Model-Reference Compensator Synthesis for Uncertain Linear Systems Using Data-Driven Identified Plant Model

تخيل عالماً يجب أن تتعلم فيه الآلات التحرك بدقة، ومع ذلك فإن القواعد الدقيقة التي تحكم حركتها مخفية أو معقدة للغاية بحيث لا يمكن كتابتها بشكل مثالي. هذا هو الواقع اليومي للمهندسين الذين يصممون السيارات ذاتية القيادة، والروبوتات المستقلة، والطائرات المتقدمة. إنهم يواجهون معضلة أساسية: لبناء نظام تحكم يحافظ على مسار الآلة، يحتاجون عادةً إلى خريطة رياضية مثالية لكيفية سلوك تلك الآلة. ولكن في العالم الحقيقي، غالبًا ما يكون جمع بيانات كافية لإنشاء مثل هذه الخريطة المثالية أمرًا مستحيلاً، أو مكلفًا للغاية، أو ببساطة خطيرًا للغاية. إذا حاولت شركة مصنعة للسيارات اختبار كل ظروف الطريق الممكنة على طراز سيارة جديد لبناء محاكاة مثالية، فإن العملية ستستغرق سنوات وستكلف ثروة. وبناءً على ذلك، يعتمد المهندسون غالبًا على أنظمة "وكيلة" (proxy systems)—وهي نسخ مبسطة أو مختلفة قليلاً من الآلة الحقيقية—للتخمين بكيفية تصرف الآلة الفعلية. والمشكلة تكمن في أن هذه التخمينات نادراً ما تكون مثالية، وعندما يُبنى نظام التحكم على خريطة معيبة، يمكن للمركبة أن تنحرف عن مسارها أو تستجيب بشكل خطير للاهتزازات غير المتوقعة في الطريق.

التحدي إذن، هو إنشاء نظام تحكم يمكنه توجيه الآلة بدقة حتى عندما لا يمتلك المهندسون نموذجاً مثالياً لتلك الآلة، وعندما تتعرض الآلة لقوى غير معروفة، مثل هبات الرياح أو الأعطال الميكانيكية. هذا هو اللغز المحدد الذي يتصدى له فريق من الباحثين من جامعة الكويت، وجامعة بوردو، وجامعة سان دييغو ستيت، وSiCARRIER. لقد طوروا طريقة جديدة تسمح لنظام التحكم بالتعلم من بيانات محدودة من العالم الحقيقي مع الاعتماد بشكل كبير على نظام وكيل للحصول على معظم معلوماته. لا يتطلب نهجهم فهماً كاملاً للفيزياء الداخلية للآلة، بل يستخدم مزيجاً ذكياً من تحديد البيانات (data-driven identification) ومراقب متخصص—وهو أداة رياضية تعمل مثل المحقق، حيث تخمن باستمرار الحالة الخفية للآلة والقوى غير المرئية المؤثرة عليها—لإبقاء المركبة على مسارها المقصود.

ركز الباحثون على نوع محدد من المشكلات: توجيه نظام خطي، وهو ما يعني في الهندسة آلة يمكن وصف سلوكها بعلاقات الخط المستقيم، عبر مناورة محددة. ولاختبار فكرتهم، اختاروا سيناريو يعد حرجاً ومألوفاً في آن واحد: تغيير السيارة لمسارها. في دراستهم، قاموا بمحاكاة مركبة تسير بسرعة 1 قدرها 17.3 متر في الثانية. كان الهدف هو جعل هذه المركبة تنتقل بسلاسة من مسار إلى آخر، متبعةً مساراً دقيقاً، رغم أن المهندسين لم يمتلكوا المعادلات الرياضية الدقيقة لديناميكيات السيارة. وبدلاً من السيارة الحقيقية، استخدموا نظاماً "وكيلاً"—وهو توأم رقمي تم إنشاؤه عن طريق أخذ معايير السيارة الحقيقية وإضافة أخطاء عشوائية إليها. لم يكن هذا الوكيل نسخة مثالية؛ بل كان نسخة مشوهة قليلاً، تمثل نوع النماذج غير المثالية التي يضطر المهندسون للعمل بها في العالم الحقيقي.

ولسد الفجوة بين النظام الوكيل غير المثالي والسيارة الحقيقية، استخدم الفريق عملية تحديد تعتمد على البيانات. أجروا آلاف الاختبارات على النظام الوكيل وعدد أقل من الاختبارات على النظام الفعلي. ومن خلال مقارنة النتائج، تمكنوا من بناء "نموذج تصميم" أقرب بكثير إلى الواقع من النموذج الوكيل وحده. وقد عمل هذا النموذج كأساس لنظام التحكم الخاص بهم. ومع ذلك، فإن معرفة النموذج لم تكن كافية، لأن السيارة الحقيقية قد تتعرض لاضطرابات غير معروفة، مثل هبة ريح مفاجئة أو عطل في أحد المشغلات الميكانيكية. وللتعامل مع ذلك، صمم الباحثون "معوضاً مرجعياً للنموذج" (model-reference compensator). يعمل هذا الجهاز بجزأين: أولاً، يستخدم مراقباً للمدخلات المجهولة لتقدير الحالة الراهنة للسيارة—سرعتها، وزاويتها، وموقعها—حتى عندما تكون بعض المستشعرات مفقودة أو البيانات مشوشة. ثانياً، يستخدم هذا التقدير لحساب التوجيه والتسارع الدقيق اللازمين لإبقاء السيارة على المسار المطلوب، مما يلغي فعلياً آثار الاضطرابات غير المعروفة.

يكمن جوهر ابتكارهم في كيفية تركيب نظام التحكم هذا. لم يعتمدوا على التجربة والخطأ أو التقديرات الغامضة، بل استخدموا إطاراً رياضياً صارماً يعتمد على متباينات المصفوفات الخطية، وهي طريقة تسمح للمهندسين بحل مشكلات التحسين المعقدة لإيجاد أفضل إعدادات لنظام التحكم. لقد أثبتوا رياضياً أن نظامهم سيظل مستقراً، مما يعني أن الأخطاء بين مكان السيارة الفعلي ومكانها المفترض ستبقى ضمن حدود يمكن التنبؤ بها وآمنة، بغض النظر عن القوى المجهولة المؤثرة عليها. وقد أظهروا أنه حتى مع وجود عيوب في نموذجهم ووجود مدخلات غير معروفة، يمكن للنظام الحفاظ على السيطرة. وفي عمليات المحاكاة التي أجروها، نجحت السيارة في تنفيذ مناورة تغيير المسار، متتبعةً المسار المطلوب بدقة عالية.

كانت نتائج المحاكاة مذهلة. فعندما تعرضت السيارة لقوة خارجية مفاجئة وغير معروفة—تحاكي اضطراباً دفع المركبة بعيداً عن مسارها—قام نظام التحكم بالتعديل فوراً. لقد قدر حجم هذه القوة غير المعروفة وعوض عنها، مما أبقى السيارة على خطها المقصود. وأظهر الباحثون أن الخطأ في تتبع المسار والخطأ في تقدير الحالة الداخلية للسيارة بقيا محدودين وصغيرين. وفي أحد الاختبارات، تم ضبط المدخل المجهول على قيمة محددة لجزء من الرحلة ثم تغيرت، فتكيف نظام التحكم بسلاسة. وأظهر مسار المركبة، عند رسمه على خريطة، تحولاً مدروساً وسلساً من المسار الأصلي إلى المسار المستهدف، دون أي انحراف خطير أو فقدان للسيطرة. بل إن النظام تمكن من إعادة بناء المدخل المجهول، وكأنه "يرى" القوة غير المرئية التي تدفع السيارة ويأخذها في الحسبان في الوقت الفعلي.

ما يجعل هذا العمل مهماً بشكل خاص هو واقعيته. فلم يتطلب الباحثون نموذجاً مثالياً للسيارة، ولم يحتاجوا إلى قياس كل متغير داخل المركبة. لقد أثبتوا أنه من خلال الجمع بين نظام وكيل وعدد قليل من القياسات من العالم الحقيقي، من الممكن بناء نظام تحكم قوي يعمل في مواجهة عدم اليقين. يقدم هذا النهج مساراً جديداً للمهندسين الذين يحتاجون إلى نشر أنظمة تحكم متقدمة في بيئات تكون فيها البيانات شحيحة أو تكون ديناميكيات النظام معقدة للغاية بحيث لا يمكن نمذجتها بشكل مثالي. ومن خلال إثبات إمكانية تركيب نظام تحكم باستخدام بيانات المدخلات والمخرجات فقط، وإظهار نجاحه في محاكاة واقعية للمركبة، قدم الفريق مخططاً لجعل الأنظمة ذاتية القيادة أكثر موثوقية وأماناً. وتؤكد الدراسة أنه حتى مع المعرفة غير الكاملة بالآلة، من الممكن توجيهها بدقة، بشرط استخدام الأدوات الرياضية الصحيحة لسد الفجوة بين ما هو معلوم وما هو مجهول.