Model-Reference Compensator Synthesis for Uncertain Linear Systems Using Data-Driven Identified Plant Model

कल्पना कीजिए एक ऐसी दुनिया की जहाँ मशीनों को सटीकता के साथ चलना सीखना होगा, फिर भी उनके चलने के सटीक नियम छिपे हुए या इतने जटिल हैं कि उन्हें पूरी तरह से लिखा नहीं जा सकता। यह उन इंजीनियरों की दैनिक वास्तविकता है जो स्वायत्त कारों, उन्नत रोबोटों और उन्नत विमानों को डिजाइन कर रहे हैं। वे एक मौलिक दुविधा का सामना करते हैं: एक नियंत्रक (कंट्रोलर) बनाने के लिए, जिसे मशीन को सही रास्ते पर रखे, उन्हें आमतौर पर उस मशीन के व्यवहार का एक सटीक गणितीय मानचित्र चाहिए होता है। लेकिन वास्तविक दुनिया में, उस पूर्ण मानचित्र को बनाने के लिए पर्याप्त डेटा एकत्र करना अक्सर असंभव, बहुत महंगा या बहुत खतरनाक होता है। यदि कोई कार निर्माता एक नए वाहन मॉडल पर हर संभावित सड़क स्थिति का परीक्षण करने की कोशिश करता है ताकि एक पूर्ण सिमुलेशन बनाया जा सके, तो इस प्रक्रिया में वर्षों लग जाएंगे और भारी लागत आएगी। फलस्वरूप, इंजीनियर अक्सर "प्रॉक्सी" प्रणालियों पर भरोसा करते हैं—जो वास्तविक मशीन के सरलीकृत या थोड़े अलग संस्करण होते हैं—ताकि यह अनुमान लगाया जा सके कि वास्तविक मशीन कैसे व्यवहार करेगी। समस्या यह है कि ये अनुमान शायद ही कभी पूर्ण होते हैं, और जब एक नियंत्रक एक त्रुटिपूर्ण मानचित्र पर बनाया जाता है, तो वाहन पथ से भटक सकता है या सड़क के अप्रत्याशित झटकों के प्रति खतरनाक प्रतिक्रिया दे सकता है।

चुनौती, तब, एक ऐसा नियंत्रण प्रणाली बनाने की है जो एक मशीन को सटीक रूप से निर्देशित कर सके, भले ही इंजीनियरों के पास उस मशीन का पूर्ण मॉडल न हो और मशीन अज्ञात बलों, जैसे हवा के झोंकों या यांत्रिक दोषों के अधीन हो। यह वह विशिष्ट पहेली है जिसे कुवैत विश्वविद्यालय, पर्ड्यू विश्वविद्यालय, सैन डिएगो स्टेट यूनिवर्सिटी और SiCARRIER के शोधकर्ताओं की एक टीम ने हल किया है। उन्होंने एक नई विधि विकसित की है जो एक नियंत्रक को सीमित वास्तविक दुनिया के डेटा से सीखने की अनुमति देती है जबकि वह जानकारी के बड़े हिस्से के लिए एक प्रॉक्सी सिस्टम पर भारी निर्भर रहता है। उनका दृष्टिकोण यह मांग नहीं करता कि मशीन के आंतरिक भौतिकी की पूर्ण समझ हो। इसके बजाय, यह डेटा-संचालित पहचान (डेटा-ड्रिवन आइडेंटिफिकेशन) और एक विशेष ऑब्जर्वर का एक चतुर संयोजन उपयोग करता है—एक ऐसा गणितीय उपकरण जो एक जासूस की तरह कार्य करता है, जो लगातार मशीन की छिपी हुई स्थिति और उस पर कार्य करने वाले अदृश्य बलों का अनुमान लगाता रहता है—ताकि वाहन को उसके इच्छित पथ पर रखा जा सके।

शोधकर्ताओं ने एक विशिष्ट प्रकार की समस्या पर ध्यान केंद्रित किया: एक रैखिक प्रणाली (लीनियर सिस्टम) को निर्देशित करना, जिसका इंजीनियरिंग के संदर्भ में अर्थ है एक ऐसी मशीन जिसका व्यवहार सीधी रेखा वाले संबंधों द्वारा वर्णित किया जा सकता है, एक विशिष्ट युक्ति के माध्यम से। अपने विचार का परीक्षण करने के लिए, उन्होंने एक परिदृश्य चुना जो महत्वपूर्ण और परिचित दोनों है: एक कार का लेन बदलना। अपने अध्ययन में, उन्होंने 17.3 मीटर प्रति सेकंड की गति से यात्रा कर रहे एक वाहन का अनुकरण (सिमुलेशन) किया। लक्ष्य यह था कि इस वाहन को एक लेन से दूसरी लेन में सुचारू रूप से स्थानांतरित करना, एक सटीक प्रक्षेपवक्र (ट्रैजेक्टरी) का पालन करते हुए, भले ही इंजीनियरों के पास कार की गतिशीलता के सटीक गणितीय समीकरण नहीं थे। वास्तविक कार के बजाय, उन्होंने एक "प्रॉक्सी" सिस्टम का उपयोग किया—एक डिजिटल ट्विन जिसे वास्तविक कार के मापदंडों को लेकर और उनमें यादृच्छिक त्रुटियाँ जोड़कर बनाया गया था। यह प्रॉक्सी एक पूर्ण प्रतिलिपि नहीं थी; यह वास्तविक कार का एक थोड़ा विकृत संस्करण था, जो उस प्रकार के अपूर्ण मॉडलों का प्रतिनिधित्व करता है जिनके साथ इंजीनियरों को अक्सर वास्तविक दुनिया में काम करना पड़ता है।

इस अपूर्ण प्रॉक्सी और वास्तविक कार के बीच के अंतर को पाटने के लिए, टीम ने एक डेटा-संचालित पहचान प्रक्रिया का उपयोग किया। उन्होंने प्रॉक्सी सिस्टम पर हजारों परीक्षण किए और वास्तविक सिस्टम पर कुछ कम परीक्षण किए। परिणामों की तुलना करके, वे एक ऐसा "डिज़ाइन मॉडल" बनाने में सक्षम हुए जो अकेले प्रॉक्सी की तुलना में वास्तविकता के बहुत करीब था। इस मॉडल ने उनके नियंत्रक के लिए आधार के रूप में कार्य किया। हालाँकि, केवल मॉडल का ज्ञान पर्याप्त नहीं था, क्योंकि वास्तविक कार को अज्ञात विक्षोभों (डिस्टर्बेंस), जैसे हवा के अचानक झोंके या एक खराब होने वाले एक्चुएटर का सामना करना पड़ सकता था। इसे संभालने के लिए, शोधकर्ताओं ने एक "मॉडल-रेफरेंस कंपेनसेटर" डिजाइन किया। यह उपकरण दो भागों में काम करता है। पहला, यह एक अज्ञात इनपुट ऑब्जर्वर का उपयोग करता है ताकि कार की वर्तमान स्थिति का अनुमान लगाया जा सके—उसकी गति, कोण और स्थिति—भले ही कुछ सेंसर गायब हों या डेटा शोर (नॉइज़ी) वाला हो। दूसरा, यह इस अनुमान का उपयोग सटीक स्टीयरिंग और त्वरण की गणना करने के लिए करता है ताकि कार को वांछित पथ पर रखा जा सके, जिससे अज्ञात विक्षोभों के प्रभावों को प्रभावी ढंग से रद्द किया जा सके।

उनके नवाचार का मूल इस नियंत्रक के संश्लेषण (सिंथेसिस) में निहित है। वे परीक्षण और त्रुटि या अस्पष्ट अनुमानों पर निर्भर नहीं थे। इसके बजाय, उन्होंने लीनियर मैट्रिक्स इनइक्वेलिटीज (LMI) पर आधारित एक कठोर गणितीय ढांचे का उपयोग किया, जो एक ऐसी विधि है जो इंजीनियरों को सर्वोत्तम संभव नियंत्रक सेटिंग्स खोजने के लिए जटिल अनुकूलन समस्याओं को हल करने की अनुमति देती है। उन्होंने गणितीय रूप से सिद्ध किया कि उनकी प्रणाली स्थिर रहेगी, जिसका अर्थ है कि कार जहाँ थी और जहाँ उसे होना चाहिए था, उसके बीच का अंतर एक अनुमानित, सुरक्षित सीमा के भीतर रहेगा, चाहे अज्ञात बल कुछ भी हों। उन्होंने प्रदर्शित किया कि उनके मॉडल की खामियों और अज्ञात इनपुट की उपस्थिति के बावजूद, प्रणाली नियंत्रण बनाए रख सकती है। अपने सिमुलेशन में, कार ने सफलतापूर्वक लेन बदलने की युक्ति को पूरा किया, और वांछित पथ का उच्च सटीकता के साथ अनुसरण किया।

सिमुलेशन के परिणाम आश्चर्यजनक थे। जब कार को एक अचानक, अज्ञात बाहरी बल के अधीन किया गया—जो एक विक्षोभ का अनुकरण कर रहा था जिसने वाहन को पथ से धकेल दिया—तो नियंत्रक ने तुरंत समायोजन किया। इसने इस अज्ञात बल के परिमाण का अनुमान लगाया और इसके लिए क्षतिपूर्ति की, जिससे कार को उसकी इच्छित रेखा पर बनाए रखा गया। शोधकर्ताओं ने दिखाया कि लेन को ट्रैक करने की त्रुटि और कार की आंतरिक स्थिति का अनुमान लगाने की त्रुटि दोनों ही सीमित और छोटी बनी रहीं। एक परीक्षण में, अज्ञात इनपुट को ड्राइव के एक हिस्से के लिए एक विशिष्ट मान पर सेट किया गया और फिर बदल दिया गया, और नियंत्रक ने सहजता से अनुकूलन किया। जब वाहन के पथ को एक मानचित्र पर प्लॉट किया गया, तो इसने शुरुआती लेन से लक्षित लेन तक एक सुचारू, जानबूझकर किया गया बदलाव दिखाया, जिसमें कोई खतरनाक लहराना या नियंत्रण की हानि नहीं हुई। प्रणाली ने अज्ञात इनपुट को भी पुनर्गठित करने में सफलता प्राप्त की, प्रभावी रूप से उस अदृश्य बल को "देख" लिया जिसने कार को धकेला था और वास्तविक समय में उसका हिसाब रखा।

जो इस कार्य को विशेष रूप से महत्वपूर्ण बनाता है वह इसकी व्यावहारिकता है। शोधकर्ताओं को कार के पूर्ण मॉडल की आवश्यकता नहीं थी, और न ही उन्हें वाहन के भीतर प्रत्येक चर को मापने की आवश्यकता थी। उन्होंने दिखाया कि एक प्रॉक्सी सिस्टम के साथ कुछ वास्तविक दुनिया के मापों को जोड़कर, एक मजबूत नियंत्रक बनाया जा सकता है जो अनिश्चितता के दौर में काम करता है। यह दृष्टिकोण उन इंजीनियरों के लिए एक नया मार्ग प्रदान करता है जिन्हें उन वातावरणों में उन्नत नियंत्रण प्रणालियों को तैनात करने की आवश्यकता होती है जहाँ डेटा दुर्लभ है या सिस्टम की गतिशीलता को पूरी तरह से मॉडल करना बहुत जटिल है। यह सिद्ध करके कि एक नियंत्रक को केवल इनपुट और आउटपुट डेटा का उपयोग करके संश्लेषित किया जा सकता है, और एक वास्तविक वाहन सिमुलेशन में इसकी सफलता को प्रदर्शित करके, टीम ने स्वायत्त प्रणालियों को अधिक विश्वसनीय और सुरक्षित बनाने के लिए एक ब्लूप्रिंट प्रदान किया है। यह अध्ययन पुष्टि करता है कि मशीन के अपूर्ण ज्ञान के साथ भी, सटीकता के साथ मार्गदर्शन करना संभव है, बशर्ते कि ज्ञात और अज्ञात के बीच के अंतर को पाटने के लिए सही गणितीय उपकरणों का उपयोग किया जाए।