⚡ electrical engineering

$\mathcal{L}_1$ -Certified Distributionally Robust Planning for Safety-Constrained Adaptive Control

Die vorgeschlagene hierarchische Framework kombiniert $\mathcal{L}_1$ -adaptive Regelung mit distributional robuster modellprädiktiver Steuerung, um durch online-Zertifizierung von Unsicherheitsmengen und datengestützte Ambiguitätssets die Sicherheit autonomer Systeme unter simultanen Modell- und Umgebungsunsicherheiten zu gewährleisten.

Ursprüngliche Autoren: Astghik Hakobyan, Amaras Nazarians, Aditya Gahlawat, Naira Hovakimyan, Ilya Kolmanovsky

Veröffentlicht 2026-03-31

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Astghik Hakobyan, Amaras Nazarians, Aditya Gahlawat, Naira Hovakimyan, Ilya Kolmanovsky

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 selbstfahrendes Auto. Ihr Ziel ist es, sicher und schnell von A nach B zu kommen. Doch die Welt ist voller Unsicherheiten:

Das Auto ist nicht perfekt: Die Sensoren sind ungenau, der Motor reagiert manchmal etwas anders als erwartet (das ist die Modellunsicherheit).
Die Umgebung ist chaotisch: Andere Autos, Fußgänger oder plötzliche Regenböen sind unvorhersehbar (das ist die Umweltunsicherheit).

Die meisten aktuellen Systeme versuchen, das Schlimmste zu verhindern (sehr vorsichtig) oder verlassen sich nur auf Daten aus der Vergangenheit (kann bei neuen Situationen versagen).

Dieser Papier beschreibt einen cleveren zweistufigen Sicherheitsplan, der wie ein erfahrener Kapitän und ein wacher Lotsen zusammenarbeitet, um das Auto sicher durch den Sturm zu steuern.

Die zwei Helden des Systems

1. Der Kapitän (DR-MPC): Der vorausschauende Planer

Der Kapitän sitzt oben im Kommandoturm. Er zeichnet eine Route auf der Karte.

Was er tut: Er plant die Fahrt im Voraus. Er weiß, dass es im Hafen (der Umgebung) viele andere Schiffe geben könnte. Also plant er nicht nur eine Linie, sondern einen Sicherheitskorridor.
Das Problem: Der Kapitän kennt die genauen Eigenschaften des Schiffes nicht perfekt (z. B. wie stark der Rost den Motor bremst). Wenn er nur auf seiner Karte plant, kann das Schiff in der Realität von der Route abweichen und gegen ein Riff laufen.

2. Der Lotsen (L1-Adaptive Control): Der wache Begleiter

Der Lotsen steht direkt am Steuer des Schiffes. Er hat ein spezielles Werkzeug: Er spürt sofort, wenn das Schiff nicht so läuft wie geplant.

Was er tut: Wenn der Motor plötzlich schwächelt oder der Wind stärker weht als gedacht, greift der Lotsen sofort ein. Er korrigiert das Steuer, damit das Schiff trotzdem genau dort bleibt, wo der Kapitän es haben wollte.
Das Geniale: Der Lotsen kann dem Kapitän eine Garantie geben. Er sagt: "Ich garantiere dir, dass das Schiff sich nie weiter als X Meter von deiner geplanten Route entfernt, egal was passiert."

Wie sie zusammenarbeiten (Das "Zertifikat")

Hier kommt die eigentliche Magie des Papiers ins Spiel. Normalerweise muss ein Planer (der Kapitän) raten, wie groß die Unsicherheit ist. Das führt oft zu sehr vorsichtigen, langsamen Plänen.

In diesem neuen System passiert Folgendes:

Der Lotsen (L1-Controller) berechnet in Echtzeit eine Sicherheitsgarantie. Er sagt: "Ich kann beweisen, dass wir uns maximal 1 Meter von der geplanten Linie entfernen."
Diese Zahl wird an den Kapitän (DR-MPC) zurückgemeldet.
Der Kapitän nutzt diese genaue Zahl, um seinen Sicherheitskorridor zu berechnen. Er muss nicht mehr raten ("Vielleicht sind es 10 Meter?"). Er weiß es genau ("Es sind nur 1 Meter").
Das Ergebnis: Der Kapitän kann einen viel optimierteren, schnelleren Plan machen, weil er sich auf die Garantie des Lotsen verlassen kann.

Die "Wasserstein-Röhre" (Eine einfache Analogie)

Stellen Sie sich vor, die geplante Route ist ein dünner roter Strich auf dem Boden.

Ohne den Lotsen wäre das Auto wie ein Betrunkener, der wackelig läuft. Niemand weiß, wie weit er vom Strich abweicht.
Mit dem Lotsen wird um den roten Strich eine unsichtbare Röhre (eine "Wasserstein-Röhre") gezogen.
Der Lotsen garantiert: "Das Auto wird niemals aus dieser Röhre herausfallen."
Der Kapitän plant nun so, dass selbst die Röhre nicht in die Hindernisse (andere Autos) hineinragt.

Warum ist das besser als alles andere?

Alte Methode (Nur Planer): Der Kapitän plant extrem vorsichtig, weil er Angst vor dem Unbekannten hat. Das Auto fährt sehr langsam und ineffizient.
Alte Methode (Nur Lotsen): Der Lotsen korrigiert zwar, aber er plant nichts voraus. Das Auto könnte in eine Sackgasse fahren, weil niemand die Zukunft gesehen hat.
Neue Methode (Teamwork): Der Kapitän plant eine schnelle, effiziente Route unter Berücksichtigung der Umwelt (andere Autos). Der Lotsen garantiert, dass das Auto trotz technischer Fehler genau auf dieser Route bleibt.

Das Fazit in einem Satz

Dieses System verbindet einen klugen Planer, der die unsichere Welt im Blick hat, mit einem schnellen Korrektor, der technische Fehler sofort ausgleicht und dem Planer eine feste Garantie gibt, dass das Fahrzeug sicher bleibt. So wird autonomes Fahren nicht nur sicherer, sondern auch flüssiger und effizienter.

1. Problemstellung

Autonome Systeme müssen unter Unsicherheit sicher operieren. Diese Unsicherheit setzt sich aus zwei Hauptkomponenten zusammen:

Modellunsicherheit (Epistemisch): Ungenauigkeiten im Systemmodell (z. B. nicht modellierte Dynamik, Parameterabweichungen).
Umgebungsunsicherheit (Aleatorisch): Exogene Zufallsstörungen und unbekannte Zustände der Umgebung (z. B. sich bewegende Hindernisse).

Das zentrale Problem besteht darin, Sicherheitsgarantien zu gewährleisten, wenn sowohl das Systemmodell als auch die Verteilung der Umgebungsdaten unsicher sind.

Klassische robuste Kontrollmethoden sind oft zu konservativ (basierend auf Worst-Case-Analysen).
Datengetriebene Ansätze (z. B. Reinforcement Learning) sind oft nicht robust gegenüber Verteilungsverschiebungen und bieten keine formalen Sicherheitsgarantien.
Verteilungsrobuste Optimierung (Distributionally Robust Optimization, DRO) bietet einen Mittelweg, indem sie mit „Ambiguitätsmengen" (Mengen möglicher Verteilungen) arbeitet. Ein kritisches Hindernis bei der Anwendung von DRO auf die Regelung ist jedoch die Zertifizierung dieser Mengen: Bei zeitvariablen Systemzuständen stehen dem Regler nur einzelne Stichproben (Feedback-Signale) zur Verfügung, nicht jedoch mehrere unabhängige Stichproben aus derselben Verteilung, um die Gültigkeit der Ambiguitätsmenge zu bestätigen.

2. Methodik: Hierarchischer Rahmen

Die Autoren schlagen einen hierarchischen Rahmen vor, der Distributionally Robust Model Predictive Control (DR-MPC) mit $L_1$ -Adaptiver Regelung ( $L_1$ -AC) koppelt. Das Ziel ist eine bidirektionale Kommunikation zwischen Planung und Anpassung.

A. DR-MPC Planer (Obere Ebene)

Ziel: Generierung einer nominalen Trajektorie, die Sicherheitsbeschränkungen unter Berücksichtigung von Umgebungsunsicherheit einhält.
Ansatz: Der Planer löst ein DR-MPC-Problem über einen gleitenden Horizont.
Sicherheitsbeschränkung: Es werden distributionally robust chance constraints (DR-CC) verwendet. Diese fordern, dass die Wahrscheinlichkeit eines Kollisionsereignisses über die gesamte Ambiguitätsmenge (Wasserstein-Ball) hinweg unter einem Schwellenwert $\beta$ bleibt.
Umgebungsmodellierung: Die Unsicherheit der Umgebung wird durch datengetriebene Ambiguitätsmengen erfasst, die aus endlichen Stichproben historischer Daten konstruiert werden.

B. $L_1$ -Adaptive Regelung (Untere Ebene)

Ziel: Kompensation von Modellunsicherheiten (nicht modellierte Drift- und Diffusionsterme) in Echtzeit.
Funktionsweise: Ein $L_1$ -Adaptiver Controller wird einem Basis-Tracking-Regler hinzugefügt. Er nutzt einen Zustandsprädiktor und einen Low-Pass-Filter, um geschätzte Unsicherheiten schnell zu kompensieren, ohne die Stabilität des nominalen Systems zu gefährden.
Der „Zertifikat"-Mechanismus: Das entscheidende Element ist, dass der $L_1$ -Controller Online-Zertifikate liefert. Theoretisch wurde gezeigt (basierend auf [32]), dass der $L_1$ -Controller die Wasserstein-Distanz zwischen der wahren Zustandsverteilung und der nominalen Verteilung nach oben beschränkt.
Bedeutung: Diese Beschränkung zertifiziert online den Radius der Ambiguitätsmenge für das System, ohne dass dafür zusätzliche Verteilungsstichproben benötigt werden.

C. Integration und Sicherheitsgarantie

Die beiden Ebenen werden durch eine gemeinsame Wasserstein-Ambiguitätsmenge für den kombinierten System-Umgebungs-Zustand verknüpft.

Der Gesamtradius $\rho_y$ setzt sich additiv aus dem Systemradius $\rho_x$ (zertifiziert durch $L_1$ -AC) und dem Umgebungsradius $\rho_z$ (geschätzt via Konzentrationsschranken aus Daten) zusammen.
Theorem 2 besagt: Wenn der DR-MPC-Planer mit diesem Radius lösbar ist, garantiert das geschlossene System eine stufenweise Sicherheit (d. h. die Wahrscheinlichkeit eines Kollisionsereignisses ist $\le \beta$ ).

3. Mathematische Reformulierung (Traktabilität)

Das ursprüngliche DR-MPC-Problem ist schwer zu lösen, da es Erwartungswerte über komplexe Verteilungen enthält.

Dualität: Die Autoren nutzen die Wasserstein-Dualität, um die Worst-Case-Wahrscheinlichkeitsbeschränkung in eine äquivalente Bedingung umzuwandeln, die den Conditional Value-at-Risk (CVaR) unter der nominalen Verteilung verwendet.
Abstand zur Kollisionsmenge: Die Sicherheit wird über den Abstand zur Kollisionsmenge $C$ ( $d_Y(y, C)$ ) ausgedrückt.
Stichprobenbasierte Implementierung: Da die CVaR-Bedingung noch einen Erwartungswert enthält, wird dieser durch eine Monte-Carlo-Schätzung approximiert. Dies führt zu einem endlich-dimensionalen Optimierungsproblem, das auf Stichproben der nominalen System- und Umgebungsverteilungen basiert.

4. Wichtige Beiträge

Hierarchischer Rahmen: Ein neuartiges Framework, das Planung (DR-MPC) und Anpassung ( $L_1$ -AC) über gemeinsame Wasserstein-Ambiguitätsmengen koppelt.
Online-Zertifizierung ohne Stichproben: Die Nutzung von $L_1$ -AC, um den Radius der System-Ambiguitätsmenge online zu zertifizieren, was das Problem der fehlenden unabhängigen Stichproben aus zeitvariablen Verteilungen löst.
Beweisbare Sicherheit: Ein theoretischer Nachweis, dass die Kombination aus DR-MPC und $L_1$ -AC stufenweise Sicherheitsgarantien für das wahre geschlossene System unter simultaner Modell- und Umgebungsunsicherheit bietet.
Traktable Reformulierung: Eine geometrie-unabhängige Umformulierung der DR-CCs mittels CVaR und Wasserstein-Dualität, die eine stichprobenbasierte Implementierung ermöglicht.

5. Ergebnisse (Experimente)

Die Methode wurde in Simulationen zur Trajektorienverfolgung mit dynamischen Hindernissen getestet (z. B. Acht-Form, Kreis, Lissajous-Kurven, Spirale).

Vergleich: Es wurden drei Ansätze verglichen:
1. DR-MPC mit nominalem Modell (ohne Anpassung).
2. DR-MPC direkt auf dem unsicheren System angewendet (ohne $L_1$ -AC).
3. Der vorgeschlagene Ansatz (DR-MPC + $L_1$ -AC).
Ergebnisse:
- Der Ansatz ohne Anpassung scheiterte in vielen Szenarien (bis zu 86% Ausfallrate bei Kreisbewegungen) aufgrund von Modellabweichungen, obwohl er Umgebungsunsicherheit berücksichtigte.
- Der vorgeschlagene Ansatz eliminierte Ausfälle in allen getesteten Szenarien (0% Ausfallrate) und hielt die Verfolgungsfehler nahe am nominalen Niveau.
- Die $L_1$ -Komponente sorgte dafür, dass die wahre Trajektorie eng der nominalen folgte, wodurch die Sicherheitsannahmen des Planers validiert blieben.

6. Bedeutung und Ausblick

Dieses Paper schließt eine wichtige Lücke in der sicheren autonomen Regelung: Es verbindet die Stärken der datengetriebenen Risikominimierung (DR-MPC) mit der Robustheit adaptiver Regelung ( $L_1$ -AC).

Praktische Relevanz: Es ermöglicht den Einsatz von DR-MPC in realen Systemen, wo Modellfehler unvermeidbar sind, ohne auf übermäßig konservative Worst-Case-Ansätze zurückgreifen zu müssen.
Theoretischer Fortschritt: Die Fähigkeit, Ambiguitätsmengen für die Planung online zu zertifizieren, ist ein Durchbruch für die Anwendung von DRO in Echtzeit-Regelungssystemen.

Zukünftige Arbeiten sollen sich mit vollständig nichtlinearen Dynamiken und der Sicherstellung der rekursiven Lösbarkeit (recursive feasibility) des DR-MPC-Problems befassen.