Resumen Técnico: Aprendizaje de la Efectividad de Control Interpretable Integrado y Asignación de Control No Lineal

Planteamiento del Problema

Las aeronaves sobreactuadas modernas poseen más efectores que ejes de control independientes, lo que ofrece redundancia para la tolerancia a fallos y objetivos secundarios. Sin embargo, la asignación de control convencional depende de matrices de efectividad de control lineales y estáticas ($B$). Esta suposición falla en regímenes de vuelo dominados por dinámicas no lineales y fuertes acoplamientos entre los efectores y los estados del vehículo (por ejemplo, ángulo de ataque, velocidad de aire). Cuando estas no linealidades predominan, los asignadores lineales sufren de desajustes de modelo, lo que conduce a un rendimiento degradado y una reducción de la robustez.

Las alternativas existentes presentan un compromiso:

1. Modelos de alta fidelidad a bordo: Precisos pero computacionalmente prohibitivos para la optimización en tiempo real, requiriendo a menudo perturbaciones de diferencia finita para cada efector en cada ciclo de control.
2. Enfoques basados en datos de caja negra (p. ej., Redes Neuronales): Capaces de aprender mapeos complejos pero carecen de interpretabilidad, lo que complica la verificación, la certificación y el diagnóstico de fallos.
3. Modelos linealizados: Eficientes pero pierden precisión a medida que las condiciones operativas se alejan del punto de linealización.

El desafío central es desarrollar un mapeo de efectividad de control que sea preciso (capturando no linealidades), computacionalmente eficiente (adecuado para resolvedores no lineales en tiempo real) e interpretable (transparente para la verificación y la seguridad).

Metodología

El artículo propone un marco que aprende un modelo analítico explícito y con restricciones físicas del mapeo de efectividad de control a partir de datos de vuelo y lo integra en resolvedores de asignación de control no lineal.

1. Identificación Esparsa de la Dinámica No Lineal (SINDy)

El mapeo de la efectividad de control se aprende fuera de línea utilizando un enfoque SINDy con restricciones.

• Librería con base física: En lugar de utilizar expansiones polinómicas genéricas, la librería de funciones candidatas se construye utilizando el conocimiento del dominio de la dinámica rotacional de las aeronaves. Específicamente, la librería incorpora los términos de acoplamiento de cuerpo rígido conocidos (p. ej., $pq, pr, qr$) y normaliza las contribuciones de los momentos aerodinámicos utilizando coeficientes basados en la inercia ($C_1$ a $C_9$). Esto separa la estructura inercial conocida de los mapeos aerodinámicos desconocidos.
• Regresión Esparsa: El método emplea Regresión de Regularización Relajada Esparsa (SR3) para identificar un conjunto compacto de ecuaciones gobernantes. Se utiliza una estrategia de ensamble (promediando 50 modelos identificados independientemente) para asegurar la robustez y patrones de esparcidad consistentes.
• Resultado: El resultado es un modelo analítico de tiempo continuo parsimonioso $\dot{x} = \Theta(x, u)\Xi$ que es diferenciable e interpretable.

2. Asignación de Control No Lineal

El modelo analítico identificado se integra en dos estrategias de asignación:

• Asignación basada en Gradiente: La naturaleza explícita del modelo permite el cálculo analítico de los Jacobianos ($\partial \dot{x}/\partial u$). Estos Jacobianos se suministran a un resolvedor de descenso de gradiente iterativo para minimizar el desajuste entre las aceleraciones predichas y las comandadas, respetando las restricciones de los actuadores.
• Asignación Dinámica (MPC): Para abordar la dinámica de los actuadores (ancho de banda y límites de velocidad), el marco utiliza el Control Predictivo basado en Modelo (MPC). El modelo identificado predice las velocidades corporales basadas en las deflexiones de los actuadores realizadas (propagadas a través de un modelo de actuador de primer orden) en lugar de las deflexiones comandadas. Esta formulación optimiza una secuencia de comandos para anticipar el retardo y prevenir el comportamiento oscilatorio.

3. Adaptación en Línea

Para manejar las variaciones de la planta (p. ej., consumo de combustible, fallos de actuadores), un mecanismo de adaptación en línea monitorea los residuales de predicción entre el modelo identificado y las mediciones de los sensores. Si el desajuste excede un umbral, la matriz de coeficientes $\Xi$ se actualiza mediante un paso de gradiente, permitiendo una reconfiguración gradual sin una reidentificación completa del modelo.

Contribuciones Clave

1. Modelado Explícito e Interpretable: El artículo demuestra que SINDy, cuando es guiado por librerías con base física, puede recuperar un modelo de efectividad de control esparso e interpretable a partir de datos de vuelo sin depender de modelos pesados a bordo o redes neuronales de caja negra.
2. Asignación No Lineal Eficiente: Al proporcionar Jacobianos analíticos, el modelo identificado permite una convergencia rápida y fiable en resolvedores no lineales, evitando la carga computacional de los métodos de diferencia finita utilizados con modelos de alta fidelidad a bordo.
3. Adaptación Robusta: El marco incluye una rutina de adaptación en línea que mantiene la precisión bajo condiciones cambiantes y fallos de actuadores, actualizando los coeficientes del modelo en tiempo real.
4. Integración de Asignación Dinámica: La metodología se extiende a la asignación dinámica, propagando explícitamente los estados de los actuadores para manejar las limitaciones de ancho de banda, una característica que suele omitirse en los esquemas de asignación estática.

Resultados

La metodología fue evaluada en la aeronave de referencia ADMIRE (Aero-Data Model in a Research Environment), un caza delta-canard altamente sobreactuado.

• Precisión de Seguimiento: En simulaciones de Monte Carlo que involucran maniobras agresivas, el método propuesto logró una precisión de seguimiento comparable a un modelo base de alta fidelidad a bordo, superando significativamente a los modelos lineales de a bordo. El Error Cuadrático Medio (RMSE) para el método propuesto fue cercano al de la base no lineal (p. ej., $0.0824$ vs $0.0403$ rad/s para la velocidad de alabeo) y muy superior al de la base lineal ($0.1338$ rad/s).
• Eficiencia Computacional: El método propuesto logró el menor tiempo de ejecución total entre todos los métodos comparados, incluyendo la base lineal. Esto se atribuye a la eliminación de los pasos de evaluación de modelos separados y de las perturbaciones de diferencia finita; el modelo analítico y sus Jacobianos se evalúan directamente dentro del resolvedor.
• Adaptabilidad ante Fallos: En un escenario donde el timón quedó trabado, el mecanismo de adaptación en línea detectó el desajuste residual, actualizó los coeficientes del modelo y redistribuyó con éxito la autoridad de control a los efectores sanos, recuperando el rendimiento de seguimiento tras un breve transitorio.
• Desempeño Dinámico: Al probarse con un ancho de banda de actuador degradado (elevones más lentos), la formulación de MPC dinámico eliminó las deflexiones oscilatorias observadas en las bases de asignación estática, produciendo entradas de control más suaves y coordinadas.

Significancia y Reivindicaciones

El artículo afirma ofrecer una solución de "punto medio" que resuelve el compromiso persistente entre fidelidad de modelo, costo computacional e interpretabilidad.

• Interpretabilidad vs. Desempeño: A diferencia de los métodos basados en datos de caja negra, el modelo identificado recupera una estructura gobernante con significado físico directo (p. ej., términos de acoplamiento de inercia), lo que facilita la verificación y la construcción de casos de seguridad.
• Eficiencia vs. Fidelidad: A diferencia de los modelos de alta fidelidad a bordo, el modelo analítico esparso permite la optimización no lineal en tiempo real sin costos computacionales prohibitivos.
• Robustez: El marco proporciona un mecanismo para la reconfiguración gradual bajo fallos de actuadores y condiciones operativas variables, preservando el rendimiento de seguimiento sin requerir una reidentificación completa del sistema.

Los autores señalan que, si bien el método es prometedor, es necesario realizar trabajos futuros para establecer garantías de estabilidad de lazo cerrado rigurosas para la adaptación en línea e investigar la robustez bajo niveles realistas de ruido de sensores. Además, la naturaleza explícitamente diferenciable del modelo abre posibilidades futuras para explotar activamente los acoplamientos no lineales para mejorar la autoridad de control, una capacidad que es intrínsecamente invisible para las formulaciones de asignación lineal.