Data-driven nonlinear output regulation via data-enforced incremental passivity

Stellen Sie sich vor, Sie versuchen, einem sehr eigensinnigen, wackeligen Roboterhund beizubringen, in einem perfekten Kreis zu laufen, obwohl der Boden unter ihm bebt und Sie zudem keine Baupläne des Roboters besitzen. Sie können die Zahnräder oder die Mathematik in seinem Gehirn nicht sehen; Sie haben lediglich eine Videokamera, die seine Bewegungen aufzeichnet, und die Befehle, die Sie an ihn gesendet haben. Dies ist die Herausforderung, der sich die Autoren Yixuan Liu und Meichen Guo in ihrer neuen Arbeit gestellt haben.

Ihre wichtigste Erkenntnis ist ein cleveres „datengetriebenes“ Rezept, mit dem man einen Regler für diese schwierigen, nichtlinearen Systeme aufbauen kann, indem man ausschließlich aufgezeichnete Experimente nutzt, ohne jemals die exakten Gleichungen kennen zu müssen, die beschreiben, wie sich der Roboter bewegt. Sie haben bewiesen, dass man durch den Einsatz eines speziellen mathematischen Tricks namens „inkrementelle Passivität“ das System dazu zwingen kann, einem gewünschten Pfad perfekt zu folgen, wobei der Fehler (die Distanz zwischen dem Ist-Zustand und dem Soll-Zustand) schließlich exakt auf Null schrumpft.

Das „Black-Box“-Problem

Normalerweise benötigen Ingenieure zur Steuerung einer komplexen Maschine ein perfektes mathematisches Modell – eine Menge von Regeln, die genau beschreiben, wie die Maschine auf jeden Stoß und jede Zugkraft reagiert. Aber in der realen Welt können Dinge wie Ökosysteme, Gehirnnetzwerke oder sogar ein einfaches Pendel zu chaotisch sein, um sie perfekt zu modellieren. Die Autoren argumentieren gegen die Vorstellung, dass man ein perfektes Modell besitzen muss, um ein perfektes Ergebnis zu erzielen. Stattdessen zeigen sie, dass man den Modellierungsschritt komplett überspringen und direkt von „Daten“ zu „Steuerung“ übergehen kann.

Sie sind sich jedoch sehr darüber im Klaren, was sie nicht tun. Sie nutzen keine „Black-Box“-Ratespiele wie neuronale Netze, die riesige Mengen an Daten benötigen und ohne Garantie versagen könnten. Sie verlassen sich auch nicht darauf, zuerst einen „stabilisierenden“ Regler zu finden, um den Prozess in Gang zu setzen, was eine gängige Anforderung bei anderen fortgeschrittenen Methoden ist. Ihre Methode ist direkt: Hier sind die Daten, hier ist die Mathematik, hier ist der Regler.

Der „Magische Spiegel“ und der „Geist“

Um zu erklären, wie sie vorgehen, nutzen wir eine Metapher. Stellen Sie sich vor, der Roboterhund ist ein chaotischer Tänzer. Sie wollen, dass er zu einem bestimmten Lied (dem Referenzsignal) tanzt, aber jemand stößt ständig gegen ihn (die Störung).

Schritt 1: Das „Passivitäts“-Makeover
Zuerst entwerfen die Autoren einen Regler, der wie ein „magischer Spiegel“ wirkt. Sie nehmen den chaotischen Tänzer und passen unter Verwendung von lediglich früherem Videomaterial des Tanzes dessen Bewegungen so an, dass er „inkrementell passiv“ wird. Auf Deutsch bedeutet das: Sie machen den Tänzer so gut erzogen, dass er, wenn man ihn anstößt, nicht ausrastet; stattdessen absorbiert er sanft die Energie und findet zurück in den Rhythmus. Sie haben bewiesen, dass man diesen „Anstoß“ (den Feedback-Regler) finden kann, indem man spezifische mathematische Rätsel löst, die als Lineare Matrix-Ungleichungen (LMIs) bezeichnet werden, unter Verwendung der von Ihnen gesammelten Daten.

Schritt 2: Der „Geist“-Partner
Sobald der Tänzer gut erzogen ist, führen sie einen „Geist“-Partner ein. Dieser Geist ist eine einfache, vorhersehbare Maschine (ein internes Modell), die genau weiß, wie das Lied und die Stöße aussehen. Der Geist muss nicht die geheimen Bewegungen des Tänzers kennen; er muss nur den Rhythmus der Musik und der Stöße kennen. Die Autoren verbinden den gut erzogenen Tänzer mit diesem Geist. Da beide „passiv“ (gut erzogen) sind, finden sie eine perfekte Harmonie. Der Geist führt an, der Tänzer folgt, und die Stöße werden ignoriert.

Der Vorteil der „Entkopplung“

Hier ist der wirklich coole Teil: Die Autoren haben den „magischen Spiegel“ (den Regler) und den „Geist“ (das interne Modell) separat entworfen. Sie sind unabhängig voneinander.

• Wenn sich das Lied ändert (das Referenzsignal ändert sich), müssen Sie den Tänzer nicht neu lehren, wie er sich bewegen soll. Sie tauschen einfach den Geist aus.
• Wenn sich der Stil des Tänzers leicht ändert, müssen Sie den Geist nicht neu entwerfen.
  Dieses „entkoppelte“ Design ist ein riesiger Gewinn für die Effizienz. Bei älteren Methoden, wenn sich das Lied änderte, musste man das gesamte System oft von Grund auf neu simulieren. Hier sammeln Sie einfach ein wenig mehr Daten und aktualisieren den Geist.

Was sie tatsächlich getan haben (und nicht getan haben)

Die Autoren haben nicht nur vorgeschlagen, dass dies funktionieren könnte; sie haben mathematisch bewiesen, dass es für eine bestimmte Klasse von nichtlinearen Systemen funktioniert. Sie haben gezeigt, dass, wenn man genügend Daten hat (speziell eine Datensatzlänge $T$, die mindestens so groß ist wie die Anzahl der Funktionen, die man verwendet, um das System zu beschreiben, plus die Dimensionen von Eingang und Störung), man garantieren kann, dass der Fehler auf Null sinkt.

Sie haben dies mit zwei Simulationen getestet:

1. Ein einfaches Pendel: Sie simulierten ein schwingendes Pendel, auf das ein verrauschter Wind wehte. Mit Daten aus nur 20 Stichproben (gesammelt alle 0,5 Sekunden) entwarfen sie einen Regler, der das Pendel exakt zum gewünschten Rhythmus schwingen ließ, egal wo sie es starteten. Der Fehler sank in allen Fällen auf Null.
2. Ein Nicht-Null-Gleichgewicht: Sie bewältigten ein schwierigeres Problem: die Stabilisierung eines Systems an einem Punkt, der nicht „Null“ ist. Stellen Sie sich vor, Sie balancieren einen Besen auf Ihrer Hand, wollen ihn aber in einem seltsamen Winkel halten, und Sie wissen nicht genau, wie viel Kraft nötig ist, um ihn dort zu halten. Ihre Methode fand einen Weg, dies zu stabilisieren, ohne jemals diese mysteriöse „Haltkraft“ berechnen zu müssen.

Die Grenzen und die Zukunft

Das Paper ist sehr ehrlich über seine Grenzen. Ihr „magischer Spiegel“ funktioniert am besten, wenn die unordentlichen Teile des Systems (die Nichtlinearitäten) bekannt sind und perfekt kompensiert werden können. Sie geben zu, dass ihre aktuelle Methode Schwierigkeiten haben könnte, wenn das Rauschen in den Daten zufällig und unvorhersehbar ist (also keinem Muster wie einer Sinuswelle folgt). Sie schlagen vor, dass zukünftige Arbeiten eine gewisse „Robustheit“ hinzufügen müssen, um mit dieser Art von chaotischem Rauschen umzugehen.

Zudem merken sie an, dass ihre Methode derzeit davon ausgeht, dass man die Geschwindigkeit des Systems (die Ableitung des Zustands) direkt messen kann. Wenn man die Geschwindigkeit aus verrauschten Positionsdaten schätzen muss, führt dies eine Unsicherheit ein, die sie noch nicht vollständig gelöst haben.

Kurz gesagt: Liu und Guo haben eine Brücke von Rohdaten zu perfekter Steuerung für eine bestimmte Art von wackeligen, verrauschten Systemen gebaut. Sie haben nicht nur gesagt: „Es ist möglich“; sie haben die Brücke gebaut, die Mathematik gezeigt, die sie stützt, und sind in einer Simulation darüber gelaufen, um zu beweisen, dass sie nicht zusammenbricht. Es ist ein Schritt zur Steuerung der chaotischen, realen Welt, ohne eine perfekte Landkarte zu benötigen.