Sintesi Tecnica: Certificato di Barriera di Controllo Adattivo Robusto in Tempo Discreto

Definizione del Problema

Il documento affronta la sfida di garantire la sicurezza per sistemi in tempo discreto soggetti sia a disturbi esterni limitati che a incertezza parametrica del modello. Sebbene le Funzioni di Barriera di Controllo (CBF) siano diventate uno strumento standard per il controllo critico della sicurezza nei sistemi in tempo continuo, la loro applicazione ai sistemi in tempo discreto (DT-CBF) con parametri sconosciuti rimane poco sviluppata.

I metodi basati su modelli esistenti spesso faticano con l'incertezza del modello, il che può compromettere le garanzie di sicurezza. Sebbene esistano estensioni robuste e adattive per i sistemi in tempo continuo, esse si basano su argomenti derivativi che non sono disponibili nel tempo discreto. Inoltre, i controllori in tempo discreto devono operare in modo causale (senza informazioni sul futuro), un vincolo non pienamente affrontato nella letteratura precedente sulle CBF adattive in tempo continuo. Il problema centrale è sviluppare un framework che garantisca che lo stato del sistema rimanga all'interno di un insieme sicuro nonostante i disturbi e i parametri sconosciuti, senza richiedere l'accesso ai veri parametri del sistema ($\theta^*$), consentendo al contempo la stima dei parametri online.

Metodologia

Modello di Sistema

Gli autori considerano sistemi in tempo discreto input-affini descritti da:
$$x_{t+1} = f_d(x_t) - [\phi(x_t)]^\top \theta + g(x_t)u_t + w_t$$
dove $x_t$ è lo stato, $u_t$ è l'ingresso, $\theta$ è un vettore di parametri costanti sconosciuti e $w_t$ è un disturbo limitato contenuto in un politopo noto. Il termine di deriva include una parte nominale nota e una parte incerta lineare rispetto ai parametri sconosciuti.

Framework di Controllo Adattivo Robusto

L'approccio proposto scinde il filtro di sicurezza dallo stimatore dei parametri, permettendo un design modulare.

1. Funzione di Barriera Adattivamente Robustificata:
   Invece di utilizzare una funzione di barriera standard $B(x, \theta)$, gli autori definiscono una funzione di barriera variabile nel tempo $B_{ra,t}(x)$ che incorpora la stima attuale del parametro $\hat{\theta}_t$ e un termine di penalità basato sull'errore di stima:
   $$B_{ra,t}(x) := B(x, \hat{\theta}_t) - \frac{1}{2}e_{\theta,t}^\top \Gamma^{-1} e_{\theta,t}$$
   dove $e_{\theta,t} = \hat{\theta}_t - \theta^*$ e $\Gamma$ è una matrice definita positiva. Questo crea un insieme sicuro "robustificato" $S_{ra,t}$ che è un sottoinsieme dell'insieme definito dalla stima corrente, garantendo la sicurezza anche se la stima è imperfetta.

2. Certificato Robust Adaptive DT-CBF:
   Il documento stabilisce una condizione sufficiente (Definizione 4) affinché una funzione sia un Robust Adaptive DT-CBF. Questa condizione, denominata "robust adaptive CBC", tiene conto di:

   • Disturbi limitati ($w$).
   • Discrepanza del modello parametrico.
   • L'incremento della stima del parametro ($\delta_{\theta,t}$).
   • Costanti di Lipschitz della funzione di barriera e della dinamica del sistema.

   Fondamentalmente, questo certificato viene verificato offline utilizzando i limiti del caso peggiore (worst-case) sull'errore di stima e sugli incrementi dei parametri, senza necessitare di $\theta^*$.

3. Condizione di Ingresso Online:
   Per l'implementazione in tempo reale, gli autori derivano una condizione di ingresso online (Equazione 17) che dipende solo dalla stima attuale $\hat{\theta}_t$ e dal limite attuale dell'errore di stima $\varepsilon_{\theta,t}$. Questa condizione definisce un insieme di input di controllo ammissibili $U_{ras,t}(x)$. Un filtro di sicurezza proietta qualsiasi input di controllo nominale su questo insieme per garantire la sicurezza.

4. Stima Causale e Sintesi:
   Il documento propone uno stimatore specifico utilizzando il RLS (Recursive Least Squares) con clipping e proiezione set-membership. Questo stimatore aggiorna l'insieme dei parametri $\Theta_t$ e la stima puntuale $\hat{\theta}_t$ basandosi sui dati passati ($F_{t-1}$), garantendo che l'input di controllo $u_t$ sia calcolato causalmente (senza fare affidamento su informazioni relative a $t+1$).

Contributi Chiave

1. Garanzie di Sicurezza Adattive Robuste in Tempo Discreto: Il lavoro stabilisce garanzie di sicurezza robuste per sistemi in tempo discreto input-affini sotto disturbi limitati e discrepanza parametrica. Deriva una condizione di ingresso online adatta ai filtri di sicurezza, superando la mancanza di argomenti derivativi nel tempo discreto.
2. Architettura Modulare: Il framework dimostra che il modulo di stima dei parametri può essere progettato separatamente dal filtro di sicurezza basato su CBF. Questo disaccoppiamento semplifica lo sviluppo di controllori adattivi sicuri, una caratteristica non esplicitamente rivelata nei risultati esistenti in tempo continuo.
3. Analisi della Robustezza Intrinseca: Il documento fornisce un'analisi rigorosa della "robustezza intrinseca" dell'approccio di controllo proposto. Dimostra che, se lo stato del sistema si trova al di fuori dell'insieme sicuro adattivo robusto (a causa di perturbazioni o stime errate), la politica di controllo riporta asintoticamente lo stato verso la sequenza dell'insieme sicuro.
4. Compatibilità con Generali Stimatori Online: La metodologia è compatibile con stimatori di parametri online generici che forniscono stime puntuali, stime di insieme e limiti uniformi sugli incrementi della stima, piuttosto che essere legata a un algoritmo di apprendimento specifico.

Risultati e Rivendicazioni

• Garanzia di Sicurezza: Il principale risultato teorico (Teorema 2) afferma che, se una funzione di barriera soddisfa la condizione robust adaptive CBC, l'insieme degli input di controllo ammissibili è non vuoto. Inoltre, se la politica di controllo seleziona input da questo insieme, il sistema a ciclo chiuso è robustamente sicuro rispetto a una sequenza di insiemi sicuri variabili nel tempo $\{S_{ra,t}\}$.
• Causalità: La sintesi proposta assicura che gli input di controllo siano calcolati utilizzando solo le informazioni passate disponibili, soddisfacendo i requisiti causali dei sistemi a campionamento.
• Convergenza vs. Sicurezza: Gli autori notano esplicitamente che, sebbene la convergenza dei parametri (verso $\theta^*$) ridurrebbe la conservatività, le garanzie di sicurezza non dipendono dalla convergenza delle stime dei parametri. La sicurezza è mantenuta finché il vero parametro rimane all'interno dell'insieme stimato $\Theta_t$.
• Implementazione: Il documento delinea un algoritmo (Algoritmo 1) per l'implementazione, notando che, sebbene il problema di ottimizzazione generale sia non convesso, esso diventa un problema di ottimizzazione convessa se la funzione di barriera è concava rispetto allo stato, un'ipotesi standard in molte formulazioni DT-CBF.

Significato

Il documento rivendica la sua importanza primaria nell'aver stabilito un framework di controllo sicuro adattivo robusto generale per sistemi in tempo discreto. Non pretende di progettare funzioni di barriera specifiche, sviluppare nuovi algoritmi di stima dei parametri o verificare l'esistenza di funzioni di barriera per sistemi specifici. Invece, fornisce la base teorica (il certificato e la condizione online) che permette agli strumenti di stima esistenti di essere integrati in modo sicuro con i controllori basati su CBF in contesti a tempo discreto.

Il lavoro colma il divario tra la teoria delle CBF adattive in tempo continuo e le realtà pratiche dell'implementazione in tempo discreto (come MPC e reinforcement learning), offrendo una strategia che è sia robusta ai disturbi che adattiva alle incertezze del modello senza richiedere la conoscenza dei veri parametri del sistema.