Funnel Control Under Hard and Soft Output Constraints (extended version)

Diese Arbeit stellt eine Funnel-Control-Methode für unsichere nichtlineare Euler-Lagrange-Systeme vor, die durch ein Online-Planungsschema zeitvariante harte und weiche Ausgangsbeschränkungen berücksichtigt und deren Wirksamkeit an einem mobilen Roboter demonstriert wird.

Das Wesentliche

Stellen Sie sich vor, Sie steuern einen autonomen Roboterwagen durch eine belebte Stadt. Ihre Aufgabe ist es, einem bestimmten Ziel zu folgen (vielleicht einem Freund, der vor Ihnen läuft), aber dabei zwei sehr wichtige Regeln einzuhalten:

1. Die harte Regel (Sicherheit): Der Wagen darf niemals gegen Mauern fahren oder in einen Fluss fallen. Er muss sich immer in einem sicheren, rechteckigen Bereich bewegen.
2. Die weiche Regel (Leistung): Der Wagen soll dem Freund so nah wie möglich folgen, ohne ihn zu berühren. Das ist das "perfekte" Verhalten.

Das Problem? Manchmal will der Freund genau dort hin, wo die Mauer ist. Wenn Sie nur auf das "perfekte" Folgen achten, krachen Sie in die Mauer. Wenn Sie nur auf die Mauer achten, laufen Sie vielleicht weit weg vom Freund.

Was dieses Papier vorschlägt, ist ein intelligenter "Verkehrspolizist" für Ihren Roboter.

Hier ist die einfache Erklärung der Lösung, basierend auf dem Text:

1. Der "Sicherheits-Planer" (Die Online-Funnel-Planung)

Stellen Sie sich vor, der Roboter hat eine unsichtbare Gummihülle um sich herum.

• Normalfall: Wenn der Freund sicher läuft, ist die Hülle eng und folgt ihm genau (weiche Regel).
• Konfliktfall: Wenn der Freund auf die Mauer zuläuft, passiert etwas Magisches. Die Gummihülle vergrößert sich automatisch in Richtung der Mauer, aber sie reißt niemals die Mauer ein (harte Regel).

Der Planer im Computer berechnet in Echtzeit diese Hülle. Er sagt: "Okay, der Freund ist in Gefahr. Wir ignorieren kurz die Regel 'halte Abstand zum Freund', damit wir die Regel 'keine Mauer' nicht verletzen." Sobald der Freund wieder sicher ist, zieht sich die Hülle sofort wieder eng zusammen.

Die Metapher: Stellen Sie sich einen Gummiball vor, der einen Ballon (den Freund) umschließt. Wenn der Ballon gegen eine Wand drückt, wird der Gummiball flach, aber er platzt nicht und lässt den Ballon nicht durch die Wand gehen. Sobald der Ballon weg ist, springt der Gummiball wieder in seine runde Form zurück.

2. Der "Robuste Fahrer" (Der Regler)

Sobald dieser flexible Plan (die "Hülle") steht, muss der Roboter ihn einhalten. Hier kommt die zweite Erfindung ins Spiel: ein modellsicherer Fahrer.

Normalerweise braucht ein Roboter eine genaue Landkarte und muss wissen, wie schwer er ist, wie stark der Wind weht oder ob die Räder rutschen. Das ist oft kompliziert und fehleranfällig.
Dieser neue Fahrer ist wie ein erfahrener Kellner, der auf einem wackeligen Schiff serviert.

• Er weiß nicht genau, wie stark das Schiff schlingert (unsichere Dynamik).
• Er weiß nicht genau, wie schwer die Tabletts sind (unbekannte Lasten).
• Aber er hat einen Gummizug in der Hand. Solange das Tablett innerhalb des Gummizugs bleibt, ist alles gut. Wenn das Tablett zu sehr wackelt, zieht er automatisch stärker nach, ohne dass er die genaue Physik des Schiffes berechnen muss.

Das macht den Roboter extrem robust gegen Störungen und Fehler, ohne dass er komplizierte Berechnungen anstellen muss.

3. Das Ergebnis (Die Simulation)

In dem Papier wird ein Roboterwagen simuliert, der einem sich bewegenden Objekt folgt.

• Ohne diese Technik: Der Roboter würde entweder gegen die Wand fahren (weil er dem Freund zu sehr folgt) oder den Freund komplett aus den Augen verlieren (weil er zu vorsichtig ist).
• Mit dieser Technik: Der Roboter hält sich immer im sicheren Bereich. Wenn der Freund in die Wand läuft, weicht der Roboter aus (verletzt die weiche Regel kurzzeitig), aber er bleibt sicher. Sobald der Weg frei ist, holt er den Freund sofort wieder ein.

Zusammenfassung in einem Satz

Dieses Papier entwickelt eine Methode, bei der ein Roboter immer sicher bleibt (wie ein Auto mit unverrückbaren Sicherheitsgürteln), aber gleichzeitig so gut wie möglich seine Aufgabe erfüllt (wie ein Sportwagen), indem es die Sicherheitsregeln dynamisch anpasst, wenn die Leistungsziele gefährlich werden.

Es ist wie ein kluger Co-Pilot, der sagt: "Wir müssen jetzt kurz langsamer werden und den Kurs ändern, um nicht zu krachen. Sobald die Gefahr vorbei ist, geben wir wieder Vollgas und holen den Vorsprung auf."

Technische Zusammenfassung

1. Problemstellung

Das Paper adressiert das Steuerungsproblem für unsichere, nichtlineare Euler-Lagrange-Systeme (z. B. mobile Roboter oder Roboterarme) unter der gleichzeitigen Berücksichtigung von harten (Safety) und weichen (Performance) Ausgangsbeschränkungen, die zeitvariabel sein können.

• Harte Beschränkungen: Stellen Sicherheitsanforderungen dar (z. B. ein Roboter darf einen bestimmten Bereich nicht verlassen). Diese müssen zu jedem Zeitpunkt strikt eingehalten werden.
• Weiche Beschränkungen: Stellen Leistungsanforderungen dar (z. B. das Verfolgen einer Referenztrajektorie mit einer bestimmten Genauigkeit). Diese sollen eingehalten werden, aber nur, solange sie nicht mit den harten Beschränkungen kollidieren.
• Herausforderung: In vielen Szenarien können harte und weiche Beschränkungen zeitweise in Konflikt geraten (inkompatibel). Herkömmliche Methoden wie Funnel Control (FC) oder Prescribed Performance Control (PPC) gehen oft von kompatiblen Beschränkungen aus. Methoden wie Control Barrier Functions (CBF) können dies handhaben, erfordern jedoch exakte Kenntnis der Systemdynamik und lösen oft komplexe Optimierungsprobleme (Quadratic Programs), was rechenintensiv ist.

Das Ziel ist es, einen modellfreien, robusten Regler zu entwerfen, der die Systemausgaben innerhalb eines „konfliktfreien Trichters" (Constraint Consistent Funnel, CCF) hält, der die harten Beschränkungen immer respektiert und weiche Beschränkungen nur dann verletzt, wenn dies unvermeidbar ist.

2. Methodik

Die vorgeschlagene Lösung besteht aus zwei Hauptkomponenten: einem Online-Planungsschema für den Trichter und einem darauf aufbauenden Regler.

A. Online-Planung des Konflikt-freien Trichters (Constraint Consistent Funnel Planning)

Anstatt die Ausgangsbeschränkungen statisch zu definieren, wird ein dynamischer Planungsprozess eingeführt, der für jeden Ausgang $x_i(t)$ einen Trichter mit den Grenzen $\rho^L_i(t)$ (untere) und $\rho^U_i(t)$ (obere) generiert.

• Logik:
  • Wenn harte und weiche Beschränkungen kompatibel sind, wird der Trichter so gewählt, dass beide erfüllt sind.
  • Wenn ein Konflikt auftritt (d. h. die weiche Beschränkung würde die harte verletzen), werden die Grenzen des Trichters so angepasst, dass die harten Beschränkungen priorisiert werden.
• Modifikationssignale: Es werden nichtnegative Signale $\phi^L_i(t)$ und $\phi^U_i(t)$ eingeführt, die durch eine Differentialgleichung gesteuert werden. Diese Signale erweitern den Trichter temporär in Richtung der harten Grenzen, wenn ein Konflikt droht.
  • Sobald der Konflikt gelöst ist, konvergieren diese Signale exponentiell gegen Null, und der Trichter erholt sich schnell wieder in Richtung der weichen Beschränkungen.
• Ergebnis: Der resultierende Trichter ist stetig (aber im Allgemeinen nicht glatt), was eine kontinuierliche Steuerung ermöglicht, ohne dass die Systemdynamik bekannt sein muss.

B. Regler-Design (Funnel-Based Controller)

Auf Basis des geplanten Trichters wird ein Regler nach dem Prinzip der Vorgeschriebenen Leistungsregelung (Prescribed Performance Control, PPC) entworfen.

• Ansatz: Der Regler ist modellfrei (benötigt keine Parameter von $M(x)$, $C(x,v)$, etc.) und robust gegenüber Störungen.
• Struktur:
  1. Normalisierung: Die Systemausgaben werden relativ zum geplanten Trichter normalisiert, sodass sie im Intervall $(-1, 1)$ liegen müssen.
  2. Transformation: Eine nichtlineare Transformation (logarithmische Funktion) bildet das beschränkte Intervall auf den gesamten reellen Raum ab.
  3. Steuergesetz: Ein einfacher Proportional-Regler (mit variabler Verstärkung) wird auf die transformierten Fehler angewendet. Dies garantiert, dass die transformierten Signale beschränkt bleiben, was äquivalent dazu ist, dass die tatsächlichen Ausgänge innerhalb des Trichters bleiben.
• Zweistufiges Design: Da es sich um Euler-Lagrange-Systeme handelt, wird das Design in zwei Schritten durchgeführt: erst die Regelung der Geschwindigkeit (Referenzgeschwindigkeit), dann die Regelung der Beschleunigung (Eingangsgröße $u$).

3. Wichtige Beiträge

1. Erstmalige Kombination: Dies ist die erste Arbeit, die harte und weiche zeitvariante Beschränkungen im Rahmen von Funnel-Control-Designs behandelt.
2. Modellfreiheit und Recheneffizienz: Im Gegensatz zu CBF-basierten Methoden, die oft Online-Optimierung und exakte Dynamikmodelle benötigen, ist der vorgeschlagene Ansatz modellfrei und erfordert keine Optimierung (Optimization-free). Dies macht ihn für Echtzeitanwendungen mit hoher Rechenlast geeignet.
3. Dynamische Konfliktlösung: Das vorgestellte Online-Planungsschema löst Konflikte zwischen Sicherheit und Leistung dynamisch und garantiert, dass die harten Grenzen nie verletzt werden, während weiche Grenzen so schnell wie möglich wiederhergestellt werden.
4. Stabilitätsnachweis: Es wird mathematisch bewiesen, dass alle Signale im geschlossenen Regelkreis beschränkt bleiben und die Systemausgaben für alle $t \geq 0$ innerhalb des geplanten Trichters verbleiben.

4. Ergebnisse und Simulation

Die Wirksamkeit des Ansatzes wurde an einem mobilen Roboter simuliert, der ein sich bewegendes Objekt verfolgen soll, während er sich in einem rechteckigen Sicherheitsbereich (Box-Constraint) bewegen muss.

• Szenario: Der Roboter muss eine Trajektorie verfolgen (weiche Beschränkung), die zeitweise außerhalb des Sicherheitsbereichs liegt.
• Ergebnisse:
  • Der Roboter hielt sich strikt innerhalb der harten Grenzen (Sicherheitsbereich).
  • Wenn die Verfolgung der Trajektorie die Sicherheitsgrenzen verletzt hätte, wurde die weiche Beschränkung automatisch verletzt, um die Sicherheit zu gewährleisten.
  • Sobald die Trajektorie wieder im Sicherheitsbereich lag, kehrte der Roboter schnell zur Verfolgung der weichen Beschränkung zurück.
  • Die Simulationen zeigten den Einfluss des Parameters $k_c$: Ein kleinerer Wert führt zu einer langsameren Erholung der weichen Beschränkungen und einem konservativeren Verhalten, während ein größerer Wert eine schnellere Erholung ermöglicht.

5. Bedeutung und Ausblick

Das Paper bietet einen wichtigen theoretischen und praktischen Fortschritt für die Regelung sicherheitskritischer Systeme. Es ermöglicht die Integration von Sicherheitsanforderungen in leistungsorientierte Regelungsstrategien, ohne auf komplexe, dynamikabhängige Optimierungsverfahren zurückgreifen zu müssen.

Zukünftige Arbeiten sollen sich auf die Verallgemeinerung des Ansatzes auf zeit- und ausgangsabhängige Beschränkungen sowie auf die Verbesserung des Planungsschemas hin zu einer exakten (statt exponentiellen) Wiederherstellung der weichen Beschränkungen konzentrieren.