⚡ electrical engineering

Excitation of control-affine systems and Koopman error bounds

यह शोध पत्र कंट्रोल-अफ़िन सिस्टम के लिए एक डेटा-संचालित ढांचे का प्रस्ताव करता है जो इनपुट चयन दिशानिर्देश और इष्टतमता की स्थितियों को व्युत्पन्न करके द्वैत रैखिक (बिलिनियर) EDMD योजनाओं की मजबूती को बढ़ाता है, जिससे न्यूनतम विलक्षण मान (मिनिमल सिंगुलर वैल्यू) को अधिकतम किया जा सके, जिससे विश्वसनीय सिस्टम पहचान सुनिश्चित होती है और नॉनहोलोनोमिक रोबोट नियंत्रण में इसकी प्रभावशीलता प्रदर्शित होती है।

मूल लेखक: Philipp Schmitz, Lea Bold, Friedrich M. Philipp, Mario Rosenfelder, Peter Eberhard, Henrik Ebel, Karl Worthmann

प्रकाशित 2026-06-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Philipp Schmitz, Lea Bold, Friedrich M. Philipp, Mario Rosenfelder, Peter Eberhard, Henrik Ebel, Karl Worthmann

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक रोबोट को उदाहरण दिखाकर उसे चलना सिखाने की कोशिश कर रहे हैं। आप चाहते हैं कि रोबोट एक नियम सीखे कि, "अगर मैं जॉयस्टिक को इस तरह से धकेलता हूँ, तो रोबोट उस तरफ जाता है।"

इंजीनियरिंग की दुनिया में, इसे सिस्टम आइडेंटिफिकेशन (system identification) कहा जाता है। जिस शोध पत्र के बारे में आप पूछ रहे हैं, वह एक विशिष्ट समस्या पर काम करता है: आप रोबोट को सिखाने के लिए सबसे अच्छे "धक्के" (इनपुट) कैसे चुनें ताकि वह नियम को पूरी तरह से सीख सके और भ्रमित न हो?

यहाँ उनके काम का सरल उपमाओं (analogies) के साथ विवरण दिया गया है:

1. समस्या: बुरे उदाहरणों से सिखाना

लेखक कंट्रोल-एफिन सिस्टम (Control-Affine Systems) पर काम कर रहे हैं। इसे एक ऐसी मशीन के रूप में सोचें जहाँ गति दो चीजों का मिश्रण है:

प्राकृतिक बहाव (Natural Drift): रोबोट की अपनी आंतरिक गति (जैसे एक कार ढलान पर नीचे की ओर लुढ़क रही हो)।
आपका धक्का (Your Push): वह बल जो आप लगाते हैं (जैसे एक्सीलरेटर दबाना)।

रोबोट को इसके पीछे के गणित को सिखाने के लिए, शोधकर्ता EDMD (Extended Dynamic Mode Decomposition) नामक विधि का उपयोग करते हैं। यह एक बहुत ही स्मार्ट कैलकुलेटर की तरह है जो आपके डेटा को देखता है और भविष्य की भविष्यवाणी करने के लिए बिंदुओं के बीच एक सीधी रेखा (या एक साधारण वक्र रेखा) खींचने की कोशिश करता है।

दिक्कत: यदि कैलकुलेटर को दिया गया डेटा "उबाऊ" या "एक ही जगह जमा हुआ" है, तो कैलकुलेटर भ्रमित हो जाता है।

उपमा: कल्पना कीजिए कि आप केवल एक कोण से देखकर किसी 3D वस्तु का आकार समझने की कोशिश कर रहे हैं। आपको लग सकता है कि वह एक सपाट वृत्त है। लेकिन यदि आप उसे ऊपर, नीचे और किनारों से देखते हैं, तो आप पूरे गोले को देख पाते हैं।
गणितीय शब्दों में, यदि आपके "धक्के" (इनपुट) बहुत अधिक समान हैं, तो "लर्निंग मैट्रिक्स" अस्थिर हो जाता है। शोध पत्र इसे छोटा सिंगुलर वैल्यू (small singular value) कहता है। छोटा सिंगुलर वैल्यू का अर्थ है कि गणित डगमगा रहा है, और आपके डेटा में छोटी सी त्रुटि (जैसे सेंसर का थोड़ा सा शोर/noise) रोबोट के सीखे हुए नियमों में बड़ी गलतियाँ पैदा कर सकती है।

2. समाधान: "परफेक्ट पुश" रणनीति

लेखक एक ऐसा ढांचा (framework) प्रस्तावित करते हैं जो यह सुनिश्चित करता है कि रोबोट को सर्वोत्तम संभव उदाहरण मिलें। वे इनपुट चुनने की प्रक्रिया को एक कमरे में फर्नीचर सजाने की तरह मानते हैं ताकि स्थान जितना संभव हो उतना खुला और संतुलित महसूस हो।

वे सिस्टम को "उत्तेजित" (excite) करने के लिए तीन मुख्य रणनीतियाँ प्रदान करते हैं (ताकि रोबोट दिलचस्प तरीके से हिले-डुले):

रणनीति A: ऑर्थोगोनल बेसिस (The Perfect Cross - पूर्ण क्रॉस)
- विचार: ऐसे इनपुट चुनें जो एक-दूसरे के बिल्कुल लंबवत (perpendicular) हों, जैसे ग्राफ पर X, Y और Z अक्ष।
- उपमा: कल्पना कीजिए कि आप एक दीवार पर पेंट कर रहे हैं। पेंट को बेतरतीब ढंग से छिड़कने के बजाय, आप एक सीधी रेखा ऊपर, एक सीधी रेखा नीचे, एक बाईं ओर और एक दाईं ओर छिड़कते हैं। आप स्थान को समान रूप से कवर करते हैं।
- परिणाम: यह गणित को काम करने के लिए सबसे अधिक "जगह" देता है, जिससे सीखना बहुत मजबूत (robust) हो जाता है।
रणनीति B: द सिम्प्लेक्स (The Pyramid - पिरामिड)
- विचार: ऐसे इनपुट चुनें जो एक पूर्ण ज्यामितीय आकार (जैसे 2D में त्रिकोण या 3D में पिरामिड) के कोनों का निर्माण करते हैं, जिसमें आकार का केंद्र "शून्य" बिंदु होता है।
- उपमा: कल्पना कीजिए कि दोस्तों का एक समूह एक घेरे में खड़ा है। यदि वे सभी केंद्र से समान दूरी पर और एक-दूसरे से समान दूरी पर खड़े हैं, तो समूह पूरी तरह से संतुलित है।
- परिणाम: यह डेटा को फैलाने का एक अन्य गणितीय रूप से पूर्ण तरीका है ताकि रोबोट पूरी तस्वीर सीख सके।
रणनीति C: "फिक्स-इट" रणनीति (वास्तविक समय सीखने के लिए)
- समस्या: कभी-कभी आप पहले से ही धक्कों का एक आदर्श सेट तय नहीं कर सकते। हो सकता है कि आप कार चला रहे हों और अचानक स्टीयरिंग घुमा दें।
- समाधान: लेखक कहते हैं, "ठीक है, आपने 3 रैंडम टर्न लिए हैं। अब, मैं गणना करूँगा कि पहले 3 टर्न को संतुलित करने के लिए चौथा टर्न वास्तव में क्या होना चाहिए।"
- उपमा: कल्पना कीजिए कि आप किताबों का ढेर संतुलित कर रहे हैं। आपने तीन किताबें बेतरतीब ढंग से रखी हैं। चौथी किताब जोड़ने से पहले, आप झुकाव को मापते हैं और चौथी किताब को ठीक उसी स्थान पर रखते हैं जिसकी आवश्यकता ढेर को सीधा खड़ा करने के लिए है।
- परिणाम: भले ही आपके पहले कुछ प्रयास रैंडम थे, यह एक "स्मार्ट" इनपुट संतुलन को ठीक कर देता है और सीखने को सटीक बनाता है।

3. परिणाम: एक बेहतर रोबोट

यह शोध पत्र सिद्ध करता है कि इन रणनीतियों का उपयोग करके, आप गणितीय रूप से गारंटी दे सकते हैं कि रोबोट का लर्निंग मॉडल रोबस्ट (robust) है।

रोबस्टनेस (Robustness) का अर्थ है: यदि थोड़ा सा शोर (noise) है (जैसे कांपता हुआ हाथ या गंदा सेंसर), तो रोबोट के सीखे हुए नियम टूटेंगे नहीं।
उन्होंने दो चीजों पर इसका परीक्षण किया:
1. एक फ्लोटिंग रिजिड बॉडी (जैसे अंतरिक्ष में सैटेलाइट या ड्रोन) जिसमें हिलने-डुलने के 6 अलग-अलग तरीके हैं।
2. एक नॉन-होलोनोमिक रोबोट (जैसे एक कार जो अगल-बगल नहीं चल सकती, केवल आगे/पीछे और मुड़ सकती है)।

दोनों मामलों में, "परफेक्ट पुश" रणनीतियों का उपयोग करके सिखाए गए रोबोटों ने रैंडम और अव्यवस्थित धक्कों से सिखाए गए रोबोटों की तुलना में बहुत तेज़ी से सीखा और कम गलतियाँ कीं।

सारांश

यह शोध पत्र अनिवार्य रूप से डेटा संग्रह के लिए एक गाइडबुक है। यह इंजीनियरों को बताता है: "अपने लर्निंग एल्गोरिदम पर केवल रैंडम डेटा न फेंकें। यदि आप चाहते हैं कि आपका रोबोट सुरक्षित और सटीक हो, तो अपने टेस्ट इनपुट को एक पूर्ण ज्यामितीय आकार की तरह व्यवस्थित करें, या कम से कम रैंडम इनपुट को संतुलित करने के लिए एक 'स्मार्ट' इनपुट जोड़ें। यह सुनिश्चित करता है कि रोबोट के मस्तिष्क के पीछे का गणित ठोस है और दबाव में ढहेगा नहीं।"

तकनीकी सारांश: नियंत्रण-एफ़िन (Control-Affine) प्रणालियों का उत्तेजन और कूपमैन त्रुटि सीमाएँ

समस्या का निरूपण
यह शोधपत्र डेटा के माध्यम से नियंत्रण-एफ़िन डायनेमिकल सिस्टम्स की पहचान करने की चुनौती को संबोधित करता है, विशेष रूप से कूपमैन ऑपरेटर फ्रेमवर्क (विशेष रूप से एक्सटेंडेड डायनेमिक मोड डिकम्पोजिशन - EDMD) के माध्यम से। जबकि EDMD जैसे डेटा-संचालित तरीके जटिल प्रणालियों के मॉडलिंग के लिए शक्तिशाली हैं, उन्हें नियंत्रण-एफ़िन प्रणालियों (जो द्वैरेखीय सरोगेट मॉडल प्रदान करते हैं) तक विस्तारित करने के लिए महत्वपूर्ण डेटा आवश्यकताओं की आवश्यकता होती है। मुख्य समस्या जो पहचानी गई है वह यह है कि सिस्टम पहचान प्रक्रिया की सटीकता और मजबूती, इनपुट डेटा की गुणवत्ता पर अत्यधिक निर्भर करती है। विशेष रूप से, इन मॉडलों के लिए सन्निकटन त्रुटि सीमाएँ (approximation error bounds), इनपुट-डेटा मैट्रिक्स के न्यूनतम सिंगुलर मान ( $\sigma_{\min}$ ) के व्युत्क्रमानुपाती होती हैं। यदि इनपुट डेटा पर्याप्त रूप से "उत्तेजक" (exciting) नहीं है (अर्थात, यदि इनपुट खराब रूप से वितरित या सह-संबंधित हैं), तो $\sigma_{\min}$ छोटा हो जाता है, जिससे त्रुटि सीमाएँ बड़ी हो जाती हैं और नियंत्रण प्रदर्शन अविश्वसनीय हो जाता है। यह शोधपत्र इनपुट चयन के लिए दिशा-निर्देश स्थापित करने का प्रयास करता है ताकि इस सिंगुलर मान को अधिकतम किया जा सके, जिससे मजबूत पहचान और विश्वसनीय त्रुटि सीमाएँ सुनिश्चित की जा सकें।

कार्यप्रणाली
लेखक एक फ्रेमवर्क विकसित करते हैं जो नियंत्रण-एफ़िन मैपिंग $y = g_0(x) + G(x)u$ के अनुमान के लिए उपयोग किए जाने वाले रिग्रेशन समस्या पर केंद्रित है। कार्यप्रणाली कई विश्लेषणात्मक चरणों के माध्यम से आगे बढ़ती है:

त्रुटि सीमा विश्लेषण: शोधपत्र पहले यह स्थापित करता है कि सिस्टम मापदंडों ( $g_0$ और $G$ ) के अनुमान में त्रुटि, विक्षोभ (disturbance) के परिमाण और $\sigma_{\min}(V)$ के अनुपात द्वारा सीमित होती है, जहाँ $V$ एक पंक्ति के 'एक' (ones) और इनपुट वेक्टर्स से बना डेटा मैट्रिक्स है।
इष्टतम स्थितियाँ (Optimality Conditions): लेखक $\sigma_{\min}(V)$ $σ_{m i n} (V)$ को अधिकतम करने के लिए आवश्यक और पर्याप्त स्थितियाँ व्युत्पन्न करते हैं।
- एक आवश्यक शर्त यह है कि इनपुट वेक्टर्स का योग शून्य होना चाहिए ( $U\mathbf{1} = 0$ )।
- इस शर्त के तहत, इनपुट को उचित रूप से स्केल करके, मैट्रिक्स को न्यूनतम सिंगुलर मान के सैद्धांतिक ऊपरी स्तर को प्राप्त करने में मदद मिलती है।
- विशिष्ट इष्टतम विन्यास (configurations) की पहचान की गई है: ऑर्थोगोनल इनपुट (Corollary 3.3) और एक नियमित सिम्प्लेक्स (regular simplex) के शीर्षों के रूप में इनपुट (Proposition 3.5)।
सबस्पेस कोण और क्रमिक संग्रह: यह पहचानते हुए कि व्यावहारिक अनुप्रयोगों में अक्सर पूर्व-निर्धारित सभी इनपुट के बजाय क्रमिक डेटा संग्रह शामिल होता है, लेखक मौजूदा इनपुटों द्वारा स्पैन किए गए सबस्पेस और नए इनपुट वेक्टर्स के बीच के कोणों का उपयोग करते हुए एक ज्यामितीय दृष्टिकोण पेश करते हैं। वे $\sigma_{\min}(V)$ के लिए एक निचली सीमा व्युत्पन्न करते हैं। इससे एक रणनीति मिलती है जहाँ, यादृच्छिक (random) इनपुट के सेट के दिए जाने पर, एक विशिष्ट अतिरिक्त इनपुट चुना जाता है (या एक मौजूदा इनपुट को बदला जाता है) ताकि सबस्पेस कोणों को अधिकतम किया जा सके, जिससे न्यूनतम सिंगुलर मान अधिकतम हो सके।
कूपमैन फ्रेमवर्क के साथ एकीकरण: इन सैद्धांतिक परिणामों को दो विशिष्ट EDMD वेरिएंट पर लागू किया गया है:
- बाइलीनियर EDMD विद कंट्रोल (EDMDc): यह फ्रेमवर्क लचीले सैंपलिंग की अनुमति देता है, जहाँ डेटा को विशिष्ट, पूर्व-निर्धारित नियंत्रण मानों (जैसे यूनिट वेक्टर्स) पर एकत्र करने की आवश्यकता नहीं है, बल्कि इसे सामान्य डेटा क्लस्टर्स से निकाला जा सकता है।
- कर्नेल EDMD: लेखक नियंत्रण-एफ़िन सेटिंग में कर्नेल-आधारित विधियों के लिए मौजूदा त्रुटि सीमाओं को विस्तारित करते हैं, जो डेटा-संचालित मॉडल प्रेडिक्टिव कंट्रोल (MPC) के लिए आवश्यक धारणाओं को कठोरता से सत्यापित करने हेतु समान त्रुटि सीमाएँ प्रदान करते हैं।

प्रमुख योगदान

डेटा-फिटिंग फ्रेमवर्क: एक नवीन फ्रेमवर्क जो नियंत्रण-एफ़िन मैपिंग को फिट करता है और स्पष्ट रूप से इनपुट चयन को पहचान समस्या की मजबूती (robustness margin) से जोड़ता है।
इष्टतम स्थितियाँ: डेटा मैट्रिक्स के लिए न्यूनतम सिंगुलर मान को अधिकतम करने हेतु इनपुट इष्टतमता के लिए आवश्यक और पर्याप्त स्थितियों का व्युत्पन्न, जिसमें ऑर्थोगोनल और सिम्प्लेक्स-आधारित इनपुट के लिए स्पष्ट निर्माण शामिल हैं।
क्रमिक डेटा के लिए ज्यामितीय दिशा-निर्देश: क्रमिक या ऑनलाइन लर्निंग परिदृश्यों में कंडीशनिंग में सुधार करने के लिए अतिरिक्त इनपुटों को चुनने के लिए सबस्पेस कोणों का उपयोग करने वाला एक व्यावहारिक दिशा-निर्देश।
समान त्रुटि सीमाएँ (Uniform Error Bounds): नियंत्रण-एफ़िन संरचनाओं की उपस्थिति में बाइलीनियर EDMDc और कर्नेल EDMD के लिए समान त्रुटि सीमाओं का व्युत्पन्न। ये सीमाएँ स्टेट स्पेस के फिल डिस्टेंस (fill distance) और इनपुट डेटा की कंडीशनिंग पर निर्भर करती हैं।
लचीला सैंपलिंग: सामान्य, लचीले डेटा संग्रह से कृत्रिम डेटा बिंदु (जैसे यूनिट वेक्टर इनपुट्स के प्रति प्रतिक्रियाएं) बनाने की एक विधि, जो प्रतिबंधात्मक सैंपलिंग आवश्यकताओं को हटा देती है।

परिणाम
शोधपत्र प्रस्तावित दृष्टिकोण को दो अनुप्रयोग परिदृश्यों के माध्यम से मान्य करता है:

फ्री-फ्लोटिंग रिजिड बॉडी (6D इनपुट): अध्ययन चार उत्तेजना रणनीतियों की तुलना करता है: रैंडम इनपुट, ऑर्थोगोनल इनपुट, सिम्प्लेक्स वर्टिक्स, और सबस्पेस कोणों पर आधारित एक रणनीति। परिणाम दिखाते हैं कि जबकि रैंडम इनपुट काफी कम $\sigma_{\min}$ और उच्च सन्निकटन त्रुटियां देते हैं, प्रस्तावित रणनीतियाँ (विशेष रूप से सबस्पेस कोण-आधारित दृष्टिकोण) $\sigma_{\min}$ के मानों को सैद्धांतिक अधिकतम के करीब ले आती हैं, जिससे वेक्टर फील्ड सन्निकटन त्रुटियां नाटकीय रूप से कम हो जाती हैं।
नॉनहोलोनोमिक मोबाइल रोबोट (2D इनपुट): फ्रेमवर्क को बाइलीनियर EDMDc का उपयोग करके एक मोबाइल रोबोट पर लागू किया गया है। परिणाम प्रदर्शित करते हैं कि प्रस्तावित उत्तेजना रणनीतियों का उपयोग करने से (न्यूनतम डेटा बिंदुओं के साथ भी), रैंडम सैंपलिंग की तुलना में काफी कम वन-स्टेप प्रेडिक्शन एरर वाले कूपमैन सरोगेट मॉडल प्राप्त होते हैं। अध्ययन यह भी दिखाता है कि रैंडम इनपुट्स की संख्या बढ़ाने से त्रुटियों को कम किया जा सकता है, लेकिन ज्यामितीय रूप से निर्देशित चयन कम नमूनों के साथ उच्च सटीकता प्राप्त करता है।

महत्व
शोधपत्र का दावा है कि इसके योगदान सुरक्षा-महत्वपूर्ण प्रणालियों में विश्वसनीय डेटा-संचालित नियंत्रण के विश्वसनीय अनुप्रयोग के लिए महत्वपूर्ण हैं। इनपुट चयन के लिए स्पष्ट, ज्यामितीय रूप से व्याख्या योग्य स्थितियाँ प्रदान करके, यह कार्य सैद्धांतिक सिस्टम पहचान और व्यावहारिक डेटा संग्रह के बीच के अंतर को पाटता है। व्युत्पन्न त्रुटि सीमाएँ मॉडल प्रेडिक्टिव कंट्रोल में एसिम्प्टोटिक स्टेबिलिटी (asymptotic stability) जैसी क्लोज्ड-लूप गुणों के औपचारिक सत्यापन के लिए महत्वपूर्ण हैं। इसके अलावा, लचीला सैंपलिंग करने की क्षमता नियंत्रण-एफ़िन प्रणालियों की पहचान करने की अनुमति देती है जहाँ विशिष्ट, पूर्व-निर्धारित नियंत्रण इनपुट पर डेटा एकत्र करना अव्यावहारिक या असंभव है, जो इस दृष्टिकोण को रोबोटिक्स और वाहन गतिकी जैसी वास्तविक इंजीनियरिंग समस्याओं के लिए लागू करने योग्य बनाता है।

1. समस्या: बुरे उदाहरणों से सिखाना

2. समाधान: "परफेक्ट पुश" रणनीति

3. परिणाम: एक बेहतर रोबोट

सारांश

इसी तरह के और पेपर