⚡ electrical engineering

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

यह शोध पत्र मिश्रित यातायात में जुड़े हुए स्वायत्त वाहनों के लिए एक वितरित, ऑब्जर्वर-आधारित दोष पहचान और अलगाव रणनीति का प्रस्ताव करता है जो सेंसर विसंगतियों की पहचान करने के लिए अवशेषों (रेसिडुअल्स) पर संभाव्य थ्रेशोल्ड का उपयोग करता है, जिसमें केंद्रीय प्रसंस्करण या सीमित शोर (बाउंडेड नॉइज़) की धारणाओं की आवश्यकता नहीं होती है।

मूल लेखक: Mohammadreza Doostmohammadian, Hamid R. Rabiee

प्रकाशित 2026-05-05

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mohammadreza Doostmohammadian, Hamid R. Rabiee

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

एक व्यस्त राजमार्ग की कल्पना करें जहाँ दो प्रकार के चालक सड़क साझा कर रहे हैं: मानव-चालित वाहन (HDVs) और स्वायत्त वाहन (CAVs)। मानव चालक अप्रत्याशित होते हैं; वे बिना किसी चेतावनी के गति बढ़ा सकते हैं, धीमे हो सकते हैं, या लेन बदल सकते हैं। हालाँकि, स्वायत्त कारें स्मार्ट और जुड़ी हुई होती हैं। वे सुरक्षित रहने और यातायात को सुचारू रूप से चलाने के लिए एक-दूसरे से बात करती हैं।

समस्या यह है: क्या होगा यदि स्मार्ट कारों के सेंसर "भ्रमित" हो जाएं या उन्हें "हैक" कर लिया जाए?

यदि एक स्मार्ट कार का सेंसर इस बारे में झूठ बोलता है कि एक मानव कार कहाँ है, तो वह स्मार्ट कार एक खतरनाक निर्णय ले सकती है। यदि वह अपने पड़ोसियों को बताती है, "हे, वह मानव कार ठीक यहाँ है!" जबकि वे वास्तव में दूर हैं, तो पूरा समूह दुर्घटनाग्रस्त हो सकता है। आमतौर पर, इसे ठीक करने के लिए, सभी कारों को त्रुटियों की जाँच करने के लिए एक विशाल केंद्रीय कंप्यूटर (जैसे एक ट्रैफिक कंट्रोल टॉवर) को अपना डेटा भेजना होगा। लेकिन यह धीमा है, और यदि टॉवर टूट जाता है, तो सब मुसीबत में पड़ जाएंगे।

यह शोध पत्र इस समस्या को संभालने के एक स्मार्ट, विकेंद्रीकृत (decentralized) तरीके का प्रस्ताव देता है। यह कैसे काम करता है, यहाँ सरल अवधारणाओं में दिया गया है:

1. "ग्रुप चैट" रणनीति (वितरित अवलोकन - Distributed Observation)

एक केंद्रीय बॉस के बताने का इंतज़ार करने के बजाय कि क्या हो रहा है, स्मार्ट कारें एक ग्रुप चैट बनाती हैं।

सेटअप: प्रत्येक स्मार्ट कार अपने स्वयं के सेंसर के माध्यम से केवल एक मानव कार को सीधे "देख" सकती है। यह एक अंधेरे कमरे में होने जैसा है जहाँ आप केवल अपने ठीक बगल में खड़े व्यक्ति को देख सकते हैं।
ट्रिक: भले ही कार A मानव कार #4 को नहीं देख सकती, लेकिन वह कार B से बात कर सकती है, जो मानव कार #4 को देख सकती है। जो वे देखते हैं और जो वे सोचते हैं कि क्या हो रहा है, उसे साझा करके, सभी स्मार्ट कारें पूरी राजमार्ग की एक पूर्ण तस्वीर बना सकती हैं।
नवाचार: लेखकों ने इन कारों के लिए जानकारी साझा करने का एक नया, तेज़ तरीका बनाया है। पिछले तरीके एक धीमी रिले रेस की तरह थे जहाँ कारों को किसी तथ्य पर सहमत होने से पहले संदेश को बार-बार आगे-पीछे पास करना पड़ता था। यह नया तरीका एक त्वरित ग्रुप हडल (झुंड में चर्चा) की तरह है जहाँ वे एक ही चरण में तथ्यों पर सहमत हो जाते हैं। यह समय और बैटरी पावर बचाता है।

2. "झूठ पकड़ने वाला यंत्र" (दोष पहचान - Fault Detection)

अब, कल्पना करें कि एक स्मार्ट कार का सेंसर खराब है (या उसे हैकर द्वारा धोखा दिया जा रहा है)। वह ग्रुप चैट में गलत डेटा भेजना शुरू कर देती है। बाकी कारें बिना किसी केंद्रीय बॉस से पूछे कैसे जान सकती हैं कि वह झूठ बोल रही है?

यह शोध पत्र एक "रेसिडुअल" (Residual) पेश करता है—इसे एक विसंगति स्कोर (discrepancy score) के रूप में समझें।

प्रत्येक कार ग्रुप चैट के आधार पर भविष्यवाणी करती है कि मानव कारों को कहाँ होना चाहिए।
फिर, वह देखती है कि उसका अपना सेंसर वास्तव में क्या देख रहा है।
यदि भविष्यवाणी और सेंसर रीडिंग मेल खाते हैं, तो विसंगति स्कोर कम होता है (जैसे एक धीमी फुसफुसाहट)।
यदि सेंसर झूठ बोल रहा है, तो विसंगति स्कोर बढ़ जाता है (जैसे एक ज़ोरदार चिल्लाहट)।

3. झूठ पकड़ने के दो तरीके

यह शोध पत्र सुझाव देता है कि कारों को दो अलग-अलग "झूठ पकड़ने वाले" तरीकों का उपयोग करना चाहिए:

विधि A: "त्वरित निर्णय" (स्टेटलेस डिटेक्शन - Stateless Detection)
यह एक फोटो देखने और तुरंत यह कहने जैसा है, "यह नकली लग रहा है!" यह वर्तमान त्रुटि की जाँच करता है। यदि त्रुटि बहुत बड़ी है, तो यह अलार्म बजा देता है।
- लाभ: अत्यंत तेज़, इसे अतीत को याद रखने की आवश्यकता नहीं है।
- हानि: इसे अचानक होने वाली अस्थायी गड़बड़ी (जैसे कैमरे के सामने से उड़ता हुआ पक्षी) द्वारा मूर्ख बनाया जा सकता है।
विधि B: "पैटर्न वॉचर" (स्टेटफुल डिटेक्शन - Stateful Detection)
यह पिछले कुछ सेकंड के वीडियो को देखने जैसा है। यह त्रुटियों के इतिहास को देखता है। यदि त्रुटि केवल एक बार होने वाली घटना है, तो यह उसे अनदेखा कर देता है। लेकिन यदि त्रुटि लगातार उच्च बनी रहती है, तो यह अलार्म बजा देता है।
- लाभ: इसे मूर्ख बनाना बहुत कठिन है; यह अस्थायी शोर (noise) को अनदेखा करता है।
- हानि: निर्णय लेने में थोड़ा अधिक समय लगता है, और कार को अधिक डेटा याद रखने की आवश्यकता होती है (जैसे कि अधिक मेमोरी होना)।

4. "संभाव्यता" सुरक्षा जाल (The Probabilistic Safety Net)

लेखकों ने केवल एक कठोर नियम सेट नहीं किया जैसे "यदि त्रुटि 5 से अधिक है, तो यह झूठ है।" यह बहुत सरल है क्योंकि वास्तविक दुनिया के सेंसर अव्यवस्थित होते हैं (हवा, बारिश, स्टैटिक)।

इसके बजाय, उन्होंने संभाव्यता (probability) का उपयोग किया, जैसे कि मौसम का पूर्वानुमान। उन्होंने गणना की: "सेंसरों के सामान्य शोर को देखते हुए, इस आकार की त्रुटि के एक वास्तविक झूठ होने की 95% संभावना है, न कि केवल रैंडम शोर की।"

यह सिस्टम को लचीला बनाता है। यह कह सकता है, "मैं 99% सुनिश्चित हूँ कि यह एक दोष है," या "मैं केवल 68% सुनिश्चित हूँ, इसलिए मैं इंतज़ार करूँगा और देखूँगा।"
यह पुराने तरीकों की तुलना में अधिक यथार्थवादी है जिन्होंने माना था कि शोर पूरी तरह से अनुमानित होता है।

मुख्य निष्कर्ष (The Bottom Line)

यह शोध पत्र सिद्ध करता है कि स्मार्ट कारों का एक समूह:

ट्रैक कर सकता है कि सड़क पर सभी मानव कारें कहाँ हैं, जानकारी साझा करके, भले ही कोई भी एक कार सभी को न देख सके।
पता लगा सकता है कि उनके अपने सेंसर खराब हैं या हैक किए गए हैं, बिना किसी केंद्रीय कंप्यूटर की मदद के।
खराब सेंसर को अलग (Isolate) कर सकता है ताकि बाकी समूह उसे अनदेखा कर सके और सुरक्षित रूप से गाड़ी चला सके।

उन्होंने छोटे समूहों और बड़े नेटवर्क (50 कारों तक) के साथ सिमुलेशन में इसका परीक्षण किया, जिससे पता चला कि उनकी विधि पुरानी, अधिक जटिल विधियों की तुलना में तेज़, अधिक कुशल और उतनी ही सटीक है। यह स्वायत्त यातायात को अधिक सुरक्षित और स्वतंत्र बनाने की दिशा में एक कदम है।

तकनीकी सारांश: बुद्धिमान नेटवर्क वाले बहु-वाहन प्रणालियों में वितरित पर्यवेक्षक-आधारित दोष पहचान

समस्या का निरूपण
यह शोध पत्र मिश्रित-यातायात इंटेलिजेंट ट्रांसपोर्टेशन सिस्टम्स (ITS) में स्टेट एस्टिमेशन (अवस्था अनुमान) और दोष पहचान (fault detection) की चुनौती को संबोधित करता है, जिसमें कनेक्टेड ऑटोनॉमस व्हीकल्स (CAVs) और ह्यूमन-ड्रिवन व्हीकल्स (HDVs) शामिल हैं। मुख्य समस्या CAVs के एक समूह द्वारा केवल आंशिक, स्थानीय सेंसर मापों का उपयोग करके HDVs के वैश्विक राज्य (स्थिति और वेग) को ट्रैक करने की है। एक महत्वपूर्ण बाधा यह है कि किसी भी एकल CAV के पास स्थानीय माप सेट पर्याप्त नहीं है जो पूरे HDV सिस्टम को अवलोकन योग्य (observable) बना सके (अर्थात, कोई स्थानीय $(A, C_i)$ -observability नहीं है)। इसके अलावा, सिस्टम को केंद्रीय प्रसंस्करण इकाई (centralized processing unit) के बिना संचालित होना चाहिए, जो वितरित संचार (distributed communication) पर निर्भर है। एक महत्वपूर्ण अतिरिक्त चुनौती CAVs पर सेंसर दोषों, बायस (biases), या साइबर हमलों (जैसे, फॉल्स डेटा इंजेक्शन) की संभावना है, जो वितरित अनुमान प्रक्रिया को दूषित कर सकते हैं और पूरे नेटवर्क में त्रुटिपूर्ण ट्रैकिंग का कारण बन सकते हैं।

कार्यप्रणाली
लेखक एक दो-चरणीय वितरित ढांचे का प्रस्ताव करते हैं: अवस्था अनुमान के लिए एक सिंगल टाइम-स्केल डिस्ट्रिब्यूटेड ऑब्जर्वर और अवशेष विश्लेषण (residual analysis) पर आधारित स्थानीय दोष पहचान और अलगाव (FDI) तंत्र।

वितरित पर्यवेक्षक (Distributed Observer) डिजाइन:
लेखक एक वितरित पर्यवेक्षक पेश करते हैं जहाँ प्रत्येक CAV सभी HDVs के वैश्विक राज्य $x_k$ का अनुमान लगाता है। यह पर्यवेक्षक दो चरणों में कार्य करता है:

पूर्वानुमान (Prediction): CAVs संचार नेटवर्क टोपोलॉजी $\mathcal{G}$ से प्राप्त रो-स्टोकेस्टिक कंसेंसस मैट्रिक्स $W$ का उपयोग करके ए-प्रायोरी अनुमानों पर एक कंसेंसस स्टेप करते हैं।
इनोवेशन अपडेट (Innovation Update): CAVs अपने स्थानीय मापों और पड़ोसियों से साझा की गई जानकारी का उपयोग करके अपने अनुमानों को अपडेट करते हैं।
महत्वपूर्ण रूप से, यह पर्यवेक्षक सिंगल टाइम-स्केल है, जिसका अर्थ है कि यह क्रमिक सिस्टम डायनेमिक्स टाइम स्टेप्स ( $k$ और $k+1$ ) के बीच केवल एक कंसेंसस स्टेप करता है। यह मौजूदा मल्टी-टाइम-स्केल दृष्टिकोणों के विपरीत है जिनमें सिस्टम अपडेट के बीच कई आंतरिक कंसेंसस लूप ( $L$ स्टेप्स) की आवश्यकता होती है, जिससे संचार और कम्प्यूटेशनल ओवरहेड कम हो जाता है। पर्यवेक्षक की स्थिरता डिस्ट्रिब्यूटेड ऑब्जर्वेबिलिटी पर निर्भर करती है, जिसे $(W \otimes A, D_C)$ की ऑब्जर्वेबिलिटी द्वारा परिभाषित किया गया है, जहाँ $D_C$ एक साझा ऑब्जर्वेशन मैट्रिक्स है। यह स्थिति आवश्यक बनाती है कि CAV नेटवर्क स्ट्रॉन्गली कनेक्टेड हो, लेकिन किसी भी व्यक्तिगत नोड पर स्थानीय ऑब्जर्वेबिलिटी की आवश्यकता नहीं है।

दोष पहचान और अलगाव (FDI):
यह शोध पत्र स्थानीयकृत FDI रणनीतियों का प्रस्ताव करता है जो केंद्रीय समन्वय के बिना सेंसर मापों में विसंगतियों का पता लगाती हैं। दो प्रकार के लॉजिक विकसित किए गए हैं:

स्टेटलेस डिटेक्शन (Stateless Detection): यह तात्कालिक अवशेषों ( $r_k = |y_k - \hat{y}_k|$ ) पर आधारित है। निर्णय वर्तमान अवशेष मान के आधार पर तुरंत लिए जाते हैं।
स्टेटफुल डिटेक्शन (Stateful Detection): यह एक स्लाइडिंग टाइम विंडो $T$ के दौरान अवशेषों के इतिहास पर आधारित है। यह क्षणिक शोर स्पाइक्स के प्रति संवेदनशीलता को कम करने के लिए ची-स्क्वायर वितरण (Chi-square distribution) का पालन करने वाले एक दूरी माप (वर्ग अवशेषों का योग) का उपयोग करता है।

एक प्रमुख पद्धतिगत प्रगति नियतात्मक सीमाओं (deterministic bounds) के बजाय प्रोबेबिलिस्टिक थ्रेशोल्ड डिजाइन का उपयोग है। थ्रेशोल्ड अनुमान त्रुटि सहप्रसरण (estimation error covariance) और शोर सांख्यिकी (Gaussian शोर मानते हुए) के सांख्यिकीय गुणों से प्राप्त किए गए हैं, जिससे फॉल्स अलार्म रेट (FAR) की गणना संभव हो पाती है। गेन मैट्रिक्स $K$ को लीनियर मैट्रिक्स इनइक्वेलिटीज (LMIs) के माध्यम से डिज़ाइन किया गया है ताकि यह सुनिश्चित किया जा सके कि दोषपूर्ण सेंसर पर अवशेष पड़ोसी सेंसरों की तुलना में काफी अधिक हो, जिससे अलगाव संभव हो सके।

प्रमुख योगदान

स्थानीय धारणाओं के बिना वितरित ऑब्जर्वेबिलिटी: यह कार्य प्रदर्शित करता है कि CAVs वैश्विक स्तर पर HDV राज्यों को ट्रैक कर सकते हैं, भले ही कोई भी एकल CAV स्थानीय रूप से सिस्टम को देख न सके, बशर्ते कि नेटवर्क स्ट्रॉन्गली कनेक्टेड हो और डिस्ट्रिब्यूटेड ऑब्जर्वेबिलिटी बनी रहे।
सिंगल टाइम-स्केल दक्षता: प्रस्तावित पर्यवेक्षक आंतरिक कंसेंसस लूप की आवश्यकता को समाप्त करता है, जो पूर्व साहित्य में पाए जाने वाले मल्टी-टाइम-स्केल तरीकों की तुलना में अधिक कम्प्यूटेशनल और संचार संबंधी कुशल समाधान प्रदान करता है।
प्रोबेबिलिस्टिक FDI: यह शोध पत्र दोष पहचान के लिए प्रोबेबिलिस्टिक थ्रेशोल्डिंग पेश करता है, जो नियतात्मक थ्रेशोल्डिंग की तुलना में ITS अनुप्रयोगों के लिए अधिक यथार्थवादी है, क्योंकि यह यह नहीं मानता कि शोर की सीमाएं (bounded support) निश्चित हैं। यह डिटेक्शन प्रोबेबिलिटी के आधार पर FAR के लिए स्पष्ट सूत्र प्रदान करता है।
स्थानीयकृत अलगाव: यह रणनीति प्रत्येक CAV को अपने पड़ोस में दोषपूर्ण सेंसरों का स्वतंत्र रूप से पता लगाने और उन्हें अलग करने में सक्षम बनाती है, जिससे नेटवर्क में दोष के प्रसार को रोका जा सकता है।

परिणाम
लेखक मिश्रित यातायात नेटवर्क में सिमुलेशन के माध्यम से प्रस्तावित विधियों को मान्य करते हैं:

पर्यवेक्षक प्रदर्शन: एक 4-CAV/4-HDV परिदृश्य में, डिस्ट्रिब्यूटेड ऑब्जर्वर ने HDV स्थिति और वेग को सफलतापूर्वक ट्रैक किया, और आंशिक मापों के बावजूद कंसेंसस प्राप्त किया।
स्केलेबिलिटी: एक बड़े पैमाने के सिमुलेशन (25 CAVs, 25 HDVs) में, प्रस्तावित सिंगल टाइम-स्केल ऑब्जर्वर ने मल्टी-टाइम-स्केल ऑब्जर्वर (जहाँ $L=7, 10, 15$ है) की तुलना में कम मीन स्क्वायर एरर (MSE) और काफी कम कम्प्यूटेशनल/कम्युनिकेशन ओवरहेड प्रदर्शित किया।
दोष पहचान: इंजेक्ट किए गए सेंसर दोषों (बायस) के साथ सिमुलेशन ने दिखाया कि स्टेटलेस और स्टेटफुल दोनों FDI रणनीतियां दोषों का पता लगाने और उन्हें अलग करने में सक्षम थीं।
- स्लाइडिंग विंडो ( $T=15$ ) के साथ स्टेटफुल डिटेक्शन ने 0.3% से कम का फॉल्स अलार्म रेट (FAR) प्राप्त किया, जो स्टेटलेस दृष्टिकोण की तुलना में फॉल्स अलार्म के विरुद्ध उच्च विश्वसनीयता प्रदर्शित करता है।
- अत्यधिक शोर और अनिश्चितता की स्थितियों में भी ये विधियाँ प्रभावी रहीं, हालांकि डिटेक्शन थ्रेशोल्ड बढ़ गया, जिससे चरम शोर परिदृश्यों में उच्च FAR हुआ।

महत्व और दावे
लेखक दावा करते हैं कि यह कार्य मिश्रित-ट्रैफिक ट्रैकिंग के लिए डिस्ट्रिब्यूटेड ऑब्जर्वर-आधारित FDI के संबंध में साहित्य के अंतराल को भरता है। इसका महत्व विषम यातायात प्रणालियों में सुरक्षा और सुरक्षा के लिए विकेंद्रीकृत निर्णय लेने (decentralized decision-making) को सक्षम करने में निहित है। केंद्रीय प्रोसेसर और स्थानीय ऑब्जर्वेबिलिटी धारणाओं पर निर्भरता को हटाकर, यह दृष्टिकोण स्केलेबिलिटी और लचीलेपन को बढ़ाता है। FDI की प्रोबेबिलिस्टिक प्रकृति को एक अधिक यथार्थवादी दृष्टिकोण के रूप में रेखांकित किया गया है, क्योंकि वास्तविक दुनिया के परिवहन प्रणालियों में शोर सख्ती से सीमित (bounded) नहीं होता है। शोध पत्र निष्कर्ष निकालता है कि ये विकेंद्रीकृत रणनीतियाँ वाहनों को अवस्थाओं का सहयोगात्मक रूप से अनुमान लगाने और समझौता किए गए सेंसरों को स्थानीय रूप से पहचानने की अनुमति देकर ITS की विश्वसनीयता और सुरक्षा में सुधार करती हैं, जिससे कैस्केडिंग विफलताओं को रोका जा सकता है। पहचाने गए भविष्य के अनुसंधान दिशाओं में विलंब-सहिष्णु (delay-tolerant) पर्यवेक्षक डिजाइन, लचीला नेटवर्क टोपोलॉजी डिजाइन (survivable networks), और इन FDI विधियों को सहकारी नियंत्रण रणनीतियों के साथ एकीकृत करना शामिल है।

1. "ग्रुप चैट" रणनीति (वितरित अवलोकन - Distributed Observation)

2. "झूठ पकड़ने वाला यंत्र" (दोष पहचान - Fault Detection)

3. झूठ पकड़ने के दो तरीके

4. "संभाव्यता" सुरक्षा जाल (The Probabilistic Safety Net)

मुख्य निष्कर्ष (The Bottom Line)

इसी तरह के और पेपर