⚡ electrical engineering

Feedback Linearisation with State Constraints

Dieses Papier schlägt eine Methode zur Handhabung von Zustandsbeschränkungen in der Feedback-Linearisierung vor, indem die Systemdynamik vor der Linearisierung augmentiert und ein Schaltsregler eingesetzt wird, um die daraus resultierenden unbestimmten relativen Grade an den Beschränkungsgrenzen zu lösen.

Ursprüngliche Autoren: Songlin Jin, Yuanbo Nie, Morgan Jones

Veröffentlicht 2026-07-07

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Songlin Jin, Yuanbo Nie, Morgan Jones

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 Hochleistungsrenngauto (ein komplexes, nichtlineares System), das Sie perfekt über eine kurvenreiche Strecke steuern wollen. Sie verfügen über ein mächtiges Werkzeug namens Feedback-Linearisierung (FBL). Betrachten Sie FBL als ein magisches Lenkrad, das, wenn Sie es drehen, augenblicklich all die seltsamen, unvorhersehbaren physikalischen Eigenschaften des Autos (wie Windwiderstand oder Motorenbesonderheiten) aufhebt und das Auto so agieren lässt, als wäre es ein einfaches, berechenbares Spielzeugauto, das sich in einer geraden Linie bewegt. Dies macht es einfach, das Auto mit Standardregeln für einfache Bewegungen zu steuern.

Das Problem: Die unsichtbaren Wände
Das echte Leben hat jedoch Regeln. Ihr Auto muss innerhalb der Leitplanken (Zustandsbeschränkungen) bleiben. Das Problem bei der Verwendung dieses „magischen Lenkrads“ (FBL) ist, dass es zwar das Auto leicht steuerbar macht, aber gleichzeitig die Karte verzerrt. Plötzlich verwandeln sich die einfachen, geraden Leitplanken der echten Strecke in ein verwirrendes, dreidimensionales Labyrinth auf Ihrer digitalen Karte. Zu versuchen, das Auto innerhalb der Leitplanken zu halten, wird unter den „Spielzeugauto“-Regeln schwieriger, als das echte Auto einfach zu fahren! Die einfachen Regeln funktionieren nicht mehr, weil die „Wände“ zu komplexen, nichtlinearen Kurven geworden sind.

Die Lösung: Den „Schattenfahrer“ hinzufügen
Die Autoren dieser Arbeit schlagen einen cleveren Umweg vor. Anstatt zu versuchen, das Auto zu steuern, während man auf die verzerrte, verwirrende Karte blickt, schlagen sie vor, einen Schattenfahrer (einen neuen Satz von Variablen) dem Steuerungssystem des Autos hinzuzufügen, bevor Sie das magische Lenkrad anwenden.

Die Slack-Variable (Der Puffer): Stellen Sie sich vor, der Schattenfahrer hält ein dehnbares Gummiband zwischen dem Auto und der Leitplanke. Solange das Auto weit von der Wand entfernt ist, ist das Band locker. Wenn das Auto sich der Wand nähert, wird das Band straff. Die Aufgabe des Schattenfahrers ist es, diese Spannung zu verwalten.
Erweiterung des Systems: Sie „befestigen“ diesen Schattenfahrer mathematisch an das Auto. Jetzt steuert das magische Lenkrad (FBL) nicht nur das Auto, sondern den Schattenfahrer. Da der Schattenfahrer darauf ausgelegt ist, auf das Gummiband zu reagieren, wird das Auto physisch daran gehindert, jemals die Leitplanke zu überqueren. Wenn das Auto versucht, die Wand zu rammen, passt der Schattenfahrer die Spannung automatisch an, um dies zu verhindern. So wird die „Wand“ unüberwindbar.
Der Integralregler: Um sicherzustellen, dass der Schattenfahrer nicht überfordert wird oder unkontrolliert handelt, fügen sie eine „Gedächtniskomponente“ (einen Integralregler) hinzu. Dies ist wie ein Co-Pilot, der sich merkt, wie stark das Auto gedrückt wurde, und die Lenkung sanft glättet, um sicherzustellen, dass das Auto innerhalb der Sicherheitsgrenzen bleibt, ohne ruckartig zu reagieren.

Das Hindernis: Die „unscharfe“ Zone
Es gibt einen kniffligen Teil. Wenn das Auto sich genau am Rand der Leitplanke (der Grenze) befindet, wird die Mathematik, die den Schattenfahrer beschreibt, „unscharf“ oder undefiniert. Es ist, als würde man versuchen, die Geschwindigkeit eines Autos zu berechnen, das gerade zum Stillstand gekommen ist; die Zahlen werden chaotisch, und das magische Lenkrad funktioniert möglicherweise nicht mehr korrekt.

Die Lösung: Das Schalten der Gänge
Um dies zu beheben, führen die Autoren eine Schaltstrategie ein. Stellen Sie sich vor, das Auto hat zwei verschiedene Lenkmodi:

Modus A: Wird verwendet, wenn sich das Auto sicher in der Mitte der Straße befindet.
Modus B: Wird verwendet, wenn das Auto gefährlich nah an die Leitplanke gerät.

Das System prüft ständig die „unscharfe Zone“. Wenn das Auto zu nah an den Rand gelangt, an dem die Mathematik problematisch wird, wechselt das System sofort in den anderen Lenkmodus, der speziell für diese schwierige Situation entwickelt wurde. Sobald das Auto zurück in die Sicherheit fährt, wechselt es wieder zurück. Dies ermöglicht es dem Auto, die Leitplanken eng zu umfahren, ohne jemals zu verunglücken oder die Kontrolle zu verlieren.

Das Ergebnis
Das Papier beweist, dass diese Methode funktioniert. Sie haben sie an einem einfachen Auto (einem Single-Input-System) und an einem komplexeren System (wie dem berühmten Lorenz-System, das oft zur Modellierung des chaotischen Wetters verwendet wird) getestet.

Ohne ihre Methode: Durchbricht das Auto die Leitplanken, weil die Standardsteuerungsregeln versagen, wenn Beschränkungen hinzugefügt werden.
Mit ihrer Methode: Bleibt das Auto perfekt innerhalb der Leitplanken, folgt dem gewünschten Pfad und verletzt niemals die Regeln, und das alles, ohne einen Supercomputer zur Lösung komplexer mathematischer Probleme in Echtzeit zu benötigen.

Zusammenfassend
Das Papier lehrt uns, wie wir ein mächtiges, aber starres Lenkwerkzeug (FBL) modifizieren können, indem wir einen „Schattenfahrer“ und einen „Gangschalter“ hinzufügen. Dies ermöglicht es uns, komplexe, chaotische Systeme sicher innerhalb strenger Grenzen zu steuern und sie auf Kurs zu halten, ohne dass die Mathematik zusammenbricht, wenn sie sich dem Rand nähern.

Technisches Resümee: Feedback-Linearisierung mit Zustandsbeschränkungen

Problemformulierung

Die Feedback-Linearisierung (FBL) ist eine etablierte Technik zur Transformation von eingangsaffinen nichtlinearen Regelsystemen in lineare Systeme, was den Einsatz linearer Entwurfsmethoden wie die Polplatzierung ermöglicht. Eine erhebliche Einschränkung ergibt sich jedoch beim Umgang mit Zustandsbeschränkungen. Während die FBL die Systemdynamik erfolgreich linearisiert, transformiert sie einfache Zustandsbeschränkungen des ursprünglichen nichtlinearen Systems oft in komplexe, nichtlineare Beschränkungen im linearisierten Bereich. Diese Transformation schmälert den primären Vorteil der FBL, da die Regelung des resultierenden linearen Systems unter diesen komplexen Beschränkungen ebenso schwierig wird wie die Regelung des ursprünglichen nichtlinearen Systems.

Bestehende Ansätze für dieses Problem stützen sich typischerweise auf Optimierungsmethoden (z. B. Modellprädiktive Regelung/MPC) oder Lineare Matrix-Ungleichungen (LMIs), die eine erhebliche Rechenlast verursachen, die für Online-Anwendungen ungeeignet ist. Andere Methoden sind oft auf einfache „Box“-Beschränkungen beschränkt. Das Paper adressiert die Herausforderung, einen FBL-Regler zu entwerfen, der die Einhaltung von Zustandsbeschränkungen garantiert, ohne eine Online-Optimierung zu erfordern, und der für allgemeine zeitvariante Beschränkungen anwendbar ist.

Methodik

Die vorgeschlagene Methodik folgt einem dreistufigen Workflow: Zustandsaugmentation, Modifikation der Integralregelung und Implementierung einer schaltenden FBL.

1. Zustandsaugmentation und Erfassung der Beschränkung

Der Kern des Ansatzes besteht darin, die Systemdynamik zu augmentieren, um die Zustandsbeschränkungen vor der Anwendung der FBL zu kapseln.

Slack-Variablen: Eine zeitvariante Slack-Variable $Z(t)$ wird eingeführt, sodass die Beschränkung $\phi(t, x(t)) \leq 0$ erfüllt ist, wenn $Z(t) \geq 0$ gilt. Konkret wird die Beschränkung als $\phi(t, x(t)) + \frac{1}{2}z^2(t) = 0$ umgeschrieben.
Analytische Ableitung: Das Paper leitet einen analytischen Ausdruck für die Zeitderivierten dieser augmentierten Gleichung ab. Durch sukzessives Ableiten, bis der Systemeingang explizit erscheint (bestimmt durch den relativen Grad), wird der ursprüngliche Eingang $u$ als Funktion der Ableitungen der Slack-Variable (behandelt als Pseudo-Eingang $w$ ) ausgedrückt.
Sequenzielle Augmentation: Für Systeme, bei denen die Anzahl der Beschränkungen die Anzahl der Eingänge übersteigt (MIMO mit $r > m$ ), wird eine sequenzielle Augmentationsstrategie angewandt. Dabei werden Beschränkungen jeweils als Teilmenge erfasst, wobei der Zustandsraum iterativ erweitert wird.
Theoretische Garantie: Theorem 1 stellt fest, dass für jeden integrierbaren Pseudo-Eingang $w$ die resultierende Trajektorie des ursprünglichen Systems die Zustandsbeschränkungen erfüllt. Dies liegt daran, dass, sobald sich das System der Beschränkungsgrenze nähert ( $z \to 0$ ), die Steuerautorität auf die Beschränkung verschwindet, was eine Verletzung verhindert.

2. Struktur des Integralreglers

Um sicherzustellen, dass der Pseudo-Eingang $w$ integrierbar ist (eine Voraussetzung für Theorem 1) und um stationäre Fehler zu behandeln, wird das augmentierte System zusätzlich mit einer Integralreglerstruktur modifiziert.

Ein Integrator-Zustand $\xi$ wird hinzugefügt, wobei $\dot{\xi} = \tilde{w}$ ( $\tilde{w}$ ist ein neuer virtueller Eingang).
Der Pseudo-Eingang wird als eine beschränkte Funktion des Integralzustands definiert, $w = s_\beta(\xi)$ , wobei $s_\beta$ eine Sättigungsfunktion ist.
Diese Modifikation stellt sicher, dass der Eingang zum augmentierten System beschränkt und integrierbar bleibt, wodurch die Garantien zur Einhaltung der Beschränkungen gewahrt werden.

3. Umgang mit ill-definierten relativen Graden und Schalten

Eine kritische Herausforderung, die identifiziert wurde, ist, dass das augmentierte System an den Grenzen der Zustandsbeschränkungen (wo die Slack-Variablen Null werden) einen ill-definierten relativen Grad aufweist. Diese Singularität verhindert die direkte Anwendung der Standard-FBL, die eine invertierbare Entkopplungsmatrix erfordert.

$\epsilon$ -Numerischer Relativer Grad ( $\epsilon$ -NRD): Um dies zu adressen, führt das Paper das Konzept des $\epsilon$ -NRD ein. Anstatt sich auf exakte Null-/Nicht-Null-Lie-Ableitungen zu verlassen, nutzt die Methode einen Schwellenwert $\epsilon$ , um den relativen Grad zu bestimmen, basierend darauf, ob die Koeffizienten der Lie-Ableitung numerisch signifikant sind.
Schaltstrategie: Der Regler wird basierend auf dem lokalen $\epsilon$ -NRD synthetisiert. Wenn sich die Trajektorie des Systems entwickelt und Regionen durchläuft, in denen sich der $\epsilon$ -NRD ändert (typischerweise nahe der Beschränkungsgrenzen), schaltet der Regler auf ein neues FBL-Gesetz um, das für den aktuellen lokalen relativen Grad synthetisiert wurde.
Rücksubstitution: Um die praktische Implementierung zu gewährleisten, werden die augmentierten Zustände (Slack-Variablen) algebraisch aus dem finalen Reglerausdruck eliminiert, indem die abgeleiteten Beziehungen genutzt werden. Der finale Regler hängt nur noch von den ursprünglichen Systemzuständen und den Integralzuständen ab.

Zentrale Beiträge

Skalierbare Handhabung von Beschränkungen: Das Paper erweitert die bisherige Arbeit zur Zustandsaugmentation auf Fälle, in denen die Dimension der Beschränkungen die Eingangsdimension übersteigt. Es liefert eine neuartige sequenzielle Augmentationsmethode und leitet den ersten analytischen Ausdruck für die Transformation von Beschränkungen in die Systemdynamik her (Lemma 1).
Fundamentale Entwurfsprinzipien (Theorem 1): Die Autoren etablieren, dass die Integrierbarkeit und Invertierbarkeit virtueller Regler der Schlüssel zur Zertifizierung der Einhaltung von Beschränkungen sind. Sie beweisen, dass die vorgeschlagene Augmentationsmethode die Einhaltung der Beschränkungen für jeden integrierbaren Eingang garantiert.
Lösung ill-definierter relativer Grade: Das Paper beweist theoretisch, dass die Augmentation zu ill-definierten relativen Graden an den Beschränkungsgrenzen führt (Proposition 1). Es überwindet dies durch die Integration einer schaltenden Reglerstrategie basierend auf $\epsilon$ -NRD, was die Anwendung von FBL ermöglicht, selbst wenn sich der relative Grad dynamisch ändert.
Praktischer Implementierungs-Workflow: Im Gegensatz zu bisherigen theoretischen Ergebnissen liefert das Paper eine definitive, geschlossene Implementierungsmethode (Algorithmus 1 und 2), die Theorie und Praxis verbindet. Es beschreibt detailliert, wie die Abhängigkeiten von augmentierten Zuständen via Rücksubstitution entfernt werden, was die Ausführung des Reglers auf dem Originalsystem mit den Integralzuständen ermöglicht.

Ergebnisse

Das Paper validiert die Methodik durch numerische Experimente an Single-Input Single-Output (SISO) Systemen:

Beispiel 1: Ein System mit einer zeitvarianten quadratischen Beschränkung. Die Autoren haben den Regler manuell abgeleitet und demonstriert, dass die vorgeschlagene Methode das System stabil zum Ursprung führt und gleichzeitig die Beschränkung strikt einhält. Im Gegensatz dazu verletzte ein klassischer FBL-Regler (ohne Augmentation) die Beschränkung. Das Experiment verdeutlichte zudem den Effekt der Polplatzierung auf die Konvergenzgeschwindigkeit und die Notwendigkeit des Reglerschaltens nahe der Grenze.
Beispiel 2: Ein Lorenz-ähnliches chaotisches System mit mehreren Beschränkungen und einer zeitvarianten Referenz. Der vorgeschlagene schaltende FBL-Regler verfolgte die Referenz erfolgreich und blieb gleichzeitig innerhalb des zulässigen Bereichs. Der klassische FBL-Regler, der die Beschränkungen ignorierte, zeigte signifikante Überschwingungen und verletzte die Zustandsbeschränkungen.

Bedeutung und Ansprüche

Das Paper beansprucht, eine allgemeine, optimierungsfreie FBL-Methode anzubieten, die in der Lage ist, Zustandsbeschränkungen zu handhaben. Seine primäre Bedeutung liegt in:

Vermeidung von Online-Optimierung: Im Gegensatz zu MPC wird der vorgeschlagene Regler offline (oder via einfacher Schaltlogik) synthetisiert und erfordert keine Lösung nichtlinearer Programmierprobleme während der Laufzeit, was ihn für Echtzeitanwendungen geeignet macht.
Handhabung allgemeiner Beschränkungen: Die Methode ist nicht auf einfache Box-Beschränkungen limitiert, sondern kann allgemeine zeitvariante Zustandsbeschränkungen berücksichtigen.
Robustheit gegenüber Singularitäten: Durch die Nutzung von $\epsilon$ -NRD und der Schaltlogik adressiert die Methode das grundlegende Problem ill-definierter relativer Grade an den Beschränkungsgrenzen – eine bekannte Einschränkung bei der Anwendung von FBL auf beschränkte Systeme.

Die Autoren merken an, dass die zugrunde liegende Augmentations-Theorie zwar auf MIMO-Systeme anwendbar ist, die praktische Implementierung unter Einbeziehung der Schaltlogik jedoch aufgrund der Komplexität der Schaltbedingungen derzeit auf SISO-Systeme beschränkt ist. Als zukünftige Arbeit wird die Erweiterung dieses Schaltrahmens auf MIMO-Systeme identifiziert.