⚡ electrical engineering

Safety-Aware Performance Boosting for Constrained Nonlinear Systems

यह शोध पत्र एक सुरक्षा-जागरूक नियंत्रण आर्किटेक्चर प्रस्तावित करता है जो स्थिरता और सुरक्षा सुनिश्चित करने के लिए एक प्रदर्शन-बढ़ाने वाले नियंत्रक को एक शेड्यूल्ड प्रेडिक्टिव सेफ्टी फ़िल्टर के साथ एकीकृत करता है, जो पारंपरिक तरीकों की तुलना में प्राप्त करने योग्य प्रक्षेप पथों के सेट का सख्ती से विस्तार करता है, जिससे बाधित गैररेखीय प्रणालियों में ट्रांजिएंट डिटूर जैसे जटिल व्यवहार सक्षम होते हैं।

मूल लेखक: Danilo Saccani, Haoming Shen, Luca Furieri, Giancarlo Ferrari-Trecate

प्रकाशित 2026-03-23

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Danilo Saccani, Haoming Shen, Luca Furieri, Giancarlo Ferrari-Trecate

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 एक भीड़भाड़ वाले, खतरनाक कमरे में चलना सिखा रहे हैं। रोबोट के दो मुख्य लक्ष्य हैं:

सुरक्षित रहना: उसे दीवारों से नहीं टकराना चाहिए और न ही गिरना चाहिए (सीमाएं/constraints)।
कुशल होना: उसे अपने गंतव्य तक जल्दी और सुचारू रूप से पहुँचना है, भले ही इसके लिए किसी चलते हुए व्यक्ति से बचने के लिए उसे कोई अजीब सा रास्ता (detour) क्यों न लेना पड़े।

लंबे समय तक, इंजीनियरों को इन दोनों में से किसी एक को चुनना पड़ता था। यदि वे रोबोट को बहुत सावधान बनाते (सुरक्षा-प्रथम), तो वह कछुए की तरह चलता, जिससे वह शॉर्टकट नहीं ले पाता। यदि वे उसे तेज़ होने देते (प्रदर्शन-प्रथम), तो वह टकरा सकता था।

यह शोध पत्र एक चतुर नया "कंट्रोल आर्किटेक्चर" पेश करता है जो रोबोट को सुरक्षित और स्मार्ट दोनों होने में मदद करता है। यह कैसे काम करता है, यहाँ सरल अवधारणाओं में दिया गया है:

दो-टीम प्रणाली (The Two-Team System)

लेखकों ने रोबोट के मस्तिष्क को दो अलग-अलग भूमिकाओं में विभाजित किया है:

1. "सेफ्टी फिल्टर" (कठोर अभिभावक)
इसे एक सख्त माता-पिता या सुरक्षा गार्ड की तरह समझें। इसका एकमात्र काम यह सुनिश्चित करना है कि रोबोट कभी भी नियम न तोड़े।

इसके पास एक ल्यपुनोव सर्टिफिकेट (Lyapunov Certificate) है, जो एक "सुरक्षा बैटरी" की तरह है।
पारंपरिक प्रणालियों में, इस बैटरी को हर एक सेकंड में थोड़ा-थोड़ा कम होना ही पड़ता है। यदि बैटरी बहुत कम हो जाती है, तो सिस्टम सुरक्षित होता है।
समस्या: क्योंकि बैटरी को लगातार कम होना ही पड़ता है, रोबोट सुरक्षा के एक सिकुड़ते हुए घेरे में फंसा रहता है। वह जोखिम नहीं उठा सकता, भले ही वह अस्थायी जोखिम हो, जैसे किसी बाधा के चारों ओर जाने के लिए। यह एक बच्चे की तरह है जिसे घर की ओर सीधी रेखा में चलने के लिए कहा गया है; यदि रास्ते में एक गड्ढा आता है, तो वह बगल में कदम नहीं रख सकता क्योंकि बगल में कदम रखने से उसका "सुरक्षा बजट" खर्च हो जाएगा।

2. "परफॉरमेंस बूस्टर" (रचनात्मक ड्राइवर)
यह मस्तिष्क का स्मार्ट, सीखने वाला हिस्सा है। यह पता लगाता है कि लक्ष्य तक पहुँचने का सबसे अच्छा और तेज़ तरीका क्या है।

यह चालें सुझाता है, जैसे "चलो एक चक्कर लगाकर चलते हैं!" या "चलो गति बढ़ाते हैं!"
हालाँकि, इसका सीधा नियंत्रण नहीं होता है। इसे सेफ्टी फिल्टर से अनुमति मांगनी पड़ती है।

जादू का नुस्खा: "शेड्यूलिंग" तंत्र (The "Scheduling" Mechanism)

ब्रेकथ्रू यह है कि ये दोनों आपस में कैसे बात करते हैं।

पुराने सिस्टम में, सेफ्टी फिल्टर कठोर था: "मैं तुम्हें तभी हिलने दूँगा जब तुम्हारी सुरक्षा बैटरी हर सेकंड ठीक 10% कम होगी।"

इस नए सिस्टम में, परफॉरमेंस बूस्टर ड्रेन रेट (कम होने की दर) को शेड्यूल कर सकता है।

रूपक (Metaphor): कल्पना करें कि सुरक्षा बैटरी में एक "ड्र्रेन वाल्व" (निकासी वाल्व) है।
आमतौर पर, वाल्व को एक स्थिर, धीमी बूंद की तरह सेट किया जाता है (सुरक्षित लेकिन धीमा)।
लेकिन, यदि परफॉरमेंस बूस्टर को कोई चलती हुई बाधा (जैसे पास से गुजरता हुआ व्यक्ति) दिखती है, तो वह कह सकता है, "हे, मुझे एक छोटा सा चक्कर लेने की ज़रूरत है। क्या हम कुछ सेकंड के लिए वाल्व को थोड़ा ज़्यादा खोल सकते हैं?"
सेफ्टी फिल्टर सहमत हो जाता है, लेकिन एक शर्त के साथ: "ठीक है, मैं तुम्हें अभी बैटरी को तेज़ी से कम करने की अनुमति दूँगा, लेकिन केवल इसलिए क्योंकि तुम वादा कर रहे हो कि बाद में इसे संतुलित करने के लिए तुम इसे और भी तेज़ी से कम करोगे।"

यह क्यों मायने रखता है: "डिटूर" (The "Detour")

यह शोध पत्र गणितीय रूप से सिद्ध करता है कि यह लचीलापन उन चीजों को करने की अनुमति देता है जो पहले असंभव थीं।

परिदृश्य: एक रोबलेट को एक पोल (इनवर्टेड पेंडुलम) को संतुलित करने की आवश्यकता है जबकि एक दीवार उसकी ओर बढ़ रही है।
पुराना तरीका: रोबोट दीवार को देखता है। सुरक्षित रहने के लिए, उसे अपनी "सुरक्षा बैटरी" को लगातार कम रखना होगा। वह गणना करता है कि दीवार से बचने के लिए उसे पोल को तेज़ी से एक तरफ झुकाना होगा। लेकिन यह झुकाव बैटरी को अभी बहुत तेज़ी से कम कर देगा। सेफ्टी फिल्टर कहता है "नहीं," और रोबोट फंस जाता है या टकरा जाता है।
नया तरीका: परफॉरमेंस बूस्टर कहता है, "मैं दीवार से बचने के लिए पोल को ज़ोर से एक तरफ झुकाऊंगा!" सेफ्टी फिल्टर शेड्यूल की जाँच करता है, देखता है कि रोबोट एक "ट्रांजिएंट" (अस्थायी) चरण में है, और कहता है, "ठीक है, मैं तुम्हें कुछ क्षणों के लिए बैटरी को तेज़ी से कम करने की अनुमति दूँगा। बस यह सुनिश्चित करना कि जब दीवार चली जाए तो तुम इसे स्थिर कर दोगे।"
परिणाम: रोबोट सफलतापूर्वक दीवार से बच निकलता है, फिर तुरंत खुद को स्थिर कर लेता है, और सुरक्षित एवं ट्रैक पर वापस आ जाता है।

उन्होंने रोबोट को कैसे सिखाया (Training)

रोबोट को यह करना सिखाना कठिन है क्योंकि सेफ्टी फिल्टर एक जटिल गणितीय पहेली (ऑप्टिमाइज़ेशन समस्या) है जिसे कंप्यूटर के लिए सीखना मुश्किल है।

लेखकों ने एक चतुर तरकीब का उपयोग किया:

रोबोट को सीधे सेफ्टी फिल्टर की गणितीय पहेली हल करना सिखाने के बजाय (जो कि एक छात्र को परीक्षा देते समय टेस्ट हल करना सिखाने जैसा है), उन्होंने सेफ्टी फिल्टर को एक ब्लैक बॉक्स की तरह माना।
उन्होंने एक "क्रिटिक" (शिक्षक) का उपयोग किया जो रोबोट को देखता था। यदि रोबोट कोई चाल सुझाता है और सेफ्टी फिल्टर उसे स्वीकार कर लेता है, तो क्रिटिक अच्छा ग्रेड देता है। यदि सेफ्टी फिल्टर उसे अस्वीकार कर देता है, तो क्रिटिक बुरा ग्रेड देता है।
रोबोट बिना कभी यह समझे कि सेफ्टी फिल्टर के अंदर जटिल गणित क्या है, इन ग्रेड्स से सीखता है।

निष्कर्ष (The Bottom Line)

यह पेपर रोबोटिक्स की एक बड़ी समस्या को हल करता है: हम ऐसी मशीनें कैसे बना सकते हैं जो सुरक्षित भी हों और जटिल, गतिशील कार्यों में सक्षम भी हों?

"परफॉरमेंस" वाले मस्तिष्क को "सेफ्टी" वाले मस्तिष्क के साथ अस्थायी रूप से बातचीत करने की अनुमति देकर, सिस्टम गणना किए गए जोखिम (जैसे डिटूर) ले सकता है जो पहले वर्जित थे, बशर्ते कि वह लंबे समय में सुरक्षा की गारंटी दे। यह एक ड्राइवर को दिए गए नक्शे की तरह है जो कहता है, "आप तेज़ गाड़ी चला सकते हैं और शॉर्टकट ले सकते हैं, जब तक कि आप अंततः धीमे होने और रेड लाइट पर रुकने का वादा करते हैं।"

यहाँ Saccani et al. के शोध पत्र "Safety-Aware Performance Boosting for Constrained Nonlinear Systems" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या का निरूपण (Problem Formulation)

यह शोध पत्र नॉनलीनियर (nonlinear), कंस्ट्रेंड (constrained) सिस्टम्स को नियंत्रित करने की चुनौती को संबोधित करता है, जहाँ लक्ष्य प्रदर्शन को अनुकूलित करना (जटिल कार्यों को निष्पादति करना) है, जबकि सुरक्षा (स्टेट/इनपुट बाधाओं) और स्थिरता (क्लोज्ड-लूप अभिसरण) की सख्त गारंटी देना भी अनिवार्य है।

द्वंद्व (The Conflict): पारंपरिक मॉडल प्रेडिक्टिव कंट्रोल (MPC) हार्ड कंस्ट्रेंट्स के माध्यम से सुरक्षा सुनिश्चित करता है, लेकिन प्रदर्शन को अनुकूलित करते समय यह अत्यधिक रूढ़िवादी (conservative) हो सकता है। इसके विपरीत, लर्निंग-आधारित दृष्टिकोण (जैसे सुदृढीकरण शिक्षण/Reinforcement Learning) उच्च प्रदर्शन प्रदान करते हैं, लेकिन उनमें अक्सर औपचारिक सुरक्षा और स्थिरता गारंटी का अभाव होता है।
मौजूदा सुरक्षा फिल्टर की सीमा (The Limitation of Existing Safety Filters): प्रेडिक्टिव सेफ्टी फिल्टर्स (PSFs) का उपयोग असुरक्षित कंट्रोल इनपुट्स को संशोधित करने के लिए किया जाता है ताकि बाधाओं को पूरा किया जा सके। हालाँकि, मानक PSFs एक निश्चित, मोनोटोनिक (एकदिशीय) लियापुनोव डिक्रीज रेट (Lyapunov decrease rate) को लागू करते हैं। यह सिस्टम को संकुचित होते लियापुनोव लेवल सेट्स के भीतर रहने के लिए मजबूर करता है, जो जटिल व्यवहारों जैसे कि बाधाओं के चारों ओर "सेफ डिटूर" (सुरक्षित मोड़) लेने से रोकता है, क्योंकि इस प्रक्रिया में लियापुनोव फंक्शन का मान अस्थायी रूप से बढ़ सकता है।
लक्ष्य (The Goal): एक ऐसा कंट्रोल आर्किटेक्चर विकसित करना जो सुरक्षा, स्थिरता और प्रदर्शन को अलग (decouple) कर सके, जिससे सिस्टम को बेहतर प्रदर्शन प्राप्त करने के लिए स्थिरता संबंधी बाधाओं को अस्थायी रूप से शिथिल करने की अनुमति मिले, जबकि गणितीय रूप से यह गारंटी दी जा सके कि सिस्टम अंततः एक स्थिर अवस्था में वापस आ जाएगा।

2. कार्यप्रणाली (Methodology)

लेखक एक कंट्रोल आर्किटेक्चर (चित्र 1) प्रस्तावित करते हैं जिसमें दो मुख्य घटक हैं: एक परफॉरमेंस-बूस्टिंग (PB) कंट्रोलर और एक शेड्यूलड प्रेडिक्टिव सेफ्टी फिल्टर (PSF)।

A. शेड्यूल्ड प्रेडिक्टिव सेफ्टी फिल्टर (PSF)

PSF एक प्री-स्टेबिलाइजिंग बेस कंट्रोलर के रूप में कार्य करता है। एक निश्चित लियापुनोव डिक्रीज रेट ( $\rho$ ) लागू करने वाले मानक PSFs के विपरीत, यह शोध पत्र एक शेड्यूलिंग तंत्र पेश करता है:

परिवर्तनीय डिक्रीज रेट (Variable Decrease Rate): आवश्यक लियापुनोव डिक्रीज रेट, $\rho_t$ , अब स्थिर नहीं है। इसे PB कंट्रोलर द्वारा प्रस्तावित परफॉरमेंस इनपुट ( $u_L$ ) के परिमाण के आधार पर गतिशील रूप से समायोजित किया जाता है।
टाइटनिंग शेड्यूल ( $\psi$ ): एक फलन $\psi$ $ψ$ , परफॉरमेंस इनपुट के नॉर्म ( $\|u_{L,t}\|$ $∥ u_{L, t} ∥$ ) को शेड्यूलिंग पैरामीटर $\rho_t$ $ρ_{t}$ के साथ मैप करता है।
- ट्रांजिएंट चरण (Transient Phase): जब परफॉरमेंस इनपुट बड़ा होता है (जो एक जटिल युक्ति या मोड़ का संकेत देता है), तो $\rho_t$ को बढ़ने की अनुमति दी जाती है (यहाँ तक कि $\rho_t > 1$ भी हो सकता है), जो प्रभावी रूप से लियापुनोव डिक्रीज कंस्ट्रेंट को शिथिल कर देता है। यह सिस्टम को बाधाओं के चारों ओर नेविगेट करने के लिए लियापुनोव लैंडस्केप में अस्थायी रूप से "ऊपर की ओर" जाने की अनुमति देता है।
- स्टेबलाइजेशन चरण (Stabilization Phase): जैसे-जैसे परफॉरमेंस इनपुट कम होता है ( $\|u_{L,t}\| \to 0$ ), $\rho_t$ स्वतः ही एक निश्चित $\bar{\rho} < 1$ तक टाइट हो जाता है, जिससे यह सुनिश्चित होता है कि सिस्टम अंततः इक्विलिब्रियम (संतुलन) की ओर अभिसरित हो।
ऑप्टिमाइजेशन (Optimization): प्रत्येक चरण पर, PSF एक कंस्ट्रेंड ऑप्टिमाइजेशन समस्या को हल करता है ताकि सुरक्षित इनपुट $u$ प्राप्त किया जा सके जो $u_L$ के सबसे करीब हो और स्टेट/इनपुट कंस्ट्रेंट्स तथा शेड्यूल किए गए लियापुनोव डिक्रीज कंस्ट्रेंट को संतुष्ट करता हो।

B. परफॉरमेंस-बूस्टिंग (PB) कंट्रोलर

पैरामीटराइजेशन (Parameterization): PB कंट्रोलर ( $M_\theta$ ) को एक मैग्निट्यूड-एंड-डायरेक्शन (MAD) पॉलिसी का उपयोग करके एक कॉज़ल ऑपरेटर के रूप में पैरामीटराइज किया गया है।
डिज़ाइन द्वारा स्थिरता (Stability by Design): आर्किटेक्चर यह सुनिश्चित करता है कि आउटपुट $u_L$ निर्माण द्वारा $\ell_2$ स्पेस (सीमित ऊर्जा) में रहे। यह एक लीनियर रिकरेंट यूनिट (LRU) का उपयोग करके प्राप्त किया जाता है, जो किसी भी पैरामीटर्स के लिए $\ell_2$ -स्टेबिलिटी की गारंटी देता है।
भूमिका: यह "वांछित" कंट्रोल इनपुट उत्पन्न करता है और शेड्यूलर को PSF की कठोरता को समायोजित करने के लिए सिग्नल प्रदान करता है।

C. प्रशिक्षण प्रक्रिया (Training Procedure)

ब्लैक-बॉक्स दृष्टिकोण: जब कंस्ट्रेंट्स सक्रिय होते हैं, तो नॉन-स्मूथनेस के कारण PSF के ऑप्टिमाइजेशन समस्या के माध्यम से सीधे डिफरेंशिएट करना कठिन होता है।
एक्टर-क्रिटिक RL: लेखक एक ऑफ-पॉलिसी एक्टर-क्रिटिक विधि (जैसे DDPG) का उपयोग करते हैं।
- एक्टर (Actor): पॉलिसी $u_L = \mu_\theta(\zeta)$ को सीखता है।
- क्रिटिक (Critic): $u_L$ के मान का अनुमान लगाता है।
- महत्वपूर्ण बात यह है कि ग्रेडिएंट अपडेट के लिए PSF सॉल्वर के माध्यम से डिफरेंशिएट करने की आवश्यकता नहीं होती है। इसके बजाय, यह $u_L$ के सापेक्ष Q-फंक्शन के ग्रेडिएंट पर निर्भर करता है, जो PSF-प्लांट इंटरकनेक्शन को एक नियत (deterministic) ब्लैक बॉक्स के रूप में मानता है।

3. प्रमुख योगदान और सैद्धांतिक परिणाम

(i) डिज़ाइन द्वारा स्थिरता (Stability by Design)

यह शोध पत्र थ्योरम 1 को सिद्ध करता है: यदि PB कंट्रोलर एक $\ell_2$ -स्टेबल इनपुट ( $u_L \in \ell_2$ ) उत्पन्न करता है, तो क्लोज्ड-लूप सिस्टम $\ell_2$ -स्टेबल होने और सभी कंस्ट्रेंट्स को संतुष्ट करने की गारंटी देता है।

तंत्र: भले ही $\rho_t$ ट्रांजिएंट रूप से $\ge 1$ हो सकता है, लेकिन तथ्य यह है कि $u_L \to 0$ होता है, यह सुनिश्चित करता है कि $\rho_t$ अंततः $\bar{\rho} < 1$ पर स्थिर हो जाए, जो एसिम्प्टोटिक स्टेबिलिटी (अनंतस्पर्शी स्थिरता) की गारंटी देता है।

(ii) ट्रजेक्टरी-सेट विस्तार (Trajectory-Set Expansion)

यह शोध पत्र थ्योरम 2 को सिद्ध करता है: Scheduled PSF का उपयोग करके प्राप्त होने वाले सुरक्षित ट्रजेक्टरीज का सेट, Fixed-Rate PSF द्वारा प्राप्त होने वाले ट्रजेक्टरीज के सेट से स्पष्ट रूप से बड़ा है।

महत्व: यह गणितीय रूप से सिद्ध करता है कि प्रस्तावित आर्किटेटेक्चर उन व्यवहारों (जैसे ट्रांजिएंट डिटूर) को निष्पादित कर सकता है जो मानक PSFs के लिए असंभव हैं, क्योंकि वे संकुचित होते लियापुनोव लेवल सेट्स तक ही सीमित होते हैं।

(iii) डिफरेंशिएबल-फ्री ट्रेनिंग (Differentiable-Free Training)

प्रस्तावित प्रशिक्षण प्रक्रिया नॉन-स्मूथ PSF ऑप्टिमाइजेशन मैप के माध्यम से डिफरेंशिएट करने की आवश्यकता को समाप्त करती है, जिससे जटिल पॉलिसियों को सीखना संभव और स्थिर हो जाता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

विधि को एक मूविंग ऑब्स्टेकल (चलती बाधा) वाले कंस्ट्रेंड इनवर्टेड पेंडुलम कार्य पर सत्यापित किया गया।

कार्य: पेंडुलम को सीधे पथ को बाधित करने वाली चलती बाधा से बचाते हुए, ऊर्ध्वाधर इक्विलिब्रियम ( $\theta=0$ ) पर स्थिर करना।
तुलना:
- बेसलाइन (Fixed-Rate PSF): यह कार्य करने में विफल रहा। लियापुनोव फंक्शन के मोनोटोनिक ह्रास (decrease) ने पेंडुलम को संकुचित होते लेवल सेट्स के भीतर रहने के लिए मजबूर किया, जिससे स्थिरता कंस्ट्रेंट का उल्लंघन किए बिना बाधा के चारों ओर मुड़ना असंभव हो गया।
- प्रस्तावित (Scheduled PSF): इसने कार्य को सफलतापूर्वक पूरा किया। शेड्यूलर ने लियापुनोव सर्टिफिकेट ( $J^*_t$ ) को अस्थायी रूप से बढ़ने ( $\rho_t > \bar{\rho}$ सेट करके) की अनुमति दी, जिससे पेंडुलम को बाधा से बचने के लिए इक्विलिब्रियम से दूर झूलने में मदद मिली। एक बार बाधा पार हो जाने के बाद, इनपुट का परिमाण कम हो गया, $\rho_t$ टाइट हो गया, और सिस्टम स्थिर हो गया।
विज़ुअलाइज़ेशन: चित्र 3 प्रस्तावित पद्धति के लिए लियापुनोव सर्टिफिकेट को अस्थायी रूप से बढ़ते हुए (नीली रेखा) दिखाता है, जबकि बेसलाइन (नारंगी रेखा) को मोनोटोनिक रूप से घटने के लिए मजबूर किया जाता है, जिससे विफलता होती है।

5. महत्व (Significance)

यह कार्य नॉनलीनियर सिस्टम्स के लिए औपचारिक सुरक्षा गारंटी और उच्च-प्रदर्शन नियंत्रण के बीच के अंतर को पाटता है।

रूढ़िवादिता पर विजय: यह फिक्स्ड-रेट सेफ्टी फिल्टर्स की मौलिक सीमा को हल करता है जो जटिल, नॉन-मोनोटोनिक व्यवहारों को रोकते हैं।
सैद्धांतिक कठोरता: यह सिद्ध करता है कि स्थिरता बाधाओं को अस्थायी रूप से शिथिल करने से दीर्घकालिक स्थिरता से समझौता नहीं होता है, बशर्ते कि परफॉरमेंस इनपुट $\ell_2$ -बाउंडेड हो।
व्यावहारिक अनुप्रयोग: लर्निंग प्रक्रिया से सेफ्टी फिल्टर को ब्लैक-बॉक्स दृष्टिकोण के माध्यम से अलग करके, यह सुरक्षा-महत्वपूर्ण सिस्टम्स के लिए शक्तिशाली RL तकनीकों का उपयोग करना संभव बनाता है, जिसमें जटिल डिफरेंशिएबल ऑप्टिमाइजेशन लेयर्स की आवश्यकता नहीं होती।

संक्षेप में, यह शोध पत्र एक "सेफ्टी-अवेयर" बूस्टिंग तंत्र पेश करता है जो स्वायत्त प्रणालियों को जटिल लक्ष्यों को प्राप्त करने के लिए गणनात्मक रूप से सुरक्षित, अस्थायी जोखिम (डिटूर) लेने की अनुमति देता है, जबकि गणितीय रूप से यह गारंटी देता है कि वे एक सुरक्षित, स्थिर अवस्था में वापस आएंगे।