⚡ electrical engineering

Adversarial Observability and Performance Trade-offs in Optimal Control

Die Arbeit stellt einen Feedback-Regler vor, der die Beobachtbarkeit eines linearen Systems durch adversarische Sensoren minimiert, indem sie theoretische Grenzen für diesen Trade-off mit der Regelungsleistung aufzeigt und die Optimierung als semidefinite Programmierung formuliert, was in Simulationen an einem Flugzeug zu einer signifikanten Verschlechterung der adversarischen Beobachtbarkeit bei nahezu optimaler Leistung führt.

Ursprüngliche Autoren: Filippos Fotiadis, Ufuk Topcu

Veröffentlicht 2026-02-24

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Filippos Fotiadis, Ufuk Topcu

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

Das Grundproblem: Der unsichtbare Tänzer

Stell dir vor, du bist ein Pilot in einem hochmodernen Flugzeug (das ist das System). Du hast einen perfekten Plan, wie du fliegen musst, um Energie zu sparen und sicher anzukommen (das ist die optimale Leistung).

Aber es gibt ein Problem: Ein Spion (der Gegner) steht draußen mit einem Teleskop oder Radar und versucht, genau zu erraten, was du tust. Er beobachtet nur ein paar Dinge, zum Beispiel deine Höhe und Geschwindigkeit (das sind die Sensoren). Wenn er genug sieht, kann er vorhersagen, wohin du als Nächstes fliegst.

Die Herausforderung: Du willst nicht einfach nur wild herumfliegen (das wäre unsicher und ineffizient). Du willst trotzdem effizient und sicher fliegen, aber gleichzeitig so tun, als würdest du etwas ganz anderes tun, damit der Spion verwirrt ist.

Die Lösung: Der "Tanz" mit dem Gegner

Die Autoren dieses Papiers haben einen neuen Weg gefunden, wie ein Flugzeug (oder ein autonomes System) fliegen soll, um den Spion zu verwirren, ohne dabei zu Abstürzen oder viel mehr Treibstoff zu verbrauchen.

Stell dir das wie einen Tanz vor:

Der normale Tanz (Optimale Steuerung): Du tanzst die perfekte Choreografie, die am wenigsten Energie kostet. Aber der Spion kann deine Bewegungen leicht vorhersagen.
Der neue Tanz (Die Lösung der Autoren): Du tanzst fast genauso gut wie vorher, aber du fügst kleine, geschickte Verwirrungen hinzu. Du bewegst dich so, dass der Spion, der nur einige deiner Schritte sieht, den Rest nicht mehr erraten kann.

Die zwei Tricks (Die Metriken)

Die Forscher haben zwei verschiedene Methoden entwickelt, um den Spion zu verwirren. Man kann sie sich wie zwei verschiedene Arten vorzustellen, wie man ein Glas Wasser trinkt:

Trick 1: Der "Durchschnitts-Verwirrer" (Trace der Observabilitäts-Gramian)

Die Idee: Stell dir vor, der Spion versucht, das gesamte Bild des Flugzeugs zu rekonstruieren. Dieser Trick sorgt dafür, dass alle Teile des Bildes ein bisschen unscharf werden.
Das Ergebnis: Der Spion sieht alles etwas verschwommen. Es ist schwer, irgendeinen Teil deines Plans zu erraten.
Der Preis: Du musst ein winziges bisschen mehr Treibstoff verbrauchen oder die Flugbahn leicht ändern, um diesen "Unscharf-Effekt" zu erzeugen.

Trick 2: Der "Spezialist für das Unsichtbare" (Trace der Inversen)

Die Idee: Dieser Trick ist aggressiver. Er konzentriert sich darauf, einen ganz bestimmten Teil deines Plans komplett unsichtbar zu machen. Stell dir vor, der Spion kann deine Höhe sehen, aber nicht deine Richtung. Dieser Trick sorgt dafür, dass die Richtung ganz unsichtbar wird, auch wenn die Höhe klar bleibt.
Das Ergebnis: Der Spion kann fast alles sehen, aber bei einem ganz bestimmten Punkt (z. B. "Wohin fliegt er in 5 Minuten?") ist er komplett blind. Er kann den Rest nicht mehr zusammenfügen.
Der Preis: Hier ist der "Tausch" etwas anders. Wenn du bereit bist, die Leistung (den Treibstoffverbrauch) ein bisschen mehr zu opfern, wird dieser eine Punkt extrem schwer zu sehen.

Das große Gleichgewicht (Der Trade-off)

Das Wichtigste an der Arbeit ist die Erkenntnis, dass man nicht alles gleichzeitig haben kann.

Wenn du perfekt effizient fliegen willst, ist der Spion sehr schlau und sieht alles.
Wenn du den Spion total verwirren willst, musst du ineffizient fliegen (wie ein Betrunkener, der stolpert).

Die Forscher haben eine Formel gefunden, die genau sagt: "Wenn du bereit bist, 5% mehr Treibstoff zu verbrauchen, wird der Spion 50% schlechter darin, deine Richtung zu erraten." Sie haben also eine Landkarte erstellt, die zeigt, wie viel "Verwirrung" man für welchen "Preis" bekommt.

Wie funktioniert das technisch? (Ohne Mathe)

Stell dir vor, du hast einen riesigen, komplizierten Puzzle-Rätsel (die Mathematik).

Für Trick 1: Die Forscher haben bewiesen, dass man dieses Puzzle lösen kann, indem man es in ein einfaches, gerades Lineal-Problem verwandelt. Das ist wie ein SDP (Semidefinite Programmierung) – ein mathematisches Werkzeug, das Computer sehr schnell lösen können. Das Ergebnis ist eine exakte Anleitung für den Piloten.
Für Trick 2: Das ist schwieriger, weil das Puzzle hier nicht gerade, sondern krumm ist. Die Forscher haben einen cleveren Trick angewandt: Sie nähern sich der Lösung Schritt für Schritt an (wie beim Klettern auf einen Berg, indem man immer den nächsten sicheren Schritt sucht). Das nennen sie sequenzielle SDP. Es ist nicht sofort perfekt, aber es kommt sehr nah an das beste Ergebnis heran.

Das Fazit in einem Satz

Die Autoren haben einen Weg gefunden, wie autonome Systeme (wie Drohnen oder Flugzeuge) sich so bewegen können, dass sie für einen Spion fast unsichtbar werden, ohne dabei ihre eigene Mission zu gefährden – ein perfekter Tanz zwischen Sicherheit und Tarnung.

Kurz gesagt: Sie haben dem Flugzeug beigebracht, wie man "schlau unsichtbar" wird, statt nur "dumm unsichtbar".

Titel: Adversarische Beobachtbarkeit und Leistungsabwägungen in der optimalen Regelung

Autoren: Filippos Fotiadis und Ufuk Topcu (University of Texas at Austin)

1. Problemstellung

Autonome Systeme sind oft Bedrohungen durch Gegner ausgesetzt, die versuchen, den aktuellen Zustand oder die Absicht des Systems durch den Einsatz eigener Sensoren vorherzusagen (z. B. Radar-Verfolgung von Flugzeugen oder optische Überwachung von Satelliten). Das Ziel besteht darin, ein Feedback-Regelgesetz zu entwerfen, das zwei widersprüchliche Ziele balanciert:

Minimierung der Beobachtbarkeit: Die Fähigkeit eines Gegners, den Systemzustand $x(t)$ aus seinen Messungen $y(t) = Cx(t)$ zu rekonstruieren, soll minimiert werden.
Optimale Leistung: Das System soll stabilisiert und die Regelgüte (basierend auf einem quadratischen Kostenfunktional) nahe am optimalen Wert gehalten werden.

Herausforderungen bestehen darin, dass herkömmliche Ansätze wie „Moving Target Defense" (ständiges Wechseln des Betriebsmodus) zu Diskontinuitäten führen können und oft nicht in einem einzigen, leistungsbegrenzten Regelkreis umsetzbar sind. Zudem quantifizieren bestehende Methoden die Beobachtbarkeit oft nur binär (beobachtbar/nicht beobachtbar) statt kontinuierlich.

2. Methodik

Die Autoren formulieren das Problem als ein Optimierungsproblem unter einer harten Leistungseinschränkung.

Systemmodell: Ein lineares zeitinvariantes System $\dot{x} = Ax + Bu$ , wobei der Operator den vollen Zustand kennt, der Gegner jedoch nur eine Teilmenge $y = Cx$.
Metriken für Beobachtbarkeit: Anstelle von Rangtests werden die Beobachtbarkeits-Gramian-Matrizen ( $W$ $W$ ) verwendet, um die Beobachtbarkeit kontinuierlich zu quantifizieren. Zwei spezifische Metriken werden betrachtet:
1. $\text{tr}(WV)$ : Misst die durchschnittliche Beobachtbarkeit über alle Richtungen des Zustandsraums (basierend auf der Energie, die durch die Sensoren abgestrahlt wird).
2. $-\text{tr}(W^{-1}V^{-1})$ : Ist empfindlicher gegenüber den am wenigsten beobachtbaren Zustandsrichtungen. Da $W^{-1}$ singulär werden kann, wird eine Regularisierung ( $\epsilon I$ ) in die Lyapunov-Gleichung eingeführt.
Leistungseinschränkung: Die Abweichung der geschlossenen Schleife vom optimalen LQR-Verhalten (Linear Quadratic Regulator) wird durch einen Parameter $\lambda$ begrenzt: $J(K) - J(K^*) \leq \lambda$ .

Algorithmische Lösungen:

Für $\text{tr}(WV)$ (Problem 1): Das Problem wird exakt in eine Semidefinite Programmierung (SDP) umformuliert. Durch Variablentransformation ($X = KS$) und Nutzung der Schur-Komplement-Methode wird das bilineare Problem in ein konvexes SDP überführt, das effizient gelöst werden kann.
Für $\text{tr}(W^{-1}V^{-1})$ (Problem 2): Da die Zielfunktion nicht konvex ist und die Inversion von Matrizen involviert, wird ein sequenzieller SDP-Ansatz mittels der Convex-Concave Procedure (CCP) verwendet. Die Lyapunov-Gleichung wird so transformiert, dass sie als Differenz konvexer Funktionen (DC-Programm) dargestellt werden kann, was eine iterative Linearisierung und Lösung ermöglicht.

3. Wichtige Beiträge

Theoretische Untergrenzen: Es wurden theoretische untere Schranken für die optimalen Werte der Beobachtbarkeitsmetriken als Funktion des Leistungsabwägungsparameters $\lambda$ hergeleitet. Diese zeigen fundamentale Grenzen auf: Kleine Leistungseinbußen führen zu einem starken Rückgang der durchschnittlichen Beobachtbarkeit, während große Einbußen notwendig sind, um die Beobachtbarkeit der schwächsten Richtungen (via Inverser Gramian) drastisch zu reduzieren.
Robustheit: Es wurde gezeigt, dass die Methode robust gegenüber Unsicherheiten in der Sensormatrix des Gegners ist. Wenn der Operator eine Obermenge der möglichen Gegner-Sensoren kennt, liefert die Lösung eine garantierte obere Schranke für die tatsächliche Beobachtbarkeit.
Effiziente Algorithmen: Entwicklung eines exakten SDP-Lösers für die durchschnittliche Beobachtbarkeit und eines konvergenten sequenziellen SDP-Algorithmus für die Minimierung der schwächsten Richtungen.

4. Ergebnisse

Die vorgeschlagenen Methoden wurden an zwei Beispielen simuliert:

Einfaches 2D-System: Zeigte, dass der Algorithmus die Kopplung zwischen den Zuständen so manipuliert, dass der Gegner den Zustand schwerer rekonstruieren kann, während die Leistung nahe am Optimum bleibt. Die theoretischen Untergrenzen wurden bestätigt.
ADMIRE Flugzeugmodell (5 Zustände, 7 Eingänge):
- Algorithmus 1 (Minimierung von $\text{tr}(W)$ ): Reduzierte die größeren Eigenwerte der Gramian-Matrix, was zu einer allgemeinen Verschlechterung der Beobachtbarkeit über alle Zustände führte.
- Algorithmus 2 (Maximierung von $\text{tr}(W^{-1})$ ): Drängte den kleinsten Eigenwert der Gramian-Matrix nahe an Null. Dies macht das System fast nicht beobachtbar in einer spezifischen Richtung.
- Simulation mit Gegner-Beobachter: Ein Luenberger-Beobachter (simulierter Gegner) konnte bei den optimierten Reglern die Zustände deutlich schlechter rekonstruieren als beim nominalen Regler. Algorithmus 2 führte zu extrem hohen Schätzfehlern für den spezifischen, schwer beobachtbaren Zustand, während die Flugleistung (Kostenfunktional) nur geringfügig verschlechtert wurde.

5. Bedeutung und Ausblick

Die Arbeit liefert einen fundamentalen Rahmen für das Design von „Tarnungs"-Regelgesetzen in autonomen Systemen. Sie beweist, dass es möglich ist, die Rekonstruktionsfähigkeit eines Gegners kontinuierlich und gezielt zu verschlechtern, ohne das System instabil zu machen oder die Missionsleistung katastrophal zu beeinträchtigen.

Im Gegensatz zu diskontinuierlichen Methoden (Moduswechsel) bietet dieser Ansatz eine glatte, optimierte Lösung innerhalb eines einzigen Regelkreises. Zukünftige Arbeiten sollen auf reine Ausgangsrückführungen (ohne vollen Zustandszugang) erweitert werden, was in der Praxis häufiger vorkommt.

Zusammenfassend stellt das Paper einen wichtigen Schritt dar, um Sicherheit und Leistung in adversarischen Umgebungen mathematisch fundiert zu balancieren, indem es Konzepte der optimalen Regelung mit der Theorie der Beobachtbarkeit und semidefiniten Optimierung verbindet.