⚡ electrical engineering

Data-driven invariant set for nonlinear systems with application to command governors

Este artículo propone un nuevo marco de trabajo basado en datos que sintetiza conjuntos invariantes positivos para sistemas no lineales no modelados utilizando funciones de tipo Lyapunov de suma de cuadrados y programación lineal, permitiendo el diseño de gobernadores de comando robustos que imponen restricciones a pesar de la incertidumbre de la planta.

Autores originales: Ali Kashani, Claus Danielson

Publicado 2026-06-16

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ali Kashani, Claus Danielson

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás conduciendo un coche que tiene un piloto automático muy hábil, pero ligeramente "ciego". Este piloto automático sabe cómo mantener el coche estable y seguir una trayectoria general, pero no conoce las reglas específicas de la carretera (como mantenerse dentro de las líneas del carril) ni la física exacta de cómo reacciona el coche ante cada giro posible. Quieres añadir un "guardián de seguridad" que vigile al piloto automático y ajuste suavemente sus comandos para asegurar que el coche nunca choque o se salga de la carretera, sin desactivar el piloto automático y empezar de cero.

Este artículo presenta una nueva forma de construir ese guardián de seguridad para sistemas complejos e impredecibles (como robots o coches autónomos) utilizando datos en lugar de modelos matemáticos complejos.

Aquí está el desglose de su enfoque utilizando analogías de la vida cotidiana:

1. El Problema: La "Caja Negra" y la "Red de Seguridad"

En muchas máquinas del mundo real, no tenemos una fórmula matemática perfecta que describa exactamente cómo se mueven. Podríamos tener un controlador que funciona bien, pero no sabemos por qué funciona o si romperá las reglas en una situación nueva.

El Objetivo: Crear un "Gobernador de Comandos" (CG). Piensa en esto como un copiloto sentado al lado del conductor principal. El conductor principal intenta ir a donde quiere, pero el copiloto comprueba: "¿Si vas hacia allá, chocaremos contra una pared?". Si la respuesta es sí, el copilólogo ajusta ligeramente el volante para mantenernos seguros, y luego deja que el conductor principal retome el control.
El Desafío: Normalmente, para construir este copiloto, necesitas un mapa perfecto del terreno (un modelo matemático). Si no tienes el mapa, o si el mapa es erróneo, el copiloto podría tomar malas decisiones.

2. La Solución: Aprender de los "Viajes Seguros"

En lugar de intentar escribir un mapa perfecto, los autores dicen: "Simplemente observemos qué sucede cuando conducimos el coche con diferentes ángulos de giro constantes".

Los Datos: Conducen el sistema con un comando fijo (por ejemplo, "girar ligeramente a la izquierda") y registran la trayectoria. Hacen esto para muchos comandos diferentes.
La "Zona Segura" (Conjunto Invariante): Para cada comando específico, analizan los datos para encontrar una "Burbuja de Seguridad". Si el coche está dentro de esta burbuja y utilizas ese comando específico, el coche se mantendrá dentro de la burbuja para siempre. Es como un campo de fuerza que mantiene al coche a salvo.
El Truco de Magia: Combinan todas estas "Burbujas de Seguridad" individuales (una para cada comando) en un "Conjunto Admisible" gigante y flexible. Este conjunto le dice al copiloto: "Mientras el coche esté dentro de esta gran forma, y elijas un comando de esta lista, estaremos seguros".

3. Las Matemáticas: Convertir un Rompecabezas en una Lista de Verificación Simple

Normalmente, calcular estas "Burbujas de Seguridad" para sistemas no lineales complejos es como intentar resolver un rompecabezas de 1,000 piezas donde las piezas cambian de forma constantemente. Requiere cálculos computacionales pesados y lentos (llamados Programación Semidefinida).

La Innovación: Los autores encontraron una forma de simplificar esto. Utilizaron una técnica llamada "levantamiento" (imagina tomar una sombra en 2D y estirarla a 3D para ver mejor la forma) y luego convirtieron el rompecabezas difícil en una lista de verificación simple (Programación Lineal).
Por qué es importante: Esto hace que el cálculo sea lo suficientemente rápido como para realizarse fuera de línea (antes de que el coche siquiera arranque), de modo que el sistema de seguridad esté listo para actuar instantáneamente.

4. Manejo de la Incertidumbre: El Margen de Seguridad "Difuso"

Dado que están aprendiendo de los datos, puede haber brechas. Tal vez condujeron el coche 100 veces, pero hay un punto en la carretera por el que nunca pasaron. ¿Qué pasa si el coche se comporta de forma extraña allí?

La Solución: Utilizan una propiedad "Lipschitz" (una forma elegante de decir que "el coche no puede teletransportarse o cambiar de velocidad instantáneamente"). Calculan un margen de seguridad basado en qué tan cerca están los puntos de sus datos entre sí. Si los datos son densos (muchos puntos), el margen de seguridad es pequeño. Si los datos son dispersos, reducen la "Burbuja de Seguridad" para ser extra cautelosos. Esto asegura que, incluso si las matemáticas no son perfectas, el sistema sea robusto y no rompa las reglas accidentalmente.

5. Pruebas en el Mundo Real

Probaron esta idea de dos maneras:

Un Resorte Simple: Utilizaron un sistema físico estándar donde conocían la respuesta. Compararon su "Burbuja de Seguridad" basada en datos con la respuesta matemática perfecta. Era casi idéntica, demostrando que su método funciona.
Un Coche Autónomo: Simularon un coche intentando mantenerse en su carril. El coche tenía un controlador interno (el conductor) que era bueno pero no perfecto.
- Sin el Guardián: El coche se salía del carril.
- Con su Guardián basado en Datos: El coche se mantuvo perfectamente en su carril, incluso cuando la velocidad cambiaba o la carretera se volvía complicada. Funcionó tan bien como si hubieran utilizado el modelo matemático perfecto, pero sin necesidad del modelo en absoluto.

Resumen

El artículo dice: "No intentes escribir una descripción de libro de texto perfecta de cómo se mueve un robot. En su lugar, observa cómo se mueve, encuentra las 'Zonas Seguras' para diferentes comandos usando datos, y construye un guardián de seguridad que mantenga al robot dentro de esas zonas. Encontramos una forma rápida y fiable de hacer esto incluso si el robot es impredecible".

Esto permite a los ingenieros añadir funciones de seguridad a sistemas existentes y complejos sin tener que reconstruir todo el sistema desde cero o comprender cada pequeño detalle de su física.

Resumen Técnico: Conjunto Invariante Basado en Datos para Sistemas No Lineales con Aplicación a Gobernadores de Comandos

Planteamiento del Problema
Los sistemas ciberfísicos críticos para la seguridad, como los vehículos autónomos y los robots industriales, deben operar dentro de restricciones estrictas de estado. Si bien los controladores existentes (por ejemplo, PID o LQR) suelen gestionar la estabilidad y el seguimiento de referencias, pueden no garantizar la satisfacción de las restricciones, particularmente cuando la dinámica del sistema es no modelada, compleja o incierta. Reemplazar estos controladores por un Control Predictivo basado en Modelo (MPC) suele ser indeseable debido a la pérdida de los controladores heredados ya ajustados y al requerimiento de un modelo de sistema preciso. Los Gobernadores de Comandos (CG, por sus siglas en inglés) ofrecen una alternativa como un controlador de bucle externo que ajusta el comando de referencia para asegurar que se cumplan las restricciones sin rediseñar el controlador interno. Sin embargo, la síntesis de un CG para sistemas no lineales no modelados es un desafío. Los métodos tradicionales dependen del cálculo de conjuntos Controlados Invariantes (CI), que a menudo requieren resolver problemas de optimización no convexos intratables o dependen de un modelo de sistema conocido. Además, los enfoques puramente basados en datos que intentan aprender conjuntos invariantes directamente suelen tener dificultades con la "maldición de la dimensionalidad" y carecen de garantías formales de invariancia debido a la finitud de los datos y la incertidumbre de la planta.

Metodología
El artículo propone un enfoque directo basado en datos para sintetizar conjuntos Positivamente Invariantes (PI) para sistemas no lineales no modelados, los cuales son agregados para formar un conjunto CI para su uso en un Gobernador de Comandos. La metodología procede de la siguiente manera:

Reformulación del Problema mediante Conjuntos PI: En lugar de calcular directamente un complejo conjunto CI para el sistema controlado, los autores descomponen el problema. Asumen un conjunto de comandos constantes $\bar{r}$ . Para cada comando constante, el sistema se convierte en un sistema autónomo. Los autores computan un conjunto PI $O(\bar{r})$ para cada una de las dinámicas autónomas. La unión de estos conjuntos PI forma un conjunto CI para el sistema controlado original. Esto reduce la síntesis del CG a un programa entero que selecciona el comando constante $\bar{r}$ más cercano tal que el estado actual se encuentre dentro del conjunto PI correspondiente.
Síntesis Funcional con Funciones de Base: Para computar los conjuntos PI $O(\bar{r})$ , los autores los representan como conjuntos de subnivel de una función de tipo Lyapunov $V(x; \bar{r}) \leq 1$ . Parametrizan esta función utilizando una combinación de funciones de base $\phi(x)$ preseleccionadas (por ejemplo, splines de placa delgada o características de redes neuronales) y una matriz definida positiva $P$ . La función se construye para satisfacer condiciones que aseguren que el conjunto esté contenido dentro del conjunto de restricciones y que la función disminuya (o permanezca acotada) a lo largo de las trayectorias del sistema.
Programación Semidefinida (SDP) Basada en Datos:
- Aproximación de Equilibrio: Dado que el equilibrio real $x_\infty(\bar{r})$ es desconocido, este se aproxima utilizando el promedio de conjunto de los estados finales de las trayectorias generadas por comandos constantes.
- Robustez mediante Propiedades de Lipschitz: Para manejar la incertidumbre derivada de los datos finitos y la falta de un modelo, los autores aprovechan la continuidad de Lipschitz de la dinámica del sistema ( $L_f$ ) y de las funciones de base ( $L_\phi$ ). Derivan un término de "ajuste" $\epsilon_k$ basado en la densidad de los datos (distancia de Hausdorff entre el conjunto de restricciones y los datos) y las constantes de Lipschitz.
- Optimización: El problema de síntesis se formula como un Programa Semidefinido (SDP) que minimiza el volumen del conjunto invariante (minimizando un integral de la función de Lyapunov) sujeto a restricciones que aseguren la invariancia en los puntos de datos muestreados, ajustados por el término de robustez $\epsilon_k$ .
Tractabilidad Computacional: Reconociendo que los SDP son computacionalmente costosos para sistemas de alta dimensión, los autores proponen una técnica de relajación. Aproximan la matriz solución $P$ como una combinación lineal de matrices definidas positivas fijas. Esto transforma el SDP en un Programa Lineal (LP), reduciendo significativamente la complejidad computacional mientras mantiene garantías de invariancia demostrables.

Resultos Clave
El artículo valida el enfoque a través de dos ejemplos:

Ejemplo Lineal Ilustrativo: Se utilizó un sistema lineal de tiempo invariable (LTI) con dinámica subamortiguada y restricciones politópicas. El CG basado en datos se comparó con un CG sintetizado utilizando el conjunto admisible máximo real (calculado mediante métodos estándar basados en modelos). Los resultados demostraron que el CG basado en datos logró imponer las restricciones y alcanzó un rendimiento cercano al CG óptimo basado en modelos, a pesar de no tener acceso al modelo del sistema.
Mantenimiento de Carril Autónomo: Se utilizó un modelo de bicicleta cinemático no lineal para simular un vehículo autónomo. El controlador interno fue un Regulador Cuadrático Lineal (LQR) diseñado para una velocidad nominal. El CG basado en datos fue probado durante maniobras de adelantamiento donde la velocidad del vehículo aumentó de 20 m/s a 27 m/s. Los resultados mostraron que el CG basado en datos evitó que el vehículo saliera de la carretera (violando las restricciones) en escenarios donde el sistema sin un CG, o un CG utilizando un enfoque basado en muestras, fallaron.

Significancia y Reivindicaciones
El artículo afirma presentar una técnica novedosa de síntesis directa basada en datos para conjuntos invariantes en sistemas no lineales no modelados sin requerir un paso intermedio de identificación del sistema. Las contribuciones clave incluyen:

Aprendizaje Directo: Los conjuntos invariantes se aprenden directamente de las trayectorias de datos, evitando la necesidad de un modelo paramétrico.
Garantías de Robustez: Al utilizar las propiedades de Lipschitz y métricas de densidad de datos, el método proporciona garantías formales de que los conjuntos aprendidos son robustos a la incertidumbre inherente del marco basado en datos.
Escalabilidad: La relajación del SDP a un LP aborda la maldición de la dimensionalidad, haciendo que el enfoque sea computacionalmente factible para sistemas de mayor dimensión.
Utilidad Práctica: Se demuestra que el método es efectivo tanto en escenarios lineales como no lineales, mostrando específicamente su utilidad en aplicaciones críticas para la seguridad, como la conducción autónoma, donde la incertidumbre del modelo y la satisfacción de restricciones son primordiales.

Los autores mantienen un tono modesto, reconociendo que el enfoque produce un conjunto invariante "sub-máximo" en lugar del conjunto máximo exacto, pero enfatizan que la garantía de invariancia y admisibilidad de las restricciones es el objetivo principal. Señalan que el ruido de medición y las perturbaciones externas no se consideran actualmente, pero son temas para trabajos futuros.