⚡ electrical engineering

Safety-Critical Control via Recurrent Tracking Functions

Este artículo presenta un enfoque para la síntesis de controladores de seguridad crítica en sistemas no lineales de alto orden mediante la introducción de Funciones de Seguimiento Recurrentes (RTF), las cuales relajan el requisito de decaimiento monótono para permitir desviaciones transitorias mientras garantizan la seguridad al integrarlas con Funciones de Barrera de Control en modelos de orden reducido.

Autores originales: Jixian Liu, Enrique Mallada

Publicado 2026-04-06

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Jixian Liu, Enrique Mallada

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 muy complejo (un sistema de "alto orden") por una ciudad llena de obstáculos. Tu objetivo es llegar a un destino sin chocar, pero el coche es tan complicado que calcular en tiempo real cómo evitar cada bache y cada peatón es una tarea matemática imposible para la computadora.

Aquí es donde entra este artículo, que propone una solución inteligente y relajada para garantizar la seguridad.

1. El Problema: El "Mapa" vs. El "Coche Real"

Los ingenieros suelen usar dos modelos:

El Modelo Reducido (RoM): Es como un mapa simplificado o un "dibujito" del coche. Solo ve lo importante: "¿Estoy cerca de un muro?". Es fácil de calcular.
El Modelo Completo (FoM): Es el coche real, con sus 4 ruedas, suspensión, peso, fricción, etc. Es muy difícil de controlar directamente.

La idea tradicional es: "Dibuja una línea de seguridad en el mapa (Modelo Reducido) y asegúrate de que el coche real siga esa línea perfectamente". Pero para que el coche real siga la línea perfectamente, necesitas una función matemática (llamada función de Lyapunov) que diga: "El error debe disminuir siempre, sin parar, sin subir ni bajar".

El problema: En sistemas complejos (como robots con patas o aviones), es casi imposible encontrar esa función que baje siempre. Es como pedirle a un corredor que baje una montaña sin tropezar ni un solo segundo. Si tropieza, el sistema falla.

2. La Solución: El "Bucle de Recurrencia" (RTF)

Los autores dicen: "¡Esperen! No necesitamos que el error baje siempre. Solo necesitamos que, si el coche se desvía, vuelva a la línea segura en un tiempo determinado".

Presentan algo llamado Funciones de Seguimiento Recurrentes (RTF).

La analogía del perro y el dueño:
Imagina que el "Modelo Reducido" es el dueño caminando por la acera (la ruta segura) y el "Modelo Completo" es un perro con correa (el coche real).

El método antiguo: Exigía que el perro caminara pegado al zapato del dueño todo el tiempo. Si el perro olía algo y se apartaba un metro, el sistema fallaba.
El método nuevo (RTF): Permite que el perro se aleje un poco, olfatee un árbol o juegue un momento (desviación temporal). Pero la regla es: El perro debe volver a estar junto al dueño antes de que pasen X segundos.

Mientras el perro vuelva a la "zona segura" antes de ese límite de tiempo, ¡todo está bien! No necesita caminar perfecto, solo necesita no perderse.

3. ¿Cómo funciona la magia? (CBF Recurrente)

El paper combina dos cosas:

La barrera de seguridad del mapa: Una regla simple que dice "No cruces la línea roja".
La regla del perro (RTF): "Si te alejas, vuelve en τ segundos".

Al unirlos, crean una "Barrera de Seguridad Recurrente".
Esto significa que el coche real puede salirse momentáneamente de la "zona de seguridad perfecta" del mapa, pero la matemática garantiza que:

Nunca entrará en la zona de "peligro mortal" (chocar).
Siempre volverá a la zona segura antes de que sea demasiado tarde.

Es como tener un paracaídas que no se abre inmediatamente, pero que garantiza que, si caes, te detendrás antes de tocar el suelo.

4. El Experimento (El coche en la ciudad)

Probaron esto con un coche virtual en 2D que debía esquivar obstáculos circulares.

Sin la nueva regla: Si el coche se desviaba un poco, el sistema se volvía loco y chocaba.
Con la nueva regla: El coche se desviaba, "oscilaba" un poco, pero siempre volvía a la trayectoria segura rápidamente. El resultado: Llegó al destino sin chocar, incluso cuando el camino era difícil.

En Resumen

Este papel nos dice que para controlar robots complejos y seguros, no necesitamos que sean perfectos en todo momento. Solo necesitamos que sean rápidos en corregir sus errores.

Antes: "Si te equivocas un milímetro, es un desastre."
Ahora: "Si te equivocas, está bien, pero asegúrate de arreglarlo antes de que pase un segundo. Mientras tanto, el sistema de seguridad te protege."

Esto hace que sea mucho más fácil y barato construir robots seguros para el mundo real, donde las cosas nunca son perfectas.

Resumen Técnico: Control Crítico para la Seguridad mediante Funciones de Seguimiento Recurrentes

1. Planteamiento del Problema

El control de sistemas autónomos de alta complejidad (como vehículos aéreos, robots bípedos o redes eléctricas) requiere garantizar la satisfacción de restricciones de seguridad mientras se cumplen objetivos de rendimiento. La herramienta estándar para esto son las Funciones de Barrera de Control (CBF), que definen conjuntos de seguridad invariantes hacia adelante.

Sin embargo, existen dos desafíos principales:

Intractabilidad Computacional: Construir CBFs válidas para sistemas no lineales de alto orden (modelos de orden completo o FoM) es computacionalmente prohibitivo debido a la "maldición de la dimensionalidad".
Limitaciones de Seguimiento: Una estrategia común es el control en capas, donde se diseña una CBF en un modelo de orden reducido (RoM) y se usa un controlador de bajo nivel para que el FoM siga las referencias del RoM. Tradicionalmente, esto requiere funciones de Lyapunov de seguimiento que decrezcan monótonamente. Sin embargo, sintetizar tales funciones para sistemas no totalmente actuados o complejos es extremadamente difícil o imposible.

El problema central es: ¿Cómo garantizar la seguridad del sistema completo (FoM) utilizando una CBF en el modelo reducido (RoM) sin requerir un decrecimiento monótono estricto del error de seguimiento?

2. Metodología Propuesta

Los autores proponen un marco teórico que relaja las condiciones de estabilidad de Lyapunov tradicionales mediante el uso de Funciones de Seguimiento Recurrentes (RTF).

Control en Capas (Layered Control):
- Se utiliza un Modelo de Orden Reducido (RoM) que captura las dinámicas críticas para la seguridad (ej. cinemática de colisión).
- Se utiliza un Modelo de Orden Completo (FoM) que representa la física real del sistema.
- Un controlador de bajo nivel intenta que el FoM siga las trayectorias del RoM.
Relajación de la Condición de Lyapunov (RTF):
- En lugar de exigir que la función de error de seguimiento $V$ decrezca monótonamente en todo momento, se introduce la condición de recurrencia en tiempo finito.
- Se define una Función de Seguimiento Recurrente (RTF) que requiere que el error de seguimiento regrese a un nivel inferior dentro de un intervalo de tiempo acotado $\tau$ .
- Hallazgo clave: Para sistemas con error de seguimiento exponencialmente estable, cualquier norma del error de seguimiento es una RTF válida. Esto elimina la necesidad de diseñar funciones de Lyapunov complejas.
Construcción de CBF Recurrentes (RCBF):
- Se combina la CBF del RoM ( $h$ ) con la RTF del error ( $V$ ) para crear una CBF Recurrente ( $h_V$ ):
  $h_V(z, \dot{e}) = -V(z, \dot{e}) + \alpha_e h(z)$
- El conjunto de nivel cero superior de $h_V$ ( $S_V$ ) es control $\tau$ -recurrente. Esto significa que las trayectorias pueden salir temporalmente de $S_V$ (el conjunto de seguridad estricto del error), pero deben regresar dentro de un tiempo $\tau$ .
- Condición de Seguridad: Si la tasa de convergencia del error ( $\beta$ ) es mayor que la tasa de acercamiento al límite de seguridad ( $\alpha$ ), el sistema garantiza que la función de barrera del RoM ( $h$ ) nunca se vuelve negativa, asegurando la seguridad del FoM incluso si el error de seguimiento oscila temporalmente.
Robustez ante Perturbaciones:
- El marco se extiende a sistemas con perturbaciones acotadas mediante el concepto de Seguridad de Estado de Entrada (ISSf). Se define un conjunto de seguridad ampliado que compensa el error en estado estacionario causado por las perturbaciones.

3. Contribuciones Clave

Marco de Funciones de Seguimiento Recurrentes (RTF): Se formaliza la relajación de las condiciones de Lyapunov a condiciones de recurrencia. Se demuestra que para sistemas con error de seguimiento exponencialmente estable, cualquier norma del error es una RTF válida, simplificando drásticamente la síntesis para sistemas no lineales generales.
Análisis de Seguridad Teórico: Se prueba que si el estado inicial se encuentra en el conjunto recurrente $S_V$ , cualquier controlador que satisfaga la condición de RTF garantiza la seguridad del sistema completo (FoM) para todo $t \geq 0$ , permitiendo desviaciones transitorias del error.
Síntesis Sistemática: Se proporciona un método sistemático para construir CBFs recurrentes que vinculan la seguridad del RoM con la dinámica del FoM, superando las limitaciones de los métodos basados en Lyapunov monótonos.
Validación Numérica: Se demuestra la eficacia del enfoque en un caso de estudio de un integrador doble 2D con obstáculos, mostrando cómo la elección correcta de parámetros asegura la seguridad frente a escenarios donde los métodos tradicionales fallarían.

4. Resultados

Simulaciones: En un experimento con un robot móvil (integrador doble) navegando entre obstáculos circulares:
- Se compararon tres valores de parámetro $\alpha$ (tasa de decaimiento de la CBF).
- Cuando $\alpha$ era demasiado alto (5.0) o el estado inicial estaba fuera del conjunto seguro $S_V$ (caso $\alpha=1.0$ ), el sistema violó las restricciones de seguridad ( $h(t) < 0$ ).
- Solo cuando se satisfizo la condición teórica con un $\alpha$ adecuado (0.5) y un estado inicial en $S_V$ , la trayectoria permaneció segura en todo momento, a pesar de que el error de seguimiento mostró comportamiento recurrente (oscilaciones) en lugar de decrecimiento monótono perfecto.
Validación de la Teoría: Los resultados confirmaron que el error de seguimiento converge exponencialmente y permanece acotado por los límites de ISS cuando se activan filtros de seguridad, validando la robustez del método.

5. Significado e Impacto

Este trabajo es significativo porque:

Democratiza el Control Seguro: Permite aplicar CBFs a sistemas complejos y de alto orden donde la construcción de funciones de Lyapunov tradicionales es imposible.
Flexibilidad: Al permitir desviaciones transitorias del error de seguimiento (siempre que sean recurrentes), se reduce el conservadurismo excesivo de los métodos anteriores, permitiendo un rendimiento más ágil sin sacrificar la seguridad.
Aplicabilidad General: Al basarse en normas simples en lugar de funciones de Lyapunov complejas, el método es aplicable a una amplia gama de sistemas no lineales, incluyendo aquellos no totalmente actuados.
Futuro: Abre la puerta a métodos basados en aprendizaje automático para verificar conjuntos recurrentes directamente desde datos de trayectoria, eliminando la necesidad de modelado explícito de funciones de seguimiento.

En resumen, los autores logran un equilibrio crucial entre la viabilidad computacional y la garantía de seguridad rigurosa, permitiendo que sistemas autónomos complejos operen de manera segura incluso bajo incertidumbre y dinámicas no ideales.