⚡ electrical engineering

Safety-Critical Control via Recurrent Tracking Functions

Questo articolo propone un metodo per la sintesi di controllori critici per la sicurezza in sistemi non lineari di ordine superiore, introducendo le Funzioni di Tracciamento Ricorrenti (RTF) per rilassare i vincoli di decadimento monotono e garantire la sicurezza integrando Barriere di Controllo (CBF) su modelli ridotti con dinamiche di modelli completi.

Autori originali: Jixian Liu, Enrique Mallada

Pubblicato 2026-04-06

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Jixian Liu, Enrique Mallada

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di dover guidare un'auto autonoma molto complessa (un'auto con migliaia di sensori e attuatori) in una città affollata piena di ostacoli. Il tuo obiettivo è arrivare a destinazione senza mai toccare nulla, ma il sistema di guida è così complicato che calcolare la traiettoria perfetta in tempo reale è come cercare di risolvere un'equazione matematica impossibile mentre guidi a 100 km/h.

Questo è il problema che gli autori, Jixian Liu ed Enrique Mallada, affrontano nel loro articolo. Ecco una spiegazione semplice di come hanno trovato una soluzione creativa, usando metafore quotidiane.

1. Il Problema: La Mappa Semplificata vs. La Realtà

Immagina di avere due mappe:

La Mappa Semplificata (Modello Ridotto - RoM): È come guardare la città da un elicottero. Vedi solo le strade principali e gli ostacoli grandi. È facile da leggere e veloce da calcolare.
La Mappa Dettagliata (Modello Completo - FoM): È la vista dal finestrino dell'auto. Vedi ogni buca, ogni pedone, ogni dettaglio. È la realtà, ma è troppo complessa per calcolare tutto in un istante.

Il metodo tradizionale diceva: "Per essere sicuri di non schiantarti, devi calcolare la mappa dettagliata perfettamente e assicurarti che ogni singolo errore di guida diminuisca costantemente, come una pallina che rotola giù per una collina senza mai fermarsi o rimbalzare".
Il problema: Per macchine complesse (come robot che camminano o droni), è quasi impossibile trovare questa "collina perfetta" dove l'errore scende sempre e senza sosta.

2. La Soluzione: La "Pallina che Rimbalza" (Funzioni di Inseguimento Ricorrenti)

Gli autori hanno detto: "Aspetta, non serve che l'errore scenda sempre in modo perfetto. Basta che, ogni tanto, torni indietro verso la sicurezza".

Hanno introdotto un concetto chiamato Funzione di Inseguimento Ricorrente (RTF).
Immagina di camminare su un sentiero di montagna con una pallina da tennis legata al tuo piede.

Il vecchio metodo (Lyapunov): La pallina doveva rotolare giù per la montagna senza mai fermarsi o salire nemmeno di un millimetro. Se saliva anche di poco, il sistema falliva.
Il nuovo metodo (RTF): La pallina può rotolare su e giù, può saltare, può anche salire per un po' (un "rimbalzo" o una deviazione temporanea). Ma la regola è: entro un certo tempo massimo (diciamo 5 secondi), la pallina deve essere tornata più in basso di dove era prima.

Finché la pallina torna indietro entro quel tempo limite, sei al sicuro. Questo permette all'auto di fare piccole correzioni, di oscillare leggermente, ma garantisce che non si allontani mai troppo dal sentiero sicuro.

3. Come Funziona la Magia: Il "Freno di Sicurezza" Ricorrente

Hanno combinato questa idea con un "Freno di Sicurezza" (Control Barrier Function - CBF).

Il Freno guarda la Mappa Semplificata (l'elicottero) e dice: "Ok, siamo lontani dall'ostacolo, possiamo andare".
La Pallina Ricorrente guarda la Mappa Dettagliata (l'auto reale) e dice: "Ok, l'auto sta oscillando un po' rispetto alla strada ideale, ma entro 5 secondi tornerà sotto controllo".

Se metti insieme questi due, crei un "Freno di Sicurezza Ricorrente".
La cosa geniale è che anche se l'auto si allontana momentaneamente dalla zona sicura ideale (la pallina sale), il sistema garantisce che non toccherà mai l'ostacolo reale. È come se avessi un'area di sicurezza più grande: puoi muoverti dentro, anche se vai un po' fuori dai binari, purché rientri in tempo prima di toccare il muro.

4. L'Esperimento: Guidare tra i Palloni

Per dimostrare che funziona, hanno fatto una simulazione con un robot che doveva attraversare una stanza piena di palloni (ostacoli).

Hanno provato a guidare con regole troppo rigide (la pallina non deve mai salire): il robot si bloccava o si schiantava perché non riusciva a calcolare la strada perfetta.
Hanno usato il loro nuovo metodo (la pallina può rimbalzare): il robot è riuscito a navigare fluidamente, facendo piccole correzioni, ma restando sempre lontano dai palloni. Anche quando la traiettoria sembrava pericolosa per un attimo, il sistema ha garantito che il robot tornasse in sicurezza prima di toccare qualsiasi cosa.

In Sintesi

Questo articolo ci insegna che per guidare macchine complesse in sicurezza, non dobbiamo cercare la perfezione matematica (che è impossibile). Dobbiamo invece accettare che ci saranno piccole oscillazioni e errori, purché il sistema abbia la capacità di correggersi e tornare sicuro entro un tempo limitato.

È come guidare in una nebbia fitta: non vedi la strada perfettamente dritta, ma se sai che puoi correggere il volante ogni pochi secondi per non uscire dalla carreggiata, allora sei sicuro di arrivare a destinazione senza incidenti.

Titolo: Controllo Critico per la Sicurezza tramite Funzioni di Inseguimento Ricorrenti

1. Il Problema

Il controllo critico per la sicurezza nei sistemi autonomi richiede che i controllori garantiscano il rispetto dei vincoli (sicurezza) pur perseguendo obiettivi di prestazione. Un approccio standard utilizza le Funzioni di Barriera di Controllo (CBF) per rendere gli insiemi sicuri invarianti in avanti. Tuttavia, l'applicazione pratica delle CBF si scontra con due ostacoli principali:

Complessità Computazionale: Costruire CBF valide per sistemi non lineari di ordine elevato (come veicoli aerei, robot camminanti o reti elettriche complesse) è spesso intrattabile a causa della "maledizione della dimensionalità".
Limiti dell'Approccio Stratificato (Layered Control): Una strategia comune è utilizzare un modello ridotto (RoM) per la pianificazione della sicurezza e un modello completo (FoM) per l'esecuzione. La sicurezza del FoM viene garantita se l'errore di inseguimento tra il RoM e il FoM converge esponenzialmente. Tuttavia, la sintesi sistematica di funzioni di Lyapunov che garantiscano una decrescita monotona dell'errore di inseguimento è disponibile solo per sistemi completamente attuati. Per sistemi sottogestiti o complessi, costruire tali funzioni è estremamente difficile, limitando l'adozione pratica di questi metodi.

2. Metodologia Proposta

Gli autori propongono un framework che rilassa i requisiti classici di stabilità e sicurezza, introducendo il concetto di ricorrenza invece di decrescita monotona continua.

Controllo Stratificato: Il sistema è diviso in un RoM (che cattura le dinamiche critiche per la sicurezza) e un FoM (il sistema fisico reale). Un controllore di basso livello regola il FoM per seguire il riferimento generato dal RoM.
Funzioni di Inseguimento Ricorrenti (RTF): Invece di richiedere che una funzione di Lyapunov dell'errore di inseguimento decresca monotonicamente a ogni istante, gli autori introducono le RTF. Queste richiedono solo che la condizione di decrescita esponenziale sia soddisfatta ricorrentemente entro un intervallo di tempo uniforme $\tau$ $τ$ .
- Questo permette deviazioni transitorie dell'errore di inseguimento, purché l'errore torni a decrescere entro un tempo limitato.
- Un risultato chiave è che, per sistemi con errore di inseguimento esponenzialmente stabile, qualsiasi norma dell'errore può fungere da RTF, eliminando la necessità di progettare funzioni di Lyapunov complesse.
Costruzione della CBF Ricorrente (RCBF): Combinando una CBF valida per il RoM con una RTF per il FoM, gli autori costruiscono una CBF Ricorrente ( $h_V$ ).
- La funzione è definita come: $h_V(z, \dot{e}) = -V(z, \dot{e}) + \alpha_e h(z)$ , dove $V$ è la RTF e $h$ è la CBF del RoM.
- L'insieme di livello superiore a zero di $h_V$ ( $S_V$ ) non è strettamente invariante, ma è $\tau$ -ricorrente: le traiettorie possono uscire temporaneamente da $S_V$ ma devono rientrare entro $\tau$ secondi.
Condizione di Sicurezza: La sicurezza è garantita se il tasso di convergenza dell'errore ( $\beta$ ) è maggiore del tasso di avvicinamento al confine di sicurezza ( $\alpha$ ). Questo assicura che, anche se l'errore di inseguimento oscilla (ricorrenza), la correzione avviene abbastanza velocemente da impedire al sistema di violare i vincoli di sicurezza reali ( $h(z) \ge 0$ ).
Robustezza: Il framework è esteso per gestire disturbi e incertezze di modello, garantendo la Sicurezza Stato-Ingresso (ISSf) attraverso l'uso di un insieme sicuro ingrandito che tiene conto dell'offset stazionario causato dai disturbi.

3. Contributi Chiave

Framework RTF: Formalizzazione delle Funzioni di Inseguimento Ricorrenti come rilassamento delle condizioni di Lyapunov. Dimostrazione che per sistemi con errore esponenzialmente stabile, qualsiasi norma dell'errore è una RTF valida.
Analisi di Sicurezza Teorica: Dimostrazione che se lo stato iniziale appartiene all'insieme ricorrente $S_V$ , qualsiasi controllore che soddisfi la condizione RTF garantisce la sicurezza del sistema completo (FoM) per ogni tempo $t \ge 0$ , anche se l'insieme di sicurezza intermedio non è strettamente invariante.
Validazione Numerica: Esecuzione di esperimenti su un caso di studio (un integratore doppio 2D con ostacoli) che dimostra come il metodo garantisca la sicurezza anche quando i metodi tradizionali fallirebbero o richiederebbero condizioni troppo conservative.

4. Risultati

Simulazioni: In un esperimento con un robot 2D che deve navigare evitando ostacoli circolari, il metodo proposto è stato testato con diversi parametri di guadagno ( $\alpha$ $α$ ).
- Quando le condizioni teoriche non erano soddisfatte (es. $\alpha$ troppo alto o stato iniziale fuori da $S_V$ ), il sistema violava i vincoli di sicurezza ( $h(t) < 0$ ).
- Quando le condizioni erano soddisfatte ( $\alpha$ appropriato e stato iniziale in $S_V$ ), la traiettoria rimaneva sicura per tutto il tempo, nonostante l'errore di inseguimento mostrasse un comportamento ricorrente (oscillazioni transitorie) invece di una decrescita monotona.
Efficienza: Il metodo permette di utilizzare norme semplici (come la norma euclidea dell'errore) invece di funzioni di Lyapunov complesse, rendendo la sintesi del controllore scalabile per sistemi di ordine elevato.

5. Significato e Impatto

Questo lavoro risolve un collo di bottiglia fondamentale nell'implementazione del controllo basato su CBF per sistemi complessi e parzialmente attuati.

Superamento delle limitazioni attuali: Rimuove la necessità di trovare funzioni di Lyapunov monotone per l'inseguimento, un problema spesso irrisolvibile per robot complessi.
Flessibilità: Permette transitori di errore più ampi, offrendo maggiore libertà al controllore di basso livello senza compromettere la sicurezza globale.
Scalabilità: Fornisce un metodo sistematico per collegare modelli ridotti (facili da analizzare) a modelli completi (difficili da controllare), garantendo la sicurezza attraverso condizioni di ricorrenza temporale piuttosto che invarianza istantanea.
Prospettive Future: Apre la strada all'uso di approcci basati sui dati (data-driven) per verificare o apprendere direttamente le RTF dai dati di traiettoria, senza bisogno di modelli dinamici espliciti complessi.

In sintesi, il paper introduce un paradigma più flessibile e pratico per il controllo sicuro, sostituendo la rigidità della decrescita monotona con la robustezza della ricorrenza temporale, rendendo possibile la certificazione di sicurezza per una classe più ampia di sistemi autonomi complessi.