⚡ electrical engineering

On maximal positive invariant set computation for rank-deficient linear systems

Der Artikel stellt einen robusten Algorithmus vor, der mithilfe der Schur-Zerlegung die Berechnung der maximal positiv invarianten Menge für rangdefiziente lineare Systeme unter Einbeziehung von Zustands- und Eingangsbeschränkungen ermöglicht.

Ursprüngliche Autoren: Bogdan Gheorghe, Daniel Ioan, Cristian Flutur, Ionela Prodan, Florin Stoican

Veröffentlicht 2026-03-19

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Bogdan Gheorghe, Daniel Ioan, Cristian Flutur, Ionela Prodan, Florin Stoican

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 Problem: Ein Auto, das in eine Sackgasse fährt

Stellen Sie sich vor, Sie steuern ein autonomes Fahrzeug (ein Roboter oder eine Drohne). Damit dieses Fahrzeug sicher bleibt, muss es sich immer innerhalb bestimmter Grenzen bewegen – sagen wir, innerhalb eines Parks oder einer virtuellen "Sicherheitszone".

In der Regelungstechnik gibt es ein wichtiges Konzept: die maximal positiv invariante Menge (MPI).

Einfach gesagt: Das ist die größte mögliche "Sicherheitsblase" im Raum. Wenn sich das Fahrzeug irgendwo innerhalb dieser Blase befindet, garantiert die Steuerung, dass es niemals aus dieser Blase herausfliegt, egal wie lange es fährt.
Warum ist das wichtig? In modernen Steuerungssystemen (wie beim selbstfahrenden Auto) wird oft ein Plan für die nächsten paar Sekunden gemacht. Damit der Plan nicht abbricht, muss das Fahrzeug am Ende dieses Plans wieder in eine solche "Sicherheitsblase" gelangen, aus der es sich ewig selbst retten kann.

Der Fehler: Der "Null-Eigenwert"-Effekt

Normalerweise berechnet man diese Sicherheitsblase, indem man rückwärts rechnet: "Woher muss das Auto gekommen sein, um jetzt noch sicher zu sein?" Man wiederholt das immer wieder, bis sich die Form nicht mehr ändert.

Das Problem, das die Autoren in diesem Papier behandeln, tritt auf, wenn der Ingenieur den Regler (den "Gehirn"-Algorithmus des Autos) so programmiert, dass er zu perfekt funktioniert.

Die Analogie: Stellen Sie sich vor, Sie werfen einen Ball. Ein normaler Regler lässt den Ball sanft zur Ruhe kommen. Ein "zu perfekter" Regler (oft durch eine Methode namens Riccati-Gleichung berechnet) sorgt dafür, dass der Ball nicht nur stoppt, sondern sofort in einer Art "Sackgasse" landet.
Technisch: Das führt dazu, dass die Bewegungsgleichungen des Systems "rank-defizient" werden. Das bedeutet, das System verliert eine Dimension. Es ist, als würde das Auto plötzlich nur noch auf einer flachen Ebene fahren, obwohl es eigentlich in 3D-Raum existiert. Es wird "flach" wie ein Schatten.

Wenn man nun versucht, die Sicherheitsblase für dieses "flache" System zu berechnen, stolpert der Standard-Rechner. Er versucht, rückwärts zu rechnen, aber da das System Informationen "verloren" hat (es ist in eine niedrigere Dimension projiziert worden), wird die Berechnung chaotisch oder bricht zusammen. Es ist, als würde man versuchen, einen 3D-Würfel rückwärts zu rekonstruieren, aber man hat nur noch ein 2D-Bild davon.

Die Lösung: Der "Schatten-Retter" (Schur-Zerlegung)

Die Autoren schlagen einen cleveren Trick vor, um dieses Problem zu lösen. Sie nutzen eine mathematische Methode namens Schur-Zerlegung.

Die Metapher des Schattens:
Stellen Sie sich vor, das System ist ein komplexes Objekt, das einen Schatten wirft.

Das Problem: Der Schatten (die "flache" Dimension) ist verzerrt und schwer zu analysieren.
Der Trick: Die Autoren nutzen die Schur-Zerlegung, um das System in zwei Teile zu zerlegen:
- Teil A (Der lebendige Teil): Hier passiert noch etwas. Das System bewegt sich normal.
- Teil B (Der tote Teil): Hier sind die "Null-Eigenwerte". Das System ist hier eingefroren oder kollabiert.

Der neue Algorithmus funktioniert so:

Ignorieren und Berechnen: Sie ignorieren vorübergehend den "toten" Teil (Teil B) und berechnen die Sicherheitsblase nur für den "lebendigen" Teil (Teil A). Das ist einfach, weil dort keine mathematischen Sackgassen sind.
Rückprojektion: Sobald sie die sichere Form für den lebendigen Teil haben, "heben" sie diese Form wieder in den ursprünglichen, vollen Raum hoch.
Die Schnittmenge: Schließlich schneiden sie diese hochgehobene Form mit den ursprünglichen Grenzen (dem Park) zusammen.

Das Ergebnis ist eine perfekte Sicherheitsblase, die auch für das "defekte" (rank-defiziente) System funktioniert.

Warum ist das gut? (Die Vorteile)

Die Autoren zeigen in ihren Beispielen (von kleinen mathematischen Modellen bis zu komplexen Feder-Masse-Systemen), dass ihr Ansatz zwei große Vorteile hat:

Geschwindigkeit: Der Standard-Rechner braucht bei großen Systemen ewig lange oder gibt auf. Ihr neuer Algorithmus rechnet blitzschnell, weil er das Problem auf die einfache Dimension reduziert, bevor er es wieder hochrechnet.
Präzision: Die berechneten Sicherheitszonen sind genauer und weniger "verschwendet". Bei der Standardmethode entstehen oft unnötig viele kleine Ecken und Kanten in der Berechnung, die den Rechner verlangsamen. Die neue Methode hält die Form sauber.

Zusammenfassung für den Alltag

Stellen Sie sich vor, Sie wollen die Grenzen eines Gartens definieren, in dem ein Roboter-Rasenmäher sicher arbeiten darf.

Das alte Problem: Wenn der Mäher so programmiert ist, dass er bei Erreichen des Ziels sofort "einfriert" (was mathematisch problematisch ist), konnten die alten Computer die Grenzen nicht mehr richtig berechnen. Sie waren verwirrt.
Die neue Lösung: Die Autoren sagen: "Okay, wir berechnen erst die Grenzen für den Teil des Mähers, der sich noch bewegt. Dann malen wir diese Grenzen auf den Boden und schneiden sie mit dem Zaun des Gartens ab."

Das Ergebnis: Ein sicherer, effizienter Algorithmus, der auch dann funktioniert, wenn die Steuerung des Roboters "zu perfekt" ist und mathematische Singularitäten erzeugt. Das ist ein großer Schritt für die Sicherheit von Robotern, Drohnen und autonomen Fahrzeugen in der echten Welt.

Titel: Berechnung der maximalen positiv invarianten Menge für rangdefiziente lineare Systeme

Autoren: Bogdan Gheorghe, Daniel Ioan, Cristian Flutur, Ionela Prodan, Florin Stoican

1. Problemstellung

Die Berechnung der maximalen positiv invarianten Menge (MPI) ist ein zentrales Element in der Regelungstechnik, insbesondere für die Gewährleistung der rekursiven Machbarkeit und Stabilität in der Modellprädiktiven Regelung (MPC). Die MPI definiert die größte Menge von Zuständen, aus denen das System unter Einhaltung von Zustands- und Eingangsbeschränkungen für alle zukünftigen Zeitschritte sicher operieren kann.

Das Hauptproblem, das in diesem Paper adressiert wird, entsteht bei rangdefizienten geschlossenen Regelkreisen.

Ursache: Bei der Synthese von Reglern (z. B. durch Lösung der algebraischen Riccati-Gleichung oder Dead-Beat-Regelung) werden oft Eigenwerte der geschlossenen Systemmatrix $A_\circ = A + BK$ auf Null gelegt. Dies führt dazu, dass $A_\circ$ singulär (nicht vollen Ranges) ist.
Konsequenz: Standardalgorithmen zur MPI-Berechnung basieren auf einer iterativen Vorwärts- oder Rückwärts-Rekursion (Prädiktor-Methode). Bei einer singulären Matrix kollabiert die Dynamik während der Iterationen auf niedrigdimensionale Unterräume.
Herausforderung: Herkömmliche Methoden (basierend auf Polyedern oder Zonotopen) stoßen bei dieser Struktur an numerische Grenzen oder versagen, da die Multiplikation mit $A_\circ^k$ Projektionen erzeugt, die die geometrische Struktur der Zwischensets fundamental verändern. Die Standard-Rekursion wird instabil oder ineffizient, insbesondere in hohen Dimensionen.

2. Methodik

Die Autoren schlagen einen robusten Algorithmus vor, der die Schur-Zerlegung der geschlossenen Systemmatrix nutzt, um das Problem in einen gutartigen Unterraum zu transformieren.

Kernidee:
Anstatt die MPI direkt im ursprünglichen $n$ -dimensionalen Raum für die singuläre Matrix zu berechnen, wird die Dynamik in einen reduzierten Raum transformiert, der nur die nicht-null Eigenwerte enthält.

Schritte des Algorithmus:

Schur-Zerlegung: Die Matrix $A_\circ$ $A_{\circ}$ wird in ihre reelle Schur-Form zerlegt: $A_\circ = U S U^\top$ $A_{\circ} = U S U^{⊤}$ .
- Die Matrix $S$ wird so sortiert, dass die Blöcke mit Null-Eigenwerten (nilpotente Blöcke) in einem unteren rechten Block $S_{22}$ zusammengefasst sind.
- Der obere linke Block $S_{11}$ enthält die Eigenwerte ungleich Null.
Dimensionsreduktion:
- Die Dynamik wird in transformierten Koordinaten $y = U^\top x$ betrachtet.
- Die Komponente $y_2$ (zugehörig zu $S_{22}$ ) wird nach endlich vielen Schritten ( $p$ , der Grad der Nilpotenz) null.
- Die verbleibende Dynamik $z_{k+1} = S_{11} z_k$ ist nicht-singulär und kann im reduzierten Raum $\mathbb{R}^{d_1}$ (wobei $d_1 < n$ ) effizient berechnet werden.
Berechnung der reduzierten MPI ( $\Phi_z$ ):
- Die MPI wird für die reduzierte Dynamik und die projizierten Beschränkungen im Raum $z$ berechnet.
Rücktransformation und Schnitt:
- Die reduzierte Menge wird zurück in den ursprünglichen Raum „gehoben".
- Es wird eine explizite Berechnung der Beschränkungen für die ersten $p$ Zeitschritte durchgeführt (während die nilpotente Dynamik noch aktiv ist).
- Die finale MPI $\Phi_x$ ergibt sich aus dem Schnitt der Menge, die durch die reduzierte Dynamik definiert ist, und der Menge, die durch die Anfangsbedingungen der nilpotenten Dynamik eingeschränkt ist.

Darstellungsformen:
Der Algorithmus wird für zwei gängige Mengendarstellungen implementiert:

Polyedrische Darstellung: Basierend auf Halbräumen ( $Fx \leq \theta$ ).
Eingeschränkte Zono-tope (Constrained Zonotopes - CZ): Eine effizientere Darstellung für hochdimensionale Probleme, die lineare Gleichungen und Ungleichungen kombiniert und unter Schnittoperationen abgeschlossen ist.

3. Wichtige Beiträge

Theoretische Lösung für Singularitäten: Das Paper liefert den ersten formalen Ansatz, der die Berechnung der MPI für Systeme mit Eigenwerten bei Null (rangdefiziente Matrizen) explizit und korrekt handhabt.
Schur-basierte Zerlegung: Die Nutzung der Schur-Form ermöglicht es, die nilpotente Dynamik analytisch zu trennen und die Berechnung auf den stabilen, nicht-singulären Teil zu beschränken.
Dualität der Darstellungen: Es wird gezeigt, dass die Methode sowohl für polyedrische als auch für eingeschränkte Zonotopen-Darstellungen gilt, wobei die zugrundeliegende Geometrie identisch ist, aber die Algorithmen zur Manipulation der Mengen unterschiedlich sind.
Effizienzsteigerung: Durch die Reduktion der Dimensionalität wird die Rechenkomplexität drastisch gesenkt, insbesondere bei Systemen mit vielen Null-Eigenwerten.

4. Ergebnisse und Beispiele

Die Autoren validieren ihren Ansatz an zwei Beispielen:

Numerisches Beispiel ( $\mathbb{R}^6$ ):
- Ein System mit einer geschlossenen Matrix, die Null-Eigenwerte mit Jordan-Blöcken der Dimension 1 und 2 aufweist.
- Der Algorithmus berechnet die MPI in nur 0,4 Sekunden.
- Die Ergebnisse zeigen, dass die Methode die korrekte Menge liefert, indem sie die Projektionseffekte der singulären Matrix korrekt berücksichtigt.
Coupled Spring Experiment (CSE):
- Ein skalierbares System mit gekoppelten Federn und Dämpfern (Dimension $2\ell$ ).
- Vergleich: Standard-Algorithmus vs. vorgeschlagener Algorithmus für rangdefiziente Systeme.
- Ergebnisse:
  - Bei steigender Dimension (ab $\ell=8$ ) explodiert die Anzahl der Iterationen und die Rechenzeit des Standard-Algorithmus.
  - Der vorgeschlagene Algorithmus bleibt auch bei hohen Dimensionen effizient.
  - Die Anzahl der benötigten Ungleichungen zur Beschreibung der polyedrischen MPI ist beim Standardansatz deutlich höher (z. B. bei $\ell=10$ : 1496 vs. 704 Ungleichungen).
  - Die geometrische Form der MPI unterscheidet sich je nach Reglerdesign (Riccati vs. Polplatzierung), was die Notwendigkeit einer präzisen Berechnung unterstreicht.

5. Bedeutung und Ausblick

Praktische Relevanz: Viele moderne MPC-Implementierungen nutzen Regler, die Eigenwerte auf Null setzen (z. B. für schnelle Einschwingzeiten oder optimale Kostenfunktionen). Ohne diesen Ansatz sind die Berechnungen der terminalen Mengen oft fehlerhaft oder zu rechenintensiv.
Robustheit: Der Algorithmus ist robust gegenüber der Art der Null-Eigenwerte (einfach oder mehrfache Jordan-Blöcke).
Zukunftsaussichten: Die Autoren planen, diesen Rahmen auf die Berechnung der maximalen zulässigen Ausgangsmenge (MOAS) zu erweitern, wobei sie eine SVD-basierte Faktorisierung in Betracht ziehen.

Fazit: Das Paper bietet einen essenziellen mathematischen und algorithmischen Beitrag, um die Lücke in der Berechnung von invarianten Mengen für eine wichtige Klasse von singulären linearen Systemen zu schließen, die in der optimalen Regelung häufig auftreten.