسن موثوقية وسلامة أنظمة النقل الذكية من خلال السماح للمركبات بالتعاون لتقدير الحالات وتحديد المستشعرات المخترقة محلياً، مما يمنع الانهيارات المتتالية. وتشمل اتجاهات البحث المستقبلية التي تم تحديدها تصميم مراقب مقاوم للتأخير، وتصميم شبكة مرنة (شبكات قابلة للبقاء)، ودمج طرق FDI هذه مع استراتيجيات التحكم التعاوني.