⚡ electrical engineering

Data-driven invariant set for nonlinear systems with application to command governors

Dieses Paper schlägt ein neuartiges datengesteuertes Framework vor, das positive invariante Mengen für unmodellierte nichtlineare Systeme unter Verwendung von Summe-der-Quadrate-Lyapunov-ähnlichen Funktionen und linearer Programmierung synthetisiert, was das Design robuster Command-Governor ermöglicht, die trotz Anlagenunsicherheit Beschränkungen erzwingen.

Ursprüngliche Autoren: Ali Kashani, Claus Danielson

Veröffentlicht 2026-06-16

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Ali Kashani, Claus Danielson

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie fahren ein Auto, das über einen sehr geschickten, aber etwas „blinden“ Autopiloten verfügt. Dieser Autopilot weiß zwar, wie er das Auto stabil hält und einem allgemeinen Pfad folgt, aber er kennt nicht die spezifischen Verkehrsregeln (wie das Einhalten von Fahrstreifenmarkierungen) oder die exakte Physik, wie das Auto auf jede mögliche Kurve reagiert. Sie möchten einen „Sicherheitswächter“ hinzufügen, der den Autopiloten beobachtet und dessen Befehle sanft korrigiert, um sicherzustellen, dass das Auto niemals abstürzt oder die Straße verlässt, ohne dabei den Autopiloten auszuschalten und von vorne zu beginnen.

Dieses Paper präsentiert einen neuen Weg, diesen Sicherheitswächter für komplexe, unvorhersehbare Systeme (wie Roboter oder selbstfahrende Autos) aufzubauen, indem man Daten verwendet anstatt komplexer mathematischer Modelle.

Hier ist die Aufschlüsselung ihres Ansatzes unter Verwendung alltäglicher Analogien:

1. Das Problem: Die „Black Box“ und das „Sicherheitsnetz“

In vielen realen Maschinen besitzen wir keine perfekte mathematische Formel, die exakt beschreibt, wie sie sich bewegen. Wir haben vielleicht eine Steuerung, die gut funktioniert, aber wir wissen nicht, warum sie funktioniert oder ob sie in einer neuen Situation gegen die Regeln verstößt.

Das Ziel: Einen „Command Governor“ (CG) zu erstellen. Denken Sie an dies als einen Co-Piloten, der neben dem Hauptfahrer sitzt. Der Hauptfahrer versucht, dorthin zu fahren, wo er hin möchte, aber der Co-Pilot prüft: „Wenn du dorthin fährst, werden wir gegen eine Wand prallen?“ Wenn ja, korrigiert der Co-Pilot das Lenkrad leicht, um uns sicher zu halten, und lässt dann den Hauptfahrer wieder übernehmen.
Die Herausforderung: Normalerweise muss man, um einen solchen Co-Piloten zu bauen, eine perfekte Karte des Geländes besitzen (ein mathematisches Modell). Wenn man diese Karte nicht hat oder wenn die Karte falsch ist, könnte der Co-Pilot schlechte Vermutungen anstellen.

2. Die Lösung: Lernen aus „Sicheren Fahrten“

Anstatt zu versuchen, eine perfekte Karte zu schreiben, sagen die Autoren: „Lassen Sie uns einfach beobachten, was passiert, wenn wir das Auto mit verschiedenen, konstanten Lenkwinkeln fahren.“

Die Daten: Sie fahren das System mit einem festen Befehl (z. B. „leicht nach links lenken“) und zeichnen den Pfad auf. Dies tun sie für viele verschiedene Befehle.
Die „Sicherheitszone“ (Invarianter Satz): Für jeden spezifischen Befehl suchen sie in den Daten nach einer „Sicheren Blase“. Wenn sich das Auto innerhalb dieser Blase befindet und man diesen spezifischen Befehl nutzt, wird das Auto für immer innerhalb der Blase bleiben. Es ist wie ein Kraftfeld, das das Auto sicher hält.
Der magische Trick: Sie kombinieren all diese einzelnen „Sicheren Blasen“ (eine für jeden Befehl) zu einem einzigen, großen, flexiblen „Zulässigen Satz“. Dieser Satz sagt dem Co-Piloten: „Solange sich das Auto in dieser großen Form befindet und Sie einen Befehl aus dieser Liste wählen, sind wir sicher.“

3. Die Mathematik: Ein Puzzle in eine einfache Checkliste verwandeln

Normalerweise ist das Bestimmen dieser „Sicheren Blasen“ für komplexe, nichtlineare Systeme wie der Versuch, ein 1.000-Teile-Puzzle zu lösen, bei dem sich die Teile ständig verändern. Dies erfordert schwere, langsame Computerberechnungen (genannt Semi-Definite Programming).

Die Innovation: Die Autoren haben einen Weg gefunden, dies zu vereinfachen. Sie verwendeten eine Technik namens „Lifting“ (stellen Sie sich vor, man nimmt einen 2D-Schatten und streckt ihn in 3D aus, um die Form besser zu sehen) und verwandelten das schwierige Puzzle dann in eine einfache Checkliste (Linear Programming).
Warum es wichtig ist: Dies macht die Berechnung schnell genug, um sie offline (bevor das Auto überhaupt startet) durchzuführen, sodass das Sicherheitssystem sofort einsatzbereit ist.

4. Umgang mit Unsicherheit: Die „Fuzzy“ Sicherheitsmarge

Da sie aus Daten lernen, kann es Lücken geben. Vielleicht sind sie 100 Mal mit dem Auto gefahren, aber es gibt einen Punkt auf der Straße, den sie nie befahren haben. Was passiert, wenn das Auto dort seltsam reagiert?

Die Lösung: Sie verwenden eine „Lipschitz“-Eigenschaft (eine schicke Art zu sagen: „Das Auto kann nicht teleportieren oder die Geschwindigkeit instantan ändern“). Sie berechnen eine Sicherheitsmarge basierend darauf, wie nah ihre Datenpunkte beieinander liegen. Wenn die Daten dicht sind (viele Punkte), ist die Sicherheitsmarge klein. Wenn die Daten spärlich sind, verkleinern sie die „Sichere Blase“, um besonders vorsichtig zu sein. Dies stellt sicher, dass das System selbst dann robust ist und nicht versehentlich gegen die Regeln verstößt, wenn die Mathematik nicht perfekt ist.

5. Tests in der realen Welt

Sie haben diese Idee auf zwei Arten getestet:

Eine einfache Feder: Sie verwendeten ein Standard-Physiksystem, bei dem sie die Antwort kannten. Sie verglichen ihre datengesteuerte „Sichere Blase“ mit der perfekten mathematischen Antwort. Sie war fast identisch, was beweist, dass ihre Methode funktioniert.
Ein selbstfahrendes Auto: Sie simulierten ein Auto, das versucht, in seiner Spur zu bleiben. Das Auto hatte eine interne Steuerung (den Fahrer), die gut, aber nicht perfekt war.
- Ohne den Wächter: Das Auto geriet aus der Spur.
- Mit ihrem datengesteuerten Wächter: Das Auto blieb perfekt in seiner Spur, selbst wenn sich die Geschwindigkeit änderte oder die Straße schwierig wurde. Es performte genauso gut, als hätten sie das perfekte mathematische Modell verwendet, aber ganz ohne das Modell selbst zu benötigen.

Zusammenfassung

Das Paper sagt: „Versuchen Sie nicht, eine perfekte Lehrbuchbeschreibung darüber zu schreiben, wie sich ein Roboter bewegt. Beobachten Sie stattdessen, wie er sich bewegt, finden Sie die ‚Sicheren Zonen‘ für verschiedene Befehle mithilfe von Daten und bauen Sie einen Sicherheitswächter, der den Roboter innerhalb dieser Zonen hält. Wir haben einen schnellen, zuverlässigen Weg gefunden, dies zu tun, selbst wenn der Roboter unvorhersehbar ist.“

Dies ermöglicht es Ingenieuren, Sicherheitsfunktionen zu bestehenden, komplexen Systemen hinzuzufügen, ohne das gesamte System von Grund auf neu aufbauen oder jedes winzige Detail seiner Physik verstehen zu müssen.

Technische Zusammenfassung: Datengesteuerte invariante Menge für nichtlineare Systeme mit Anwendung auf Command Governor

Problemstellung
Sicherheitskritische Cyber-Physische Systeme, wie etwa autonome Fahrzeuge oder Industrieroboter, müssen innerhalb strenger Zustandsbeschränkungen operieren. Während bestehende Regler (z. B. PID oder LQR) häufig Stabilität und Referenzverfolgung handhaben, garantieren sie unter Umständen keine Einhaltung von Beschränkungen, insbesondere wenn die Systemdynamik unmodelliert, komplex oder unsicher ist. Den Austausch dieser Regler durch eine modellprädiktive Regelung (MPC) zu versuchen, ist oft unerwünscht, da dies den Verlust der abgestimmten Legacy-Regler und die Anforderung eines exakten Systemmodells zur Folge hätte. Command Governor (CG) bieten eine Alternative als ein Outer-Loop-Regler, der das Referenzsignal anpasst, um die Einhaltung von Beschränkungen zu gewährleisten, ohne den Inner-Loop-Regler neu entwerfen zu müssen. Die Synthese eines CG für unmodellierte nichtlineare Systeme ist jedoch eine Herausforderung. Traditionelle Methoden beruhen auf der Berechnung kontrollierter invarianter Mengen (Controlled Invariant Sets, CI), was oft die Lösung schwer zu bewältigender, nicht-konvexer Optimierungsprobleme erfordert oder von einem bekannten Systemmodell abhängt. Rein datengesteuerte Ansätze, die versuchen, invariante Mengen direkt zu lernen, haben hingegen oft mit dem „Fluch der Dimensionalität“ zu kämpfen und bieten aufgrund endlicher Daten und Plant-Unsicherheit keine formalen Garantien für Invarianz.

Methodik
Das Paper schlägt einen direkten datengesteuerten Ansatz zur Synthese positiver invarianter Mengen (Positive Invariant Sets, PI) für unmodellierte nichtlineare Systeme vor, die anschließend zu einer CI-Menge aggregiert werden, um in einem Command Governor verwendet zu werden. Die Methodik verläuft wie folgt:

Problemformulierung via PI-Mengen: Anstatt direkt eine komplexe CI-Menge für das gesteuerte System zu berechnen, dekomponieren die Autoren das Problem. Sie nehmen eine Menge konstanter Kommandos $\bar{r}$ an. Für jedes konstante Kommando wird das System zu einem autonomen System. Die Autoren berechnen eine PI-Menge $O(\bar{r})$ für jede dieser autonomen Dynamiken. Die Vereinigung dieser PI-Mengen bildet eine CI-Menge für das ursprüngliche gesteuerte System. Dies reduziert die CG-Synthese auf ein ganzzahliges Programm, das das nächstgelegene konstante Kommando $\bar{r}$ auswählt, sodass der aktuelle Zustand innerhalb der entsprechenden PI-Menge liegt.
Funktionale Synthese mit Basisfunktionen: Um die PI-Mengen $O(\bar{r})$ zu berechnen, stellen die Autoren diese als Sub-Level-Sets einer Lyapunov-ähnlichen Funktion $V(x; \bar{r}) \leq 1$ dar. Sie parametrisieren diese Funktion unter Verwendung einer Kombination aus vorab ausgewählten Basisfunktionen $\phi(x)$ (z. B. Thin-Plate Splines oder neuronale Netzwerk-Features) und einer positiv definiten Matrix $P$ . Die Funktion wird so konstruiert, dass sie Bedingungen erfüllt, die sicherstellen, dass die Menge innerhalb der Beschränkung liegt und die Funktion entlang der Systemtrajektorien abnimmt (oder beschränkt bleibt).
Datengesteuerte semidefiniten Programmierung (SDP):
- Gleichgewichtsauximation: Da das wahre Gleichgewicht $x_\infty(\bar{r})$ unbekannt ist, wird es durch den Ensemble-Mittelwert der Endzustände von Trajektorien approximiert, die durch konstante Kommandos erzeugt wurden.
- Robustheit via Lipschitz-Eigenschaften: Um die Unsicherheit durch endliche Daten und das Fehlen eines Modells zu handhaben, nutzen die Autoren die Lipschitz-Stetigkeit der Systemdynamik ( $L_f$ ) und der Basisfunktionen ( $L_\phi$ ). Sie leiten einen „Verengungs-Term“ (Tightening Term) $\epsilon_k$ ab, der auf der Datendichte (Hausdorff-Distanz zwischen der Beschränkung und den Daten) und den Lipschitz-Konstanten basiert.
- Optimierung: Das Syntheseproblem wird als ein semidefinites Programm (SDP) formuliert, das das Volumen der invarianten Menge minimiert (indem ein Integral der Lyapunov-Funktion minimiert wird), unter Einhaltung von Nebenbedingungen, die die Invarianz auf den Stichprobenpunkten sicherstellen, angepasst durch den Robustheits-Term $\epsilon_k$ .
Kompetente Rechenbarkeit: In Anerkennung dessen, dass SDPs für hochdimensionale Systeme rechenintensiv sind, schlagen die Autoren eine Relaxationstechnik vor. Sie approximieren die Lösung der Matrix $P$ als Linearkombination fester positiver definiter Matrizen. Dies transformiert das SDP in ein Lineares Programm (LP), was die Rechenkomplexität erheblich reduziert, während die beweisbaren Invarianzgarantien erhalten bleiben.

Wichtigste Ergebnisse
Das Paper validiert den Ansatz anhand zweier Beispiele:

Illustratives lineares Beispiel: Ein LTI-System (Linear Time-Invariant) mit unterdämpfter Dynamik und polytopen Beschränkungen wurde verwendet. Der datengesteuerte CG wurde gegen einen CG verglichen, der mittels einer modellbasierten Methode unter Verwendung der wahren maximal zulässigen Menge (Maximal Admissible Set) synthetisiert wurde. Die Ergebnisse zeigten, dass der datengesteuerte CG die Beschränkungen erfolgreich durchsetzte und eine Leistung nahe am optimalen modellbasierten CG erreichte, obwohl kein Zugriff auf das Systemmodell bestand.
Autonome Spurhaltung: Ein nichtlineares kinetisches Bicycle-Modell wurde verwendet, um ein autonomes Fahrzeug zu simulieren. Der Inner-Loop-Regler war ein LQR, der für eine Nenngeschwindigkeit ausgelegt war. Der datengesteuerte CG wurde während Überholmanövern getestet, bei denen die Geschwindigkeit des Fahrzeugs von 20 m/s auf 27 m/s anstieg. Die Ergebnisse zeigten, dass der datengesteuerte CG verhinderte, dass das Fahrzeug die Straße verließ (Beschränkungsverletzung) in Szenarien, in denen das System ohne CG oder ein CG mit einem sampling-basierten Ansatz versagt hätte.

Bedeutung und Ansprüche
Das Paper beansprucht, eine neuartige direkte datengesteuerte Technik zur Synthese invarianter Mengen für unmodellierte nichtlineare Systeme ohne einen zwischengeschalteten Schritt zur Systemidentifikation zu präsentieren. Die wesentlichen Beiträge sind:

Direktes Lernen: Die invarianten Mengen werden direkt aus Datentrajektorien gelernt, wodurch der Bedarf an einem parametrischen Modell umgangen wird.
Robustheitsgarantien: Durch die Nutzung von Lipschitz-Eigenschaften und Metriken der Datendichte bietet die Methode formale Garantien, dass die gelernten Mengen gegenüber der inhärenten Unsicherheit des datengesteuerten Frameworks robust sind.
Skalierbarkeit: Die Relaxation des SDP zu einem LP adressiert den Fluch der Dimensionalität und macht den Ansatz für höherdimensionale Systeme rechentechnisch handhabbar.
Praktischer Nutzen: Die Methode wird sowohl in linearen als auch in nichtlinearen Szenarien als effektiv demonstriert und zeigt insbesondere den Nutzen in sicherheitskritischen Anwendungen wie dem autonomen Fahren, bei denen Modellunsicherheit und die Einhaltung von Beschränkungen von zentraler Bedeutung sind.

Die Autoren bewahren einen bescheidenen Ton und räumen ein, dass der Ansatz eine „submaximale“ statt der exakten maximalen Menge liefert, betonen jedoch, dass die Garantie der Invarianz und der Zulässigkeit der Beschränkungen das primäre Ziel ist. Sie merken an, dass Messrauschen und externe Störungen derzeit nicht berücksichtigt werden, aber Gegenstand zukünftiger Arbeiten sind.