⚡ electrical engineering

Physics-Informed Neural Networks for Nonlinear Output Regulation

Dieser Artikel schlägt einen physik-informierten neuronalen Netzwerk-Ansatz (PINN) vor, der die Lösung der Reglergleichungen für die nichtlineare Ausgangsregelung direkt approximiert und eine Echtzeit-Inferenz ohne Daten von stationären Mannigfaltigkeiten und Vorsteuerungseingängen ermöglicht, die sich über variierende Exosystemparameter hinweg verallgemeinern, wie durch eine Helikopter-Synchronisierungsaufgabe demonstriert wird.

Ursprüngliche Autoren: Sebastiano Mengozzi, Giovanni B. Esposito, Michelangelo Bin, Andrea Acquaviva, Andrea Bartolini, Lorenzo Marconi

Veröffentlicht 2026-04-29

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Sebastiano Mengozzi, Giovanni B. Esposito, Michelangelo Bin, Andrea Acquaviva, Andrea Bartolini, Lorenzo Marconi

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 versuchen, einen Hubschrauber auf einer schwimmenden Plattform mitten im Ozean zu landen. Die Plattform sitzt nicht einfach still; sie bewegt sich rhythmisch und vorhersehbar mit den Wellen auf und ab. Ihr Ziel ist es, den Hubschrauber perfekt über diesem sich bewegenden Punkt schweben zu lassen, wobei Sie jeden Auf- und Abstieg ausgleichen, sodass der Abstand zwischen ihnen stets null bleibt.

Dies ist ein klassisches Problem der Regelungstechnik, das als Ausgangsregelung (Output Regulation) bezeichnet wird. Für einfache Maschinen verfügen wir über gute mathematische Werkzeuge zur Lösung. Doch für komplexe, nichtlineare Maschinen wie Hubschrauber (bei denen ein leichtes Bewegen des Steuerknüppels nicht immer eine geringe Bewegung zur Folge hat), wird die Mathematik unglaublich unübersichtlich. Sie erfordert das Lösen eines Satzes komplexer Gleichungen, die als Reglergleichungen bekannt sind. Traditionell ist das Lösen dieser Gleichungen wie die Suche nach einer Nadel im Heuhaufen, der aus weiteren Nadeln besteht; es ist langsam, schwierig und oft unmöglich, es perfekt zu erledigen.

Der neue Ansatz: Die „physikbewusste" KI

Die Autoren dieses Papiers schlagen einen cleveren neuen Weg vor, um diese unübersichtlichen Gleichungen mithilfe von Physik-Informierten Neuronalen Netzen (PINNs) zu lösen.

Stellen Sie sich eine Standard-KI als einen Schüler vor, der durch das Auswendiglernen von Karteikarten lernt. Wenn Sie ihm 1.000 Bilder einer Katze zeigen, lernt er, wie eine Katze aussieht. Wenn Sie ihm jedoch ein Bild eines Hundes zeigen, könnte er verwirrt sein.

Dieser neue Ansatz ist anders. Anstatt Daten auswendig zu lernen, erhält die KI das Regelwerk der Physik (die Gleichungen, die beschreiben, wie sich der Hubschrauber bewegt) und wird aufgefordert, die Lösung direkt aus diesen Regeln zu lernen.

Die Analogie: Stellen Sie sich vor, Sie möchten lernen, einen Besen auf Ihrer Hand zu balancieren. Eine traditionelle Methode könnte darin bestehen, Tausende von Videos von Menschen aufzunehmen, die Besen balancieren, und zu versuchen, diese nachzuahmen. Die PINN-Methode ist vergleichbar damit, dem Schüler die Gesetze der Schwerkraft und der Reibung zu geben und zu sagen: „Finden Sie die perfekten Handbewegungen heraus, die notwendigerweise geschehen müssen, um diesen Besen allein auf Basis dieser Gesetze im Gleichgewicht zu halten."

Funktionsweise

Das Ziel: Die Forscher wollten eine „magische Karte" finden. Diese Karte würde dem Hubschrauber genau sagen, was zu tun ist (wie viel Schub zu verwenden ist, wie stark zu neigen ist) für jede mögliche Bewegung der schwimmenden Plattform.
Das Training: Sie fütterten die KI nicht mit vorab berechneten Antworten. Stattdessen ließen sie die KI Antworten raten und prüften dann: „Erfüllt Ihre Vermutung die Gesetze der Physik?" Wenn die Vermutung falsch war, passte sich die KI an. Dies wiederholte sie Millionen von Malen, bis sie eine Lösung fand, die die physikalischen Gleichungen perfekt erfüllte.
Das Ergebnis: Die KI lernte einen „universellen Operator". Anstatt zu lernen, wie man auf einer Plattform landet, die sich mit einer bestimmten Geschwindigkeit bewegt, lernte sie die allgemeine Regel, um auf einer Plattform zu landen, die sich mit jeder Geschwindigkeit bewegt oder von jeder Position startet.

Der Hubschrauber-Test

Um zu beweisen, dass dies funktionierte, testeten sie es an einer Simulation eines Hubschraubers, der auf einer Plattform landet, die wie eine Sinuswelle auf und ab schaukelt.

Der Test: Sie trainierten die KI an einigen spezifischen Wellenmustern. Anschließend testeten sie sie an Wellenmustern, die sie niemals zuvor gesehen hatte (unterschiedliche Geschwindigkeiten, unterschiedliche Start Höhen).
Das Ergebnis: Der von der KI gesteuerte Hubschrauber schnitt bemerkenswert gut ab. Selbst wenn sich die Plattform auf Arten bewegte, die die KI nicht geübt hatte, blieb der Hubschrauber perfekt mit dem Ziel ausgerichtet. Der Fehler (der Abstand zwischen Hubschrauber und Plattform) war winzig – so klein, dass er auf einem Diagramm kaum sichtbar war.

Warum dies wichtig ist

Das Papier behauptet, dies sei ein Durchbruch, weil:

Es schnell ist: Sobald die KI trainiert ist, kann sie die perfekten Steuerbewegungen in Echtzeit berechnen, was schnell genug ist, um auf echter Hardware (wie dem Computer einer Drohne) zu laufen.
Es allgemein ist: Es löst nicht nur ein spezifisches Problem; es lernt die Familie der Lösungen. Wenn sich das Wellenmuster leicht ändert, weiß die KI bereits, wie sie damit umgehen soll.
Keine Daten erforderlich: Es benötigt keinen massiven Datensatz an „erfolgreichen Landungen", um zu lernen. Es lernt aus der Mathematik der Physik selbst.

Der Haken

Das Papier weist auf eine wesentliche Einschränkung hin: Diese Methode geht davon aus, dass der Hubschrauber zu jedem einzelnen Moment genau weiß, wo sich die Plattform befindet und wie sie sich bewegt (dies wird als „vollständige Information" bezeichnet). In der realen Welt können Sensoren unvollkommen oder verzögert sein, was die Autoren als Herausforderung für zukünftige Arbeiten anerkennen.

Zusammenfassend: Die Forscher entwickelten eine KI, die lernte, komplexe mathematische Probleme zu lösen, indem sie die Gesetze der Physik verstand, anstatt Daten auswendig zu lernen. Sie bewiesen, dass sie einen Hubschrauber anleiten konnte, perfekt auf ein sich bewegendes Ziel zu landen, selbst wenn sich das Ziel auf Arten bewegte, die die KI noch nie zuvor gesehen hatte.

1. Problemstellung

Das Paper adressiert das Problem der nichtlinearen Ausgangsregelung für Systeme, bei denen sowohl der Regelstreckenzustand ( $x$ ) als auch der Exosystemzustand ( $w$ ) bekannt sind (Setting mit Vollinformation). Das Ziel besteht darin, ein Rückführungsregelgesetz zu entwerfen, sodass der Systemausgang asymptotisch eine Referenztrajektorie nachführt oder Störungen, die von einem Exosystem erzeugt werden, unterdrückt.

Theoretische Herausforderung: Die Lösung dieses Problems erfordert das Finden zweier Abbildungen: einer stationären Zustandsmannigfaltigkeit $\pi(w)$ und eines Vorsteuerungseingangs $c(w)$ . Diese Abbildungen müssen die Reglergleichungen (REs) erfüllen, ein System partieller Differentialgleichungen (PDEs), das mit algebraischen Nebenbedingungen gekoppelt ist (Isidori-Byrnes-Gleichungen).
Einschränkungen bestehender Methoden:
- Analytisch: Exakte Lösungen sind für nichtlineare Systeme selten verfügbar.
- Approximation (Galerkin/Taylor): Diese Methoden skalieren schlecht mit der Nichtlinearität, sind nur in kleinen Umgebungen des Ursprungs gültig oder erfordern komplexe Entwicklungen höherer Ordnung.
- Bisherige neuronale Netzwerk-Ansätze: Frühere auf NN basierende Lösungen stützten sich auf Datenanpassung mit flachen Modellen und verfügten nicht über die Fähigkeit, sich ohne Nachtraining auf verschiedene Systemparameter oder Anfangsbedingungen zu verallgemeinern.

2. Methodik

Die Autoren schlagen ein Physics-Informed Neural Network (PINN)-Rahmenwerk vor, um die Reglergleichungen direkt zu lösen und dabei den Bedarf an gelabelten Datensätzen oder vorausberechneten Trajektorien zu umgehen.

Kernkonzept

Anstatt eine zeitliche Entwicklungstrajektorie zu lernen, lernt das Netzwerk einen stationären Operator, der Exosystemzustände $w$ direkt auf die erforderlichen Regelstreckenzustände $\pi(w)$ und Stellgrößen $c(w)$ abbildet.

Architektur und Training

Netzwerkstruktur: Ein vollvernetztes neuronales Netzwerk ( $n_\xi$ ) mit vier versteckten Schichten und $\approx 8 \times 10^4$ Parametern. Es nimmt den Exosystemzustand $w$ als Eingabe und gibt Approximationen $\hat{\pi}(w)$ und $\hat{c}(w)$ aus.
Verlustfunktion: Das Training ist unüberwacht. Die Verlustfunktion $J$ $J$ minimiert die Residuen der Reglergleichungen und erzwingt Randbedingungen:
$J = J_{PDE} + \lambda \cdot J_{BC}$
- $J_{PDE}$ : Der mittlere quadratische Fehler der PDE-Residuen ( $L_s\hat{\pi} - f(\hat{\pi}, \hat{c}, w)$ ) und algebraischer Nebenbedingungen ( $h(\hat{\pi}, w)$ ).
- $J_{BC}$ : Ein Strafterm für Randbedingungen (z. B. Stellgrößenbegrenzungen).
- Automatische Differentiation: Wird verwendet, um Lie-Ableitungen ( $L_s\pi$ ) bezüglich des Netzwerkeingangs $w$ zu berechnen, wodurch das Netzwerk die Physik der Exosystemdynamik „verstehen" kann.
Verallgemeinerungsstrategie: Das Netzwerk wird durch Abtastung einer Familie dynamischer Systeme trainiert (Variation der Exosystem-Anfangsbedingungen und Parameter wie Frequenz $\Omega$ ). Dies zwingt das Netzwerk, einen allgemeinen Lösungsoperator zu lernen, anstatt eine spezifische Instanz.

3. Fallstudie: Vertikale Landung eines Hubschraubers

Zur Validierung des Ansatzes wandten die Autoren die Methode auf einen nichtlinearen Benchmark an: die Synchronisation der vertikalen Dynamik eines Hubschraubers mit einer harmonisch oszillierenden Plattform.

Systemdynamik: Modelliert als starrer Körper mit unteraktuierten, multi-input nichtlinearen Dynamiken (Hauptrotorschub, Heckrotorschub und Rotorneigungen).
Exosystem: Ein harmonischer Oszillator, der eine vertikale sinusförmige Referenz mit unbekannter Frequenz und Amplitude erzeugt.
Reglergleichungen: Das Problem wurde auf die Lösung für stationäre Roll-/Nickwinkel ( $\pi_\phi, \pi_\theta$ ) und einen spezifischen Stellgrößen-Eingang ( $c_b$ ) reduziert, die die aus den Newton-Euler-Gleichungen abgeleiteten gekoppelten PDEs erfüllen.
Nebenbedingungen: Die Lösung muss Stellgrößenbegrenzungen einhalten (z. B. $|u_b| \leq 0.3491$ ).

4. Wichtige Ergebnisse

Das Rahmenwerk wurde auf einer Consumer-GPU mit einem Simulationshorizont von 30 Sekunden getestet.

Hochgenaue Rekonstruktion: Das PINN rekonstruierte die Null-Fehler-Mannigfaltigkeit erfolgreich mit hoher Genauigkeit. Die gelernten Abbildungen ( $\pi(w), c(w)$ ) erfassten das durch das Exosystem induzierte oszillatorische Verhalten korrekt.
Verallgemeinerung:
- Der Regler hielt über einen weiten Bereich von Exosystemfrequenzen und Anfangsbedingungen hinweg einen niedrigen Nachführfehler aufrecht, einschließlich Konfigurationen, die während des Trainings nicht gesehen wurden (out-of-distribution).
- In „in-distribution"- und „out-of-distribution"-Szenarien war der verbleibende Nachführfehler ungefähr zwei Größenordnungen kleiner als das Referenzsignal.
Wiederherstellung des Trim-Zustands: Wenn der Exosystemzustand null war (keine Störung), stellte das Netzwerk korrekt den bekannten „Trim"-Zustand (stationäre Schwebeflug-Eingaben) für den Hubschrauber wieder her und validierte so die physikalische Konsistenz der Lösung.
Leistungsmerkmale:
- Training: In wenigen Minuten abgeschlossen.
- Inferenz: Leichter Vorwärtsdurchlauf, geeignet für den Echtzeit-Einsatz auf eingebetteter Hardware.
- Fehler: Der mediane absolute vertikale Nachführfehler betrug $\approx 0.031$ m, wobei die meisten Fehler vernachlässigbar waren. Divergenz trat nur in extremen, hochnichtlinearen Regionen (hohe Frequenz/Amplitude) auf, was auf das Design des Rückführungsstabilisators und nicht auf die Unfähigkeit des PINN zurückzuführen ist, die REs zu lösen.

5. Bedeutung und Beiträge

Dateneffizientes Lösen: Zeigt, dass komplexe nichtlineare PDEs in der Regelungstheorie ohne massive Datensätze gelöst werden können, indem sich ausschließlich auf die mathematische Struktur des Systems verlassen wird (physics-informed).
Operator-Lernen: Der Ansatz verlagert sich vom Lösen einer einzelnen Instanz hin zum Lernen eines Lösungsoperators, der sich über eine Familie von Systemen verallgemeinert, was ihn robust gegenüber Parameteränderungen macht.
Echtzeit-Fähigkeit: Die Methode überbrückt die Lücke zwischen theoretischer nichtlinearer Regelung (die oft rechnerisch prohibitiv ist) und praktischer Implementierung und bietet einen rechnerisch effizienten Weg zur Echtzeitregelung auf eingebetteter Hardware.
Breite Anwendbarkeit: Obwohl an einem Hubschrauber getestet, ist die Methodik auf jedes nichtlineare System anwendbar, bei dem das Ausgangsregelungsproblem eine Lösung zulässt, sofern die Reglergleichungen formuliert werden können.

6. Einschränkungen und zukünftige Arbeiten

Annahme der Vollinformation: Die aktuelle Methode geht davon aus, dass der Exosystemzustand $w$ für die Rückführung verfügbar ist. Zukünftige Arbeiten zielen darauf ab, dies auf Settings mit Teilinformation zu erweitern (Schätzung von $w$ ).
Rückführungsstabilisierung: Das Paper konzentriert sich auf das Lösen der REs (Vorsteuerung). Die Stabilität des geschlossenen Regelkreises beruht auf einem separaten Rückführungsverstärkungsfaktor, der empirisch abgestimmt wurde. Zukünftige Arbeiten könnten fortschrittliche stabilisierende Rückführungsdesigns integrieren, um den zulässigen Betriebsbereich zu vergrößern.
Streckeunsicherheit: Die Erweiterung des Rahmenwerks zur Behandlung von Streckenfamilien mit parametrischer Unsicherheit (Randomisierung der Streckenparameter während des Trainings) ist eine vorgeschlagene Richtung.