⚡ electrical engineering

Safety-Constrained Optimal Control for Unknown System Dynamics

यह शोध पत्र अज्ञात गतिकी वाले सिस्टम के लिए एक सुरक्षा-प्रतिबंधित इष्टतम नियंत्रण ढांचे को प्रस्तुत करता है जो विचलन दंड (deviation penalty) के साथ पोंट्रियागिन के न्यूनतम सिद्धांत (Pontryagin's Minimum Principle) का उपयोग करके एक मॉडल-आधारित नियंत्रण रणनीति व्युत्पन्न करता है, सौम्य उत्तलता धारणाओं (mild convexity assumptions) के तहत इसके वास्तविक इष्टतम समाधान के साथ इसके समकक्षता को सिद्ध करता है, और एक रोबोटिक क्रूज कंट्रोल टेस्टबेड पर इस दृष्टिकोण को मान्य करता है।

मूल लेखक: Panagiotis Kounatidis, Andreas A. Malikopoulos

प्रकाशित 2026-03-31

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Panagiotis Kounatidis, Andreas A. Malikopoulos

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 कार चलाना सिखा रहे हैं। आपका लक्ष्य उसे एक आदर्श गति से गाड़ी चलाने और अपने आगे वाली कार से सुरक्षित दूरी बनाए रखने के लिए प्रशिक्षित करना है।

समस्या:
वास्तविक दुनिया में, रोबोटों को अपने शरीर के सटीक भौतिक विज्ञान (physics) का पता नहीं होता है। हो सकता है कि रोबोट के पहिए उम्मीद से थोड़ा अधिक फिसल रहे हों, या उसका इंजन इंजीनियरों की सोच से थोड़ा धीमा प्रतिक्रिया दे रहा हो। इसे "मॉडल मिसमैच" (model mismatch) कहा जाता है।

आमतौर पर, यदि आप एक "परफेक्ट" मानचित्र (map) का उपयोग करके रोबोट को प्रोग्राम करते हैं कि उसे कैसे चलना चाहिए, लेकिन रोबोट वास्तव में अलग तरह से चलता है, तो वह टकरा सकता है या अक्षम रूप से गाड़ी चला सकता है। इसे ठीक करने के लिए, अधिकांश इंजीनियर रोबोट के शरीर का एक अत्यंत सटीक मानचित्र बनाने की कोशिश करते हैं, जो कठिन, महंगा और अक्सर असंभव है।

पेपर का बड़ा विचार:
यह पेपर कहता है: "परफेक्ट ड्राइविंग के लिए आपको एक परफेक्ट मानचित्र की आवश्यकता नहीं है।"

इसके बजाय, एक सटीक मानचित्र बनाने के बजाय, लेखक एक चतुर तरकीब प्रस्तावित करते हैं: रोबोट के मस्तिष्क में एक "दंड" (Punishment) जोड़ें।

उपमा: जीपीएस (GPS) और "भूतिया" कार (Ghost Car)

कल्पना कीजिए कि आप एक जीपीएस (मॉडल) के साथ गाड़ी चला रहे हैं।

वास्तविकता: आप टायर घिसे हुए एक भारी ट्रक को चला रहे हैं (वास्तविक सिस्टम)।
जीपीएस: सोचता है कि आप एकदम चिकने टायरों वाली एक स्पोर्ट्स कार चला रहे हैं।

यदि आप केवल जीपीएस का पालन करते हैं, तो आप बहुत देर से ब्रेक लगा सकते हैं क्योंकि जीपीएस सोचता है कि आप तुरंत रुक जाते हैं, लेकिन आपका ट्रक रुकने में अधिक समय लेता है।

पेपर में दिया गया समाधान:
लेखक जीपीएस को यह कल्पना करने के लिए कहते हैं कि आपके ठीक बगल में एक "भूतिया कार" (Ghost Car) चल रही है।

जीपीएस अपनी "स्पोर्ट्स कार" संस्करण के लिए रास्ता निकालता है।
लेकिन, वह यह भी जाँचता है: "मेरी स्पोर्ट्स कार, वास्तविक ट्रक से कितनी दूर है?"
यदि स्पोर्ट्स कार (मॉडल) और वास्तविक ट्रक (वास्तविक) एक दूसरे से अलग होने लगते हैं, तो जीपीएस अपनी गणना में एक बड़ा दंड (जुर्माना) जोड़ देता है।

यह क्यों काम करता है:
रोबोट का मस्तिष्क (एल्गोरिदम) स्मार्ट है। वह समझ जाता है, "यदि मैं जीपीएस का ठीक से पालन करता हूँ, तो मुझे जुर्माना लगेगा क्योंकि मैं वास्तविकता से दूर जा रहा हूँ। जुर्माने से बचने के लिए, मुझे अपनी ड्राइविंग शैली बदलने की आवश्यकता है ताकि मेरा 'स्पोर्ट्स कार' वाला रास्ता 'वास्तविक ट्रक' के रास्ते से चिपका रहे।"

भले ही जीपीएस सोचता है कि वह एक स्पोर्ट्स कार चला रहा है, लेकिन "जुर्माने" का डर उसे एक ऐसा रास्ता खोजने के लिए मजबूर करता है जो भारी ट्रक के लिए बिल्कुल सही काम करे।

"सुरक्षा" वाला हिस्सा

पेपर में एक नियम भी जोड़ा गया है: "आगे वाली कार के बहुत करीब कभी न जाएँ।"
गणितीय शब्दों में, यह एक "सुरक्षा बाधा" (safety constraint) है। लेखक यह सिद्ध करते हैं कि इस सख्त नियम के साथ भी, उनकी "दंड" वाली तरकीब काम करती है। रोबोट सुरक्षित और कुशल तरीके से गाड़ी चलाना सीख जाता है, भले ही उसे अपने इंजन के बारे में पूरी जानकारी न हो।

"जादुई" परिणाम

सबसे आश्चर्यजनक बात यह है कि जब उन्होंने वास्तविक रोबोट्स (LIMO रोबोट नामक छोटे इलेक्ट्रिक कार) पर इसका परीक्षण किया, तो क्या हुआ।

उन्होंने एक रोबोट को वास्तविक भौतिक विज्ञान (जिसे वे पूरी तरह जानते थे) का उपयोग करके प्रोग्राम किया और दूसरे को गलत भौतिक विज्ञान (मॉडल) + दंड का उपयोग करके।

परिणाम: दोनों रोबोट्स ने बिल्कुल एक ही तरह से गाड़ी चलाई।

वे केवल समान रूप से नहीं चले; उन्होंने बिल्कुल एक ही गति और दूरी के वक्र (curves) का पालन किया। "गलत" रोबोट ने, दंड की मदद से, अपने टायरों या इंजन के बारे में सच जाने बिना ही, ड्राइविंग की एकदम सही रणनीति बना ली।

रोजमर्रा की जिंदगी के लिए सीख

इसे साइकिल चलाने सीखने जैसा समझें।

पुराना तरीका: आपको संतुलन, हवा के प्रतिरोध और टायर के घर्षण के भौतिक विज्ञान को पूरी तरह से समझने की आवश्यकता है ताकि आप अच्छी तरह से सवारी कर सकें। (कठिन!)
इस पेपर का तरीका: आपको बस इतना जानने की आवश्यकता है कि यदि आप बहुत अधिक झुकते हैं, तो आप गिर जाएंगे (दंड)। आपको यह जानने की आवश्यकता नहीं है कि क्यों गिरते हैं, आपको बस यह जानने की आवश्यकता है कि गिरना बुरा है। इसलिए, आप गिरने से बचने के लिए अपने संतुलन को समायोजित करते हैं।

संक्षेप में: दुनिया कैसे काम करती है, इसे पूरी तरह से जानने के लिए आपको इसे नियंत्रित करने की आवश्यकता नहीं है। आपको बस एक ऐसे सिस्टम की आवश्यकता है जो आपको दंडित करे जब आपका "अनुमान" वास्तविकता से भटकने लगे। यह रोबोट्स (और शायद भविष्य में AI भी) को सुरक्षित और कुशल बनाता है, भले ही वे अपने मैकेनिक्स के बारे में "अनजान" हों।

यहाँ पनागियोटिस कुनाटिडिस और एंड्रियास ए. मलिकोपोलोस के शोध पत्र "Safety-Constrained Optimal Control for Unknown System Dynamics" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र निरंतर परिमित-क्षितिज अनुकूल नियंत्रण समस्याओं (continuous finite-horizon optimal control problems) को हल करने की चुनौती को संबोधित करता है, जब वास्तविक सिस्टम डायनेमिक्स (जिसे "प्लांट" कहा जाता है) अज्ञात या सटीक रूप से मॉडल करने के लिए बहुत जटिल होते हैं।

मुख्य मुद्दा: कई अनुप्रयोगों (जैसे स्वायत्त ड्राइविंग) में, नियंत्रक (controllers) अनुमानित मॉडलों (डिजिटल ट्विन्स) पर निर्भर करते हैं। हालाँकि, मॉडल मिसमैच (model mismatch) आमतौर पर उप-इष्टतम प्रदर्शन या सुरक्षा उल्लंघन का कारण बनता है।
विशिष्ट चुनौती: लेखक उन समस्याओं पर ध्यान केंद्रित करते हैं जिनमें सुरक्षा बाधाएं (safety constraints) शामिल हैं जो सिस्टम स्टेट और कंट्रोल इनपुट दोनों पर निर्भर करती हैं। लक्ष्य यह निर्धारित करना है कि किन परिस्थितियों में एक अपूर्ण मॉडल से प्राप्त नियंत्रण रणनीति, डायनेमिक्स मिसमैच के बावजूद, वास्तविक प्लांट के लिए इष्टतम (optimal) बनी रहती है।

2. कार्यप्रणाली (Methodology)

लेखक एक ढांचा प्रस्तावित करते हैं जो पोंट्र्यागिन के न्यूनतम सिद्धांत (Pontryagin's Minimum Principle - PMP) को एक दंडित लागत (penalized cost) फॉर्मूलेशन के साथ जोड़ता है।

A. समस्या का सूत्रीकरण (Problem Formulation)

वास्तविक सिस्टम (प्लांत): अज्ञात डायनेमिक्स $\dot{\hat{x}} = \hat{f}(t, \hat{x}, u)$ और सुरक्षा बाधाओं $c(t, \hat{x}, u) \leq 0$ द्वारा नियंत्रित है। उद्देश्य एक कॉस्ट फंक्शनल $J_{act}$ को कम करना है।
सरोगेट मॉडल: नियंत्रण संश्लेषण (control synthesis) के लिए एक ज्ञात अनुमानित मॉडल $\dot{x} = f(t, x, u)$ का उपयोग किया जाता है।
दंडित लागत (Penalized Cost): मॉडल और प्लांट के बीच के अंतर को पाटने के लिए, लेखक मॉडल-आधारित लागत फलन में मॉडल स्टेट $x$ और प्रेक्षित प्लांट स्टेट $\hat{x}$ के बीच वर्ग त्रुटि (squared error) के समानुपाती एक दंड पद (penalty term) जोड़ते हैं:
$J_{mod} = \int_0^T \left[ \ell(t, x, u) + \beta(t)\|x - \hat{x}\|^2 \right] dt + \phi(x(T))$
यहाँ, $\beta(t)$ एक समय-परिवर्तनीय वेटिंग फंक्शन (weighting function) है।

B. हैमिल्टनियन विश्लेषण (Hamiltonian Analysis)

लेखक PMP का उपयोग करके वास्तविक प्लांट और दंडित मॉडल दोनों के लिए इष्टतमता की शर्तों (optimality conditions) को व्युत्पन्न करते हैं।

प्लांट हैमिल्टनियन ( $\hat{H}$ ): इसमें वास्तविक डायनेमिक्स और बाधाएं शामिल हैं।
मॉडल हैमिल्टनियन ( $H$ ): इसमें अनुमानित डायनेमिक्स, बाधाएं और दंड पद शामिल हैं।
मुख्य अंतर्दृष्टि: दंड पद $\beta(t)\|x - \hat{x}\|^2$ स्टेट्स पर निर्भर करता है लेकिन स्पष्ट रूप से कंट्रोल इनपुट $u$ पर निर्भर नहीं करता है। फलस्वरूप, यह टर्म $u$ के सापेक्ष हैमिल्टनियन के ग्रेडिएंट ( $\nabla_u H$ ) में दिखाई नहीं देता है।

C. तुल्यता की शर्तें (Equivalence Conditions)

यह शोध पत्र उन संरचनात्मक स्थितियों को स्थापित करता है जिनके तहत मॉडल से प्राप्त इष्टतम नियंत्रण ( $u^\circ$ ) वास्तविक प्लांट के लिए इष्टतम नियंत्रण ( $u^*$ ) के समान होता है, भले ही डायनेमिक्स भिन्न हों।

सामान्य मामला (Convex Analysis): सबडिफरेंशियल (subdifferentials) और नॉर्मल कोन (normal cones) का उपयोग करते हुए, लेखक सिद्ध करते हैं कि यदि हैमिल्टोनियंस के सबग्रेडिएंट्स एक विशिष्ट बिंदु पर $u$ के सापेक्ष समान हैं, तो इष्टतम मिनीमाइज़र (minimizers) फेसिबल सेट $C$ पर समान होंगे।
क्वाड्रेटिक कंट्रोल केस: क्वाड्रेटिक कंट्रोल एफर्ट वाले सिस्टम के लिए (जो रोबोटिक्स में सामान्य है), लेखक स्पष्ट, सत्यापन योग्य शर्तें व्युत्पन्न करते हैं:
1. स्टेट अलाइनमेंट: मॉडल स्टेट को प्लांट स्टेट के बराबर होना चाहिए ( $x(t) = \hat{x}(t)$ )।
2. ग्रेडिएंट मैचिंग: $u$ के सापेक्ष डायनेमिक्स और कॉस्ट टर्म्स के ग्रेडिएंट्स मेल खाने चाहिए:
  $\nabla_u \hat{f} = \nabla_u f, \quad \lambda^\circ = \hat{\lambda}^*, \quad \mu^\circ = \hat{\mu}^*$
  महत्वपूर्ण रूप से, दंड पद स्टेट्स और कोस्टेट्स के विकास (कोस्टेट डायनेमिक्स $\dot{\lambda}$ के माध्यम से) को प्रभावित करता है, लेकिन यह $u$ के लिए पॉइंटवाइज मिनिमाइजेशन समस्या की संरचना को नहीं बदलता है।

3. मुख्य योगदान (Key Contributions)

मॉडल मिसमैच के लिए सैद्धांतिक ढांचा: यह शोध पत्र एक कठोर गणितीय प्रमाण प्रदान करता है कि इष्टतम नियंत्रण रणनीतियाँ मॉडल और प्लांट के बीच समान हो सकती हैं, भले ही डायनेमिक्स अज्ञात हों, बशर्ते हैमिल्टनियन मिनीमाइज़र्स पर विशिष्ट संरचनात्मक शर्तें पूरी होती हों।
सटीकता और इष्टतमता का पृथक्करण (Decoupling of Accuracy and Optimality): एक बड़ी अंतर्दृष्टि यह है कि दंड पद वास्तविकता के साथ संरेखित करने के लिए ट्रैजेक्टरी (स्टेट/कोस्टेट विकास) को ठीक करता है, बिना कंट्रोल लॉ स्ट्रक्चर (हैमिल्टनियन का मिनिमाइजेशन) को बदले। यह समझाता है कि व्यावहारिक रूप से अनुमानित मॉडल अक्सर अच्छी तरह से क्यों काम करते हैं।
सुरक्षा बाधाओं का एकीकरण: पिछले कार्यों के विपरीत जो अनकन्स्ट्रेंड सिस्टम पर केंद्रित थे, यह ढांचा स्पष्ट रूप से स्टेट और कंट्रोल इनपुट दोनों से जुड़ी सुरक्षा बाधाओं को संभालता है।
हार्डवेयर सत्यापन: इस सिद्धांत को रियर-एंड कोलिजन अवॉयडेंस बाधाओं के साथ क्रूज कंट्रोल एप्लिकेशन के लिए एक वास्तविक रोबोटिक टेस्टबेड (LIMO रोबोट्स) पर सत्यापित किया गया है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने LIMO रोबोट्स के एक बेड़े पर इस ढांचे को लागू किया:

सेटअप: एक "ईगो" रोबोट (नियंत्रित) एक "फ्रंट" रोबोट (अनकंट्रोल्ड) का पीछा करता है। कंट्रोलर वास्तविक रोबोट की तुलना में गलत पैरामीटर्स (जैसे अलग एक्चुएशन लैग $\tau$ और गेन $k$ ) वाले मॉडल का उपयोग करता है।
तुलना: दो रन किए गए:
1. ओरिजिनल ऑप्टिमल कंट्रोल: वास्तविक (अज्ञात) पैरामीटर्स का उपयोग करके (तुलना के लिए सिम्युलेटेड)।
2. मॉडल-बेस्ड पेनलाइज्ड कंट्रोल: प्रस्तावित दंड पद के साथ अनुमानित मॉडल का उपयोग करके।
निष्कर्ष:
- महत्वपूर्ण पैरामीटर मिसमैच के बावजूद, मॉडल-आधारित रणनीति द्वारा उत्पन्न कंट्रोल इनपुट्स ( $u_{mb}$ ) वास्तविक इष्टतम नियंत्रण ( $u_{opt}$ ) के समान थे, जब भी सुरक्षा बाधाएं सक्रिय थीं या सिस्टम एक विशिष्ट रिजीम में था।
- दंड पद ने मॉडल स्टेट को प्लांट स्टेट के साथ संरेखित करने में सफलतापूर्वक मदद की, जिससे यह सुनिश्चित हुआ कि हैमिल्टनियन मिनीमाइज़र्स मेल खाते हैं।
- परिणामों ने पुष्टि की कि $\nabla_u \hat{H} \neq \nabla_u H$ (ग्रेडिएंट्स भिन्न हैं), फिर भी $\arg \min_u \hat{H} = \arg \min_u H$ (मिनीमाइज़र्स समान हैं), क्योंकि कंट्रोल बाधाओं और दंड की विशिष्ट संरचना का प्रभुत्व था।

5. महत्व और प्रभाव (Significance and Impact)

लर्निंग प्रतिमान में बदलाव (Shift in Learning Paradigm): यह शोध पत्र लर्निंग-आधारित कंट्रोल (जैसे सुदृढीकरण शिक्षण/Reinforcement Learning) के लिए एक प्रतिमान परिवर्तन का सुझाव देता है। सटीक सिस्टम आइडेंटिफिकेशन (सटीक मॉडल मिलान) के लिए प्रयास करने के बजाय, सीखने के प्रयासों को उन संरचनात्मक गुणों को बनाए रखने पर ध्यान केंद्रित करना चाहिए जो हैमिल्टनियन मिनिमाइजेशन समानता सुनिश्चित करते हैं।
डिजिटल ट्विन्स की मजबूती: यह कंट्रोल अनुप्रयोगों में "डिजिटल ट्विन्स" की सफलता के लिए एक सैद्धांतिक औचित्य प्रदान करता है, यह दिखाते हुए कि जब तक दंड पद स्टेट ट्रैजेक्टरी को ठीक करता है, तब तक ट्विन से प्राप्त कंट्रोल पॉलिसी इष्टतम बनी रहती है।
व्यावहारिक प्रयोज्यता: यह ढांचा उन सिस्टमों के लिए नियंत्रक डिजाइन करने का एक सिद्धांतपूर्ण तरीका प्रदान करता है जहाँ सटीक मॉडलिंग असंभव है (जैसे जटिल रोबोटिक्स, जैविक सिस्टम), जबकि हल्के कॉनवेक्सिटी (convexity) धारणाओं के तहत सुरक्षा और इष्टतमता की गारंटी देता है।

संक्षेप में, यह कार्य सैद्धांतिक अनुकूल नियंत्रण और अपूर्ण मॉडलों के साथ व्यावहारिक कार्यान्वयन के बीच के अंतर को पाटता है, यह सिद्ध करता है कि सही दंड रणनीति के साथ, मॉडल-आधारित नियंत्रक अज्ञात डायनेमिक्स और सुरक्षा बाधाओं की उपस्थिति में भी वास्तविक इष्टतमता प्राप्त कर सकते हैं।