Distributed Observer-based Fault Detection over Intelligent Networked Multi-Vehicle Systems

Resumen Técnico: Detección de Fallos Basada en Observador Distribuido sobre Sistemas Inteligentes de Vehículos en Red

Formulación del Problema
Este artículo aborda el desafío de la estimación de estados y la detección de fallos en Sistemas Inteligentes de Transporte (ITS) de tráfico mixto que comprenden Vehículos Autónomos Conectados (CAV) y Vehículos Conducidos por Humanos (HDV). El problema central implica que un grupo de CAVs intenta rastrear el estado global (posiciones y velocidades) de un grupo de HDVs utilizando únicamente mediciones parciales de sensores locales. Una restricción crítica es que ningún CAV individual posee un conjunto de mediciones local suficiente para hacer observable todo el sistema de HDVs (es decir, no existe observabilidad local $(A, C_i)$). Además, el sistema debe operar sin una unidad de procesamiento centralizada, confiando en su lugar en comunicación distribuida. Un desafío adicional significativo es la posibilidad de fallos en los sensores, sesgos o ciberataques (por ejemplo, inyección de datos falsos) en los CAVs, lo que podría corromper el proceso de estimación distribuida y provocar un rastreo erróneo en toda la red.

Metodología
Los autores proponen un marco distribuido de dos etapas: un observador distribuido de escala temporal única para la estimación de estados y mecanismos localizados de Detección e Identificación de Fallos (FDI) basados en el análisis de residuos.

1. Diseño del Observador Distribuido:
   El artículo introduce un observador distribuido donde cada CAV $i$ estima el estado global $x_k$ de todos los HDVs. El observador opera en dos pasos:

   • Predicción: Los CAVs realizan un paso de consenso sobre estimaciones a priori utilizando una matriz de consenso estocástica por filas $W$ derivada de la topología de la red de comunicación $\mathcal{G}$.
   • Actualización de Innovación: Los CAVs actualizan sus estimaciones utilizando mediciones locales e información compartida desde los vecinos.
     Crucialmente, este observador es de escala temporal única, lo que significa que realiza solo un paso de consenso entre pasos de tiempo consecutivos de la dinámica del sistema ($k$ y $k+1$). Esto contrasta con los enfoques existentes de múltiples escalas temporales que requieren múltiples bucles internos de consenso ($L$ pasos) entre actualizaciones del sistema, reduciendo así la sobrecarga de comunicación y computación. La estabilidad del observador depende de la observabilidad distribuida, definida por la observabilidad del par $(W \otimes A, D_C)$, donde $D_C$ es una matriz de observación compartida. Esta condición requiere que la red de CAVs esté fuertemente conectada, pero no requiere observabilidad local en ningún nodo individual.

2. Detección e Identificación de Fallos (FDI):
   El artículo propone estrategias de FDI localizadas que detectan anomalías en las mediciones de los sensores sin coordinación central. Se desarrollan dos tipos de lógica:

   • Detección sin Estado: Basada en residuos instantáneos ($r_k = |y_k - \hat{y}_k|$). Las decisiones se toman inmediatamente basándose en el valor actual del residuo.
   • Detección con Estado: Basada en el historial de residuos sobre una ventana de tiempo deslizante $T$. Esto utiliza una medida de distancia (suma de residuos al cuadrado) que sigue una distribución Chi-cuadrado para integrar información temporal, reduciendo la sensibilidad a picos transitorios de ruido.

   Un avance metodológico clave es el uso de un diseño de umbrales probabilísticos en lugar de límites deterministas. Los umbrales se derivan de las propiedades estadísticas de la covarianza del error de estimación y las estadísticas del ruido (asumiendo ruido gaussiano), permitiendo el cálculo de Tasas de Falsa Alarma (FAR). La matriz de ganancia $K$ se diseña mediante Desigualdades Matriciales Lineales (LMIs) para asegurar que el residuo en un sensor defectuoso sea significativamente mayor que en los sensores vecinos, permitiendo la identificación.

Contribuciones Clave

• Observabilidad Distribuida sin Supuestos Locales: El trabajo demuestra que los CAVs pueden rastrear globalmente los estados de los HDVs incluso cuando ningún CAV individual puede observar el sistema localmente, siempre que la red esté fuertemente conectada y se cumpla la observabilidad distribuida.
• Eficiencia de Escala Temporal Única: El observador propuesto elimina la necesidad de bucles internos de consenso, ofreciendo una solución más eficiente computacionalmente y en términos de comunicación en comparación con los métodos de múltiples escalas temporales encontrados en la literatura previa.
• FDI Probabilística: El artículo introduce la umbralización probabilística para la detección de fallos, que es más realista para aplicaciones de ITS que la umbralización determinista, ya que no asume que el ruido tenga soporte acotado. Proporciona fórmulas explícitas para las FAR basadas en probabilidades de detección.
• Identificación Localizada: La estrategia permite que cada CAV detecte e identifique independientemente sensores defectuosos en su vecindad, evitando la propagación de fallos a través de la red.

Resultados
El artículo valida los métodos propuestos mediante simulaciones que involucran redes de tráfico mixto:

• Rendimiento del Observador: En un escenario de 4 CAVs/4 HDVs, el observador distribuido rastreó con éxito las posiciones y velocidades de los HDVs, alcanzando consenso a pesar de las mediciones parciales.
• Escalabilidad: En una simulación a gran escala (25 CAVs, 25 HDVs), el observador de escala temporal única propuesto demostró un Menor Error Cuadrático Medio (MSE) y una sobrecarga de computación/comunicación significativamente reducida en comparación con un observador de múltiples escalas temporales con bucles internos de consenso (donde $L=7, 10, 15$).
• Detección de Fallos: Las simulaciones con fallos de sensores inyectados (sesgos) mostraron que tanto las estrategias de FDI sin estado como con estado podían detectar e identificar fallos.
  • La detección con estado con una ventana deslizante ($T=15$) logró una Tasa de Falsa Alarma (FAR) de menos del 0.3%, demostrando alta fiabilidad frente a falsas alarmas en comparación con el enfoque sin estado.
  • Los métodos permanecieron efectivos incluso bajo condiciones de gran ruido e incertidumbre, aunque los umbrales de detección aumentaron, lo que condujo a FAR más altas en escenarios de ruido extremo.

Significado y Afirmaciones
Los autores afirman que este trabajo llena un vacío en la literatura sobre FDI basada en observadores distribuidos para el rastreo de tráfico mixto. El significado radica en habilitar la toma de decisiones descentralizada para la seguridad y la protección en sistemas de tráfico heterogéneos. Al eliminar la dependencia de un procesador central y de supuestos de observabilidad local, el enfoque mejora la escalabilidad y la resiliencia. La naturaleza probabilística de la FDI se destaca como un enfoque más realista para los sistemas de transporte del mundo real, donde el ruido no está estrictamente acotado. El artículo concluye que estas estrategias descentralizadas mejoran la fiabilidad y la seguridad de los ITS al permitir que los vehículos estimen estados de manera colaborativa e identifiquen localmente sensores comprometidos, previniendo fallos en cascada. Las direcciones de investigación futuras identificadas incluyen el diseño de observadores tolerantes a retardos, el diseño de topologías de red resilientes (redes supervivientes) y la integración de estos métodos de FDI con estrategias de control cooperativo.