⚡ electrical engineering

Data-Driven Reachability Analysis for Piecewise Affine Systems

Este artículo presenta un enfoque novedoso basado en zonotopos híbridos para el análisis de alcanzabilidad de sistemas afines a trozos, el cual resuelve los desafíos en los límites de las regiones mediante algoritmos que garantizan la contención de las trayectorias reales y extiende métodos de estimación de conjuntos para datos con ruido.

Autores originales: Peng Xie, Johannes Betz, Davide M. Raimondo, Amr Alanwar

Publicado 2026-02-18

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Peng Xie, Johannes Betz, Davide M. Raimondo, Amr Alanwar

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 autónomo por una ciudad muy compleja. Tu coche no se mueve de la misma manera en todas partes: en la autopista va rápido y recto, en un cruce con semáforos debe frenar y girar, y en una zona de obras debe ir muy despacio. Además, tus sensores (cámaras, radares) a veces se equivocan un poco por la lluvia o el polvo.

El problema:
Querer saber si este coche puede chocar contra algo es como intentar predecir el futuro. Los ingenieros necesitan calcular todas las posiciones posibles a las que el coche podría llegar en los próximos segundos, considerando que no sabe exactamente dónde está (ruido de los sensores) y que las reglas del juego cambian según la zona por la que pasa.

Los métodos antiguos fallaban en los "cambios de zona". Imagina que el coche pasa de la autopista a la ciudad. Los métodos viejos decían: "Aquí hay un muro invisible" o "Aquí el coche vuela", porque no entendían bien cómo se comportaba el sistema justo en la frontera donde las reglas cambian. Esto podía dar falsas alarmas (pensar que chocará cuando no) o peores, no ver un peligro real.

La solución de este papel (el "Super-Mapa"):
Los autores (Peng Xie y su equipo) han creado una nueva herramienta matemática llamada Zono-Híbrido. Piensa en esto como un "mapa de seguridad" que se adapta y se estira.

Aprendizaje sin manual: Normalmente, para predecir el futuro necesitas el manual de instrucciones exacto del coche (las ecuaciones matemáticas perfectas). Pero aquí, el coche aprende mirando datos. Si tienes grabaciones de cómo se movió el coche en el pasado (incluso si esas grabaciones tienen un poco de "nieve" o error), el sistema puede deducir las reglas sin que nadie se las haya dado.
El mapa que se divide: En lugar de un solo mapa, el sistema crea varios "mapas pequeños" (uno para la autopista, otro para la ciudad, etc.). La magia de su método es que sabe cómo conectar estos mapas cuando el coche cruza la línea imaginaria entre ellos. No deja huecos ni crea muros falsos; dibuja una zona de seguridad que cubre todas las posibilidades reales.
Tres formas de mirar el mismo espejo: Para corregir la posición del coche cuando los sensores fallan, proponen tres métodos diferentes (llamados RM, IN y GI).
- Analogía: Imagina que tienes tres amigos que intentan adivinar dónde está un gato en una habitación oscura usando linterna.
  - El Amigo 1 (RM) dibuja el contorno exacto de la luz.
  - El Amigo 2 (IN) usa un truco de matemáticas para ajustar su cálculo sin dibujar todo.
  - El Amigo 3 (GI) añade las reglas de la habitación directamente al dibujo.
- El descubrimiento: El papel demuestra matemáticamente que los tres amigos ven exactamente el mismo gato. ¡Son idénticos! Solo que uno de ellos (el Amigo 1, o método RM) es el más rápido y eficiente, como un corredor olímpico frente a un caminante.

¿Por qué es importante?
Esto es vital para la seguridad de cosas que no podemos permitirnos que fallen: coches autónomos, drones, robots en fábricas o incluso marcapasos.

Sin modelos perfectos: No necesitas saber la física exacta del sistema (lo cual es casi imposible en el mundo real). Solo necesitas datos.
Seguridad garantizada: El método dibuja una "burbuja" de seguridad alrededor del sistema. Si esa burbuja nunca toca una zona prohibida (como un peatón o un muro), puedes estar 100% seguro de que el sistema es seguro, incluso si hay errores en los sensores.

En resumen:
Este trabajo es como inventar un GPS de seguridad infalible para sistemas complejos que cambian de comportamiento. Nos dice: "No importa si tus sensores fallan un poco o si cambias de autopista a callejón; mi mapa matemático cubre todas las posibilidades y te asegura que no chocarás". Y lo mejor de todo, lo hace usando datos reales en lugar de teorías perfectas que nadie tiene.

Título: Análisis de Alcanzabilidad Basado en Datos para Sistemas Afines a Trozos (PWA)

1. Planteamiento del Problema

Los sistemas híbridos, que combinan dinámicas continuas con conmutación de modos discretos, son fundamentales en aplicaciones críticas como vehículos autónomos, redes de tráfico y sistemas de energía. La verificación de seguridad en estos sistemas requiere determinar si los estados del sistema pueden entrar en regiones inseguras bajo condiciones iniciales y incertidumbres dadas (análisis de alcanzabilidad).

El desafío principal radica en que los sistemas híbridos, específicamente los Sistemas Afines a Trozos (PWA), presentan dinámicas distintas en diferentes regiones del espacio de estados. Los métodos tradicionales de alcanzabilidad basados en datos suelen fallar en las transiciones de frontera entre estas regiones, produciendo sobre-approximaciones inadecuadas o inexactas cuando la dinámica cambia abruptamente. Además, en la práctica, los modelos matemáticos exactos a menudo no están disponibles, y los datos de entrada-salida suelen estar contaminados por ruido de medición y ruido de proceso.

2. Metodología Propuesta

Los autores proponen un enfoque novedoso que utiliza zonotopos híbridos para realizar un análisis de alcanzabilidad basado puramente en datos, sin necesidad de un modelo matemático previo.

Representación con Zonotopos Híbridos: Se introduce una representación de conjuntos capaz de manejar tanto variables continuas como discretas (modos de operación). Un zonotopo híbrido ( $Z_h$ ) se define mediante matrices de generadores continuos y discretos, permitiendo capturar la estructura de múltiples regiones y sus transiciones.
Identificación del Modelo de Familia de Conjuntos:
- Para datos de entrada-estado (con ruido de proceso), el método construye un conjunto de modelos matriciales (zonotopos matriciales) que garantizan contener el modelo real del sistema. Esto se logra utilizando pseudoinversas de trayectorias de datos segmentadas por modo de operación.
- Para datos de entrada-salida (con ruido de proceso y de medición), se extiende el marco para incluir actualizaciones en línea basadas en mediciones.
Algoritmo de Propagación: Se desarrolla un algoritmo que calcula los conjuntos alcanzables paso a paso. El proceso implica:
1. Intersección del conjunto alcanzable actual con las regiones del espacio de estados (definidas por hiperplanos).
2. Propagación a través de los submodelos afines correspondientes a cada región.
3. Unión de los resultados para obtener el conjunto alcanzable global en el siguiente paso de tiempo.
Tres Métodos de Estimación de Estado: Para la actualización de mediciones en sistemas MIMO (Multiple-Input Multiple-Output), se proponen y evalúan tres técnicas matemáticamente equivalentes:
1. Mapeo Inverso (RM): Utiliza descomposición en valores singulares (SVD) para construir zonotopos de estado compatibles con la medición.
2. Intersección Implícita (IN): Optimiza matrices de ponderación ( $\lambda$ ) para minimizar el volumen del conjunto de estimación resultante.
3. Intersección Generalizada (GI): Formula las ecuaciones de medición como restricciones adicionales directas en la representación del zonotopo híbrido.

3. Contribuciones Clave

Método Basado en Datos: Un enfoque para calcular conjuntos alcanzables de sistemas PWA directamente a partir de mediciones ruidosas, eliminando la necesidad de un modelo paramétrico conocido.
Manejo de Transiciones de Modo: Algoritmos que gestionan explícitamente múltiples modos de operación y la partición del espacio de estados, manteniendo garantías de seguridad a través de las transiciones de región.
Marco de Estimación de Estado: Un marco completo para la estimación de estado basada en conjuntos para sistemas PWA MIMO con ruido de medición.
Equivalencia Matemática: Se proporciona una demostración formal de que las tres técnicas de procesamiento de ruido (RM, IN y GI) producen conjuntos idénticos bajo condiciones definidas (rango completo de matrices de medición, ruido acotado y linealidad), aunque difieren en su formulación computacional.

4. Resultados y Evaluación

Los autores validaron su metodología mediante ejemplos numéricos:

Validación de Sobre-Approximación: En un sistema de referencia PWA de dos modos, el método basado en datos (representado en púrpura claro) logró envolver consistentemente los conjuntos alcanzables derivados del modelo analítico (azul), demostrando la capacidad de sobre-approximación correcta incluso en las fronteras de conmutación.
Equivalencia de Métodos: Las simulaciones confirmaron que los tres métodos de estimación (RM, IN, GI) generan límites de estimación idénticos, validando el teorema de equivalencia. Todos los métodos contuvieron exitosamente la trayectoria del estado real.
Eficiencia Computacional: Se comparó el tiempo de cálculo de los tres métodos:
- Mapeo Inverso (RM): Fue el más rápido (tiempo mediano de 0.025s).
- Intersección Generalizada (GI): Tiempo mediano de 0.028s.
- Intersección Implícita (IN): Fue el más lento (tiempo mediano de 0.036s) debido a la necesidad de resolver un problema de optimización para las matrices de ponderación.
Complejidad: Se observó un crecimiento exponencial en el tiempo de cálculo a medida que aumentaba el horizonte temporal, lo cual es característico de los métodos de alcanzabilidad, pero el enfoque propuesto mantiene la viabilidad para horizontes razonables.

5. Significado e Impacto

Este trabajo es significativo porque cierra una brecha crítica en la verificación de sistemas ciberfísicos: la capacidad de realizar análisis de seguridad riguroso en sistemas híbridos complejos sin depender de modelos matemáticos precisos.

Aplicabilidad: Es especialmente relevante para aplicaciones donde la modelización es difícil o costosa (ej. vehículos autónomos en entornos dinámicos, robótica), permitiendo la verificación de seguridad basada únicamente en datos operativos.
Garantías de Seguridad: Al proporcionar sobre-approximaciones garantizadas que incluyen el ruido de medición y las transiciones abruptas, el método reduce tanto las falsas alarmas como las violaciones de seguridad no detectadas.
Herramienta Computacional: La demostración de que el método de Mapeo Inverso (RM) es el más eficiente entre las tres opciones equivalentes ofrece una guía práctica para la implementación en tiempo real.

En resumen, el artículo establece un nuevo estándar para el análisis de alcanzabilidad en sistemas híbridos, combinando la teoría de zonotopos híbridos con la identificación de sistemas basada en datos para ofrecer una herramienta robusta de verificación de seguridad.