Resumen Técnico: Identificación de Modelos Dinámicos del Humano como Actuador

Formulación del Problema

El artículo aborda el desafío de caracterizar la respuesta del piloto humano como un actuador dinámico dentro de un sistema de control de bucle cerrado. Cuando un humano interactúa con un vehículo físico (por ejemplo, una aeronave o un vehículo espacial), su tiempo de reacción y sus características de respuesta introducen dinámicas que afectan la estabilidad y el rendimiento general del sistema. Esto es crítico para los análisis de seguridad, tales como el cálculo de diagramas "H-V" (Altura-Velocidad) para helicópteros, donde el tamaño de los regímenes de vuelo inseguros depende directamente de las capacidades de reacción del piloto.

La literatura existente se ha basado mayoritariamente en modelos lineales, invariantes en el tiempo y de bajo orden identificados en el dominio de la frecuencia, utilizando típicamente supuestos de entrada única, salida única (SISO). Una limitación significativa en enfoques previos (por ejemplo, [5]) es que a menudo ajustan los modelos del piloto a los comandos brutos del piloto (por ejemplo, la deflexión del joystick) en lugar de a la respuesta resultante del vehículo. Los autores argumentan que un modelo de piloto debe evaluarse basándose en su capacidad para lograr un estado deseado del vehículo (por ejemplo, el seguimiento de la altitud) en lugar de simplemente replicar los comandos de entrada.

Metodología

Los autores proponen un método en el dominio del tiempo para estimar modelos dinámicos de pilotos humanos mediante la optimización de trayectorias con restricciones. El núcleo de la metodología involucra los siguientes pasos:

1. Modelado del Sistema:

   • Dinámica del Vehículo: Modelada como $\dot{x}_v = f_v(x_v, u_v)$, donde $x_v$ es el estado del vehículo y $u_v$ es la entrada de control.
   • Dinámica del Piloto: Modelada como un sistema dinámico $\dot{x}_p = f_p(x_p, u_p; \theta)$ y $y_p = h_p(x_p; \theta)$, donde $\theta$ representa los parámetros desconocidos a estimar.
   • Sistema Conjunto: El piloto y el vehículo se acoplan en un vector de estado conjunto $x = [x_v, x_p]^T$. La entrada del piloto se define como el error entre el objetivo deseado $\hat{y}$ y la salida actual del vehículo $y_v$.

2. Recolección de Datos:

   • Los datos se recolectan a través de un simulador de vuelo donde un piloto maniobra un vehículo hacia un marcador visual que representa una posición objetivo.
   • El sistema registra la salida del vehículo $y_v(t)$ y los comandos del joystick del piloto sobre un horizonte finito $[0, T]$ en pasos de tiempo discretos.
   • El método no requiere la observación directa de los estados internos del sistema ($x$); en su lugar, utiliza una formulación implícita.

3. Marco de Optimización:

   • El problema de identificación se formula como un problema de optimización con restricciones para encontrar el vector de parámetros $\theta$ y la trayectoria de estado $X$ que minimicen el error entre las salidas medidas y las salidas predichas por el modelo.
   • Función Objetivo: Minimizar la norma $L_2$ al cuadrado de la diferencia entre el error de la salida medida ($\delta Y$) y el error de la salida del modelo ($H$), asumiendo ruido gaussiano.
   • Restricciones:
     • Consistencia Dinámica: La trayectoria del estado debe satisfacer la dinámica del sistema conjunto $\dot{x} = f(x; \hat{y}, \theta)$. Esto se impone utilizando una matriz de diferenciación discreta $D$ para aproximar la derivada temporal.
     • Restricciones Físicas/de Tarea: Se aplican restricciones de desigualdad ($g(X, \theta)$) para asegurar el realismo físico, como limitar el desplazamiento del joystick y asegurar la estabilidad del modelo del piloto (por ejemplo, mediante los criterios de Routh-Hurwitz).
   • Agregación de Múltiples Ensayos: El marco permite la estimación simultánea de un único modelo común $\theta$ a través de múltiples ensayos experimentales ($M$), contabilizando las variaciones naturales en el desempeño humano.

4. Implementación:

   • La optimización se resuelve utilizando el solver de Programación No Lineal (NLP) IPOPT en MATLAB.
   • Se utiliza la diferenciación automática para calcular el Jacobiano y la Hessiana de las restricciones.

Resultados Experimentales

El método propuesto fue validado utilizando un escenario de simulación de un dron cuadricóptero:

• Tarea: El piloto tuvo la tarea de mover un cuadricóptero desde un vuelo estacionario (hover) hacia una posición de reposo en una distancia objetivo específica ($\hat{y}$).
• Modelo del Vehículo: Un modelo de 6 estados centrado en la dinámica del eje de cabeceo (pitch), incluyendo el empuje de las hélices y las velocidades de rotación.
• Modelo del Piloto: Un sistema lineal de entrada única, salida única de tercer orden definido por seis parámetros ($\theta \in \mathbb{R}^6$). Se impusieron restricciones de estabilidad para asegurar que el modelo fuera Hurwitz.
• Datos: Se registraron tres ejecuciones independientes para un objetivo de 10 m y tres ejecuciones para un objetivo de 20 m.
• Resultado: Se estimó un único modelo que describió con éxito los datos de las seis ejecuciones.
  • Los parámetros del modelo estimado produjeron un sistema estable.
  • La Figura 5 del artículo demuestra que la respuesta del modelo estimado (líneas rojas y amarillas) converge a las posiciones objetivo, coincidiendo estrechamente con los datos empíricos (líneas azules) para ambas distancias de objetivo.
  • Los resultados indican que el modelo es robusto ante las variaciones naturales en el control humano a través de diferentes ensayos y distancias de objetivo.

Contribuciones Clave y Significado

El artículo afirma las siguientes contribuciones:

1. Identificación en el Dominio del Tiempo: A diferencia de trabajos previos que dependen de enfoques en el dominio de la frecuencia, este método resuelve el modelo enteramente en el dominio del tiempo mediante la optimización de trayectorias.
2. Regularización Centrada en la Salida: El método incorpora la dinámica del vehículo directamente en el proceso de estimación. En lugar de ajustar el modelo a los comandos del piloto, lo ajusta a la respuesta resultante del vehículo. Esto actúa como una regularización, asegurando que el modelo identificado sea capaz de lograr la tarea deseada (por ejemplo, alcanzar una altitud objetivo) en lugar de solo imitar señales de entrada.
3. Robustez Multi-Ensayo: La formulación permite la agregación de múltiples recolecciones de datos para encontrar un único modelo dinámico común, manejando eficazmente la variabilidad natural inherente al desempeño humano.
4. Generalizabilidad: El enfoque está diseñado para ser fácilmente generalizable a modelos de piloto de múltiples entradas y múltiples salidas (MIMO) y no lineales, lo que lo hace aplicable a una amplia gama de operaciones de vuelo.

Los autores concluyen que este método proporciona un marco robusto para caracterizar a los pilotos humanos como actuadores, lo cual es esencial para el análisis dinámico preciso de vehículos pilotados y cálculos de seguridad críticos como los diagramas H-V. Se señala que el trabajo futuro incluirá experimentos con escenarios de pilotos MIMO.