💻 computer science

Online Learning-Enhanced High Order Adaptive Safety Control

Questo lavoro propone un controllo adattivo di barriera di ordine superiore potenziato dall'apprendimento online tramite Neural ODE, che garantisce la sicurezza di un quadricottero nano in volo contro forti venti e perturbazioni dinamiche variabili nel tempo.

Autori originali: Lishuo Pan, Mattia Catellani, Thales C. Silva, Lorenzo Sabattini, Nora Ayanian

Pubblicato 2026-04-15

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Lishuo Pan, Mattia Catellani, Thales C. Silva, Lorenzo Sabattini, Nora Ayanian

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 avere un dronino (un piccolo robot volante) che deve volare in una stanza piena di ostacoli, come mobili o muri, e il suo compito è seguire un percorso preciso senza mai sbattere contro nulla.

Normalmente, diamo al dronino una "mappa mentale" (un modello matematico) di come si muove. Se il vento è calmo e il dronino è leggero, questa mappa funziona bene. Ma cosa succede se improvvisamente arriva una raffica di vento forte o se il dronino si carica di un peso extra? La sua "mappa mentale" diventa sbagliata. Il dronino pensa di poter fare una cosa, ma il vento lo spinge in un'altra direzione, rischiando di farlo schiantare contro un ostacolo.

Il Problema: La Mappa che Invecchia

Nella robotica tradizionale, i sistemi di sicurezza sono come guardie del corpo rigide. Se la guardia pensa che tu stia per sbattere contro un muro, ti blocca immediatamente. Ma se la guardia ha una mappa sbagliata (perché non sa che c'è il vento), potrebbe bloccarti inutilmente o, peggio, non bloccarti quando dovrebbe.

I metodi precedenti cercavano di "imparare" il vento, ma richiedevano ore di prove in laboratorio (addestramento offline) prima di poter volare. Se il vento cambiava in modo imprevisto, la guardia del corpo non sapeva come reagire.

La Soluzione: Il Dronino con "Istinto e Apprendimento"

Gli autori di questo articolo hanno creato un nuovo sistema, che chiamiamo "Il Dronino che Impara Mentre Vola".

Ecco come funziona, usando una metafora semplice:

La Bussola di Base (Il Modello Nominal): Il dronino ha una bussola di base che gli dice come dovrebbe volare in condizioni perfette. È come un'auto che sa come guidare su una strada liscia.
Il Sensore di "Sorpresa" (La Rete Neurale): Il dronino ha anche un "sensore di sorpresa" (una piccola intelligenza artificiale) che osserva tutto ciò che va diversamente dal previsto. Se il vento spinge l'auto a destra, il sensore lo nota subito.
L'Apprendimento in Tempo Reale (Online Learning): Invece di fermarsi per studiare la mappa, il dronino impara mentre vola. Ogni secondo, il sensore di sorpresa aggiorna la sua conoscenza: "Ok, ora so che c'è una corrente d'aria da sinistra".
Il Freno Intelligente (Control Barrier Function): C'è un sistema di sicurezza che controlla costantemente: "Se continuiamo così, sbatteremo contro il muro?". Se la risposta è sì, il sistema corregge la rotta istantaneamente, usando le nuove informazioni apprese dal vento.

L'Esperimento: Il Vento da 18 km/h

Gli scienziati hanno testato questo sistema su un dronino minuscolo (pesa solo 38 grammi, come una penna). Lo hanno fatto volare in una stanza con un ventilatore potente che creava un vento turbolento di 18 km/h (come una brezza forte).

I droni vecchi: Quando il vento soffiava, si comportavano in modo disordinato, si avvicinavano troppo agli ostacoli o addirittura ci sbattevano contro perché la loro "mappa" era vecchia.
Il dronino nuovo: All'inizio, quando il vento ha colpito, il dronino ha vacillato. Ma in pochi secondi, il suo "sensore di sorpresa" ha capito come il vento lo stava spingendo. Ha aggiornato la sua strategia di volo e ha iniziato a volare più lontano dall'ostacolo per compensare la spinta del vento. È diventato più sicuro mentre volava, senza bisogno di fermarsi o di essere addestrato per ore prima.

In Sintesi

Immagina di guidare un'auto in una nebbia fitta.

I vecchi sistemi sono come guidare con una mappa stampata ieri: se la strada è cambiata, rischi un incidente.
Il nuovo sistema è come avere un copilota super-intelligente che guarda fuori dal finestrino, vede la nebbia e la strada scivolosa, e ti dice: "Frena un po' di più e sterza a destra" in tempo reale, imparando dalla strada stessa mentre la percorri.

Questo lavoro è importante perché rende i robot (droni, auto a guida autonoma, robot di soccorso) molto più sicuri e capaci di operare nel mondo reale, dove le cose cambiano continuamente e non sono mai perfette.

Titolo: Controllo di Sicurezza Adattivo di Ordine Superiore Potenziato dall'Apprendimento Online

1. Il Problema

Le funzioni di barriera di controllo (CBF) sono strumenti basati su modelli ampiamente utilizzati per garantire la sicurezza formale dei sistemi robotici, assicurando l'invarianza degli insiemi di sicurezza attraverso la risoluzione di programmi quadratici (QP). Tuttavia, la garanzia di sicurezza delle CBF dipende criticamente dall'accuratezza del modello dinamico del sistema.
In scenari reali, fattori come variazioni del carico utile, disturbi esterni (es. vento) o dinamiche non modellate possono invalidare le ipotesi del modello nominale, portando a violazioni della sicurezza.
I metodi esistenti affrontano questo problema in modi limitati:

CBF Robuste: Richiedono la conoscenza a priori dei limiti dell'incertezza, portando spesso a controllori eccessivamente conservativi.
CBF Adattive (aCBF): Spesso assumono che i residui (l'errore di modello) seguano una struttura lineare parametrica nota. Questa assunzione è spesso irrealistica per sistemi complessi e non stazionari. Inoltre, molti approcci basati sull'apprendimento richiedono una fase di addestramento offline, rendendoli incapaci di adattarsi a perturbazioni non viste durante l'addestramento.
Apprendimento Puro: Approcci puramente basati sui dati (come le Reti Neurali standard) possono essere inefficienti dal punto di vista dei dati e privi di garanzie fisiche.

2. Metodologia Proposta

Gli autori propongono un NODE-HO-aCBF (Neural ODE High-Order Adaptive Control Barrier Function), un approccio ibrido che combina un modello nominale con un modello di residuo appreso tramite reti neurali.

Architettura Ibrida (KNODE): Il sistema utilizza le Knowledge-based Neural ODEs (KNODE). Invece di apprendere l'intera dinamica, la rete neurale apprende solo il termine di residuo $d(x)$ (le dinamiche non modellate e i disturbi) basandosi su coppie stato-controllo. La dinamica totale è espressa come:
$\dot{x} = f(x) + g(x)u + \hat{d}_\theta(x)$
dove $\hat{d}_\theta$ è il residuo stimato dalla rete neurale.
Adattamento Online: Il modello viene aggiornato in tempo reale (online) utilizzando una coda FIFO (First-In-First-Out) di dati recenti. Questo permette al sistema di adattarsi a perturbazioni non stazionarie e variabili nel tempo senza bisogno di un addestramento offline preliminare (sebbene sia supportato).
Estensione ad Ordine Superiore (HOCBF): Poiché molti sistemi meccanici (come i quadricotteri) hanno gradi relativi superiori a uno rispetto alle funzioni di sicurezza, l'approccio generalizza le CBF adattive a funzioni di barriera di ordine superiore (HOCBF).
Vincoli di Sicurezza: Il vincolo di sicurezza nel QP viene modificato per includere le derivate del termine di residuo appreso ( $\hat{d}_\theta$ ). La derivata di Lie del residuo viene calcolata direttamente utilizzando l'automated differentiation (tipico dei framework di Deep Learning), evitando la differenziazione numerica rumorosa richiesta da altri metodi adattivi.
Efficienza Computazionale: Il controllo viene eseguito a 100 Hz, risolvendo l'ottimizzazione QP con parametri apprendibili, rendendo il sistema adatto all'uso in tempo reale su hardware embedded.

3. Contributi Chiave

Sicurezza Adattiva in Tempo Reale: Sviluppo di un framework CBF di ordine superiore che migliora la sicurezza "on-the-fly" in presenza di perturbazioni di modello complesse e variabili nel tempo.
Approccio Ibrido KNODE: Integrazione di un modello nominale con un modello di residuo basato su Neural ODEs. Questo offre un'alta efficienza nei dati (grazie al modello nominale) e un'alta espressività (grazie alla rete neurale) per catturare dinamiche complesse.
Eliminazione delle Assunzioni Rigide: A differenza delle aCBF tradizionali, il metodo non richiede la conoscenza a priori della struttura lineare dei residui né l'addestramento offline estensivo.
Validazione Sperimentale: Dimostrazione dell'efficacia sia in simulazione che su un vero quadricottero nano (38g) in condizioni di vento turbolento (18 km/h).

4. Risultati

Il lavoro è stato valutato attraverso simulazioni con un integratore doppio soggetto a residui "attrattivi", "repulsivi" e "variabili nel tempo", e attraverso esperimenti fisici su un drone Crazyflie 2.1.

Simulazioni:
- I controllori basici (HOCBF) e le aCBF tradizionali (che richiedono assunzioni forti sui residui) hanno fallito nel mantenere la sicurezza o hanno mostrato prestazioni degradate sotto perturbazioni variabili.
- Il metodo proposto (sia online che offline) ha mantenuto la sicurezza, adattandosi ai residui e stabilizzandosi vicino al confine di sicurezza.
- L'approccio online ha mostrato un leggero ritardo iniziale nell'adattamento ("learning delay") rispetto all'offline, ma ha superato le altre metodologie nella capacità di adattarsi a dinamiche non stazionarie senza bisogno di tuning estensivo.
Esperimenti Fisici (Quadricottero 38g):
- Il drone è stato testato contro un vento turbolento di 18 km/h mentre seguiva una traiettoria circolare vicino a un ostacolo.
- I metodi basati (HOCBF e HO-aCBF) hanno fallito, convergendo verso traiettorie insicure o violando i vincoli di sicurezza.
- Il controller NODE-HO-aCBF online ha dimostrato la capacità di recuperare la sicurezza rapidamente dopo l'esposizione al vento, mantenendo una distanza di sicurezza e riducendo significativamente le violazioni rispetto ai baselines.
- Il controller offline (pre-addestrato) ha mostrato prestazioni ancora migliori fin dall'inizio, confermando l'efficacia dell'approccio ibrido.

5. Significato e Impatto

Questo lavoro rappresenta un passo significativo verso l'implementazione di controllori di sicurezza formale su sistemi robotici reali, dove i modelli perfetti non esistono.

Robustezza: Dimostra che è possibile mantenere garanzie di sicurezza formali anche in presenza di incertezze dinamiche complesse e non stazionarie.
Efficienza: L'uso di KNODE permette di apprendere dinamiche complesse con meno dati rispetto all'apprendimento puro, rendendolo adatto a sistemi con risorse limitate (come i nano-drone).
Applicabilità: La capacità di adattarsi online senza addestramento preliminare apre la strada a robot autonomi che possono operare in ambienti dinamici e imprevedibili (es. sciami di droni in volo ravvicinato, robotica di soccorso), dove le condizioni ambientali cambiano rapidamente.

In sintesi, gli autori hanno colmato il divario tra la teoria delle CBF (che richiede modelli perfetti) e la realtà pratica (piena di incertezze), fornendo un framework che impara e si adatta in tempo reale per garantire la sicurezza.