Sintesi Tecnica: Identificazione del Modello Dinamico dell'Umano come Attuatore

Formulazione del Problema

Il documento affronta la sfida di caratterizzare la risposta di un pilota umano come un attuatore dinamico all'interno di un sistema di controllo a ciclo chiuso. Quando un essere umano interagisce con un veicolo fisico (ad esempio, un aeromobile o un veicolo spaziale), i suoi tempi di reazione e le sue caratteristiche di risposta introducono dinamiche che influenzano la stabilità e le prestazioni dell'intero sistema. Ciò è critico per le analisi di sicurezza, come il calcolo dei diagrammi "H-V" (Altezza-Velocità) per gli elicotteri, dove l'ampiezza dei regimi di volo non sicuri dipende direttamente dalle capacità di reazione del pilota.

La letteratura esistente si è ampiamente basata su modelli lineari, tempo-invarianti e di basso ordine identificati nel dominio della frequenza, tipicamente utilizzando assunzioni single-input, single-output (SISO). Un limite significativo degli approcci precedenti (ad esempio, [5]) è che spesso adattano i modelli del pilota ai comandi grezzi del pilota (ad esempio, lo spostamento del joystick) piuttosto che alla risposta risultante del veicolo. Gli autori sostengono che un modello del pilota debba essere valutato in base alla sua capacità di raggiungere uno stato desiderato del veicolo (ad esempio, il tracciamento dell'altitudine) piuttosto che semplicemente replicare i comandi di input.

Metodologia

Gli autori propongono un metodo nel dominio del tempo per stimare i modelli dinamici del pilota umano utilizzando l'ottimizzazione di traiettoria vincolata. Il nucleo della metodologia prevede i seguenti passaggi:

1. Modellazione del Sistema:

   • Dinamica del Veicolo: Modellata come $\dot{x}_v = f_v(x_v, u_v)$, dove $x_v$ è lo stato del veicolo e $u_v$ è l'input di controllo.
   • Dinamica del Pilota: Modellata come un sistema dinamico $\dot{x}_p = f_p(x_p, u_p; \theta)$ e $y_p = h_p(x_p; \theta)$, dove $\theta$ rappresenta i parametri ignoti da stimare.
   • Sistema Congiunto: Il pilota e il veicolo sono accoppiati in un vettore di stato congiunto $x = [x_v, x_p]^T$. L'input del pilota è definito come l'errore tra il target desiderato $\hat{y}$ e l'output attuale del veicolo $y_v$.

2. Raccolta dei Dati:

   • I dati vengono raccolti tramite un simulatore di volo in cui un pilota manovra un veicolo verso un marcatore visivo che rappresenta una posizione target.
   • Il sistema registra l'output del veicolo $y_v(t)$ e i comandi del joystick del pilota su un orizzonte temporale finito $[0, T]$ a passi temporali discreti.
   • Il metodo non richiede l'osservazione diretta degli stati interni del sistema ($x$); utilizza invece una formulazione implicita.

3. Framework di Ottimizzazione:

   • Il problema di identificazione è formulato come un problema di ottimizzazione vincolata per trovare il vettore dei parametri $\theta$ e la traiettoria degli stati $X$ che minimizzano l'errore tra gli output misurati e gli output previsti dal modello.
   • Funzione Obiettivo: Minimizzare la norma $L_2$ al quadrato della differenza tra l'errore di output misurato ($\delta Y$) e l'errore di output del modello ($H$), assumendo un rumore Gaussiano.
   • Vincoli:
     • Consistenza della Dinamica: La traiettoria degli stati deve soddisfare la dinamica del sistema congiunto $\dot{x} = f(x; \hat{y}, \theta)$. Ciò è imposto utilizzando una matrice di differenziazione discreta $D$ per approssimare la derivata temporale.
     • Vincoli Fisici/del Compito: Vincoli di disuguaglianza ($g(X, \theta)$) sono applicati per garantire il realismo fisico, come limitare lo spostamento del joystick e garantire la stabilità del modello del pilota (ad esempio, tramite i criteri di Routh-Hurwitz).
   • Aggregazione Multi-Trial: Il framework consente la stima simultanea di un singolo modello comune $\theta$ attraverso più prove sperimentali ($M$), tenendo conto delle variazioni naturali nelle prestazioni umane.

4. Implementazione:

   • L'ottimizzazione viene risolta utilizzando il solver per programmazione non lineare (NLP) IPOPT in MATLAB.
   • Viene utilizzata la differenziazione automatica per calcolare lo Jacobiano e l'Essenziale (Hessian) dei vincoli.

Risultati Sperimentali

Il metodo proposto è stato validato utilizzando uno scenario di simulazione di un drone quadricottero:

• Compito: Al pilota è stato chiesto di spostare un quadricottero da un volo stazionario (hover) a una posizione di riposo a una specifica distanza dal target ($\hat{y}$).
• Modello del Veicolo: Un modello a 6 stati focalizzato sulla dinamica dell'asse pitch, inclusi la spinta delle eliche e le velocità di rotazione.
• Modello del Pilota: Un sistema lineare single-input, single-output di terzo ordine definito da sei parametri ($\theta \in \mathbb{R}^6$). I vincoli di stabilità sono stati imposti per garantire che il modello rimanesse Hurwitz.
• Dati: Sono stati registrati tre run indipendenti per un target di 10 m e tre run per un target di 20 m.
• Esito: È stato stimato un singolo modello che ha descritto con successo i dati di tutti i sei run.
  • I parametri del modello stimato hanno prodotto un sistema stabile.
  • La Figura 5 nel documento dimostra che la risposta del modello stimato (linee rosse e gialle) converge alle posizioni target, corrispondendo strettamente ai dati empirici (linee blu) per entrambe le distanze del target.
  • I risultati indicano che il modello è robusto rispetto alle variazioni naturali del controllo umano tra i diversi trial e le diverse distanze del target.

Contributi Chiave e Significato

Il documento rivendica i seguenti contributi:

1. Identificazione nel Dominio del Tempo: A differenza dei lavori precedenti che si affidano ad approcci nel dominio della frequenza, questo metodo risolve interamente il modello nel dominio del tempo utilizzando l'ottimizzazione della traiettoria.
2. Regolarizzazione Centrata sull'Output: Il metodo incorpora direttamente la dinamica del veicolo nel processo di stima. Invece di adattare il modello ai comandi del pilota, esso adatta il modello alla risposta risultante del veicolo. Ciò funge da regolarizzazione, garantendo che il modello identificato sia capace di raggiungere il compito desiderato (ad esempio, raggiungere un'altitudine target) piuttosto che limitarsi a mimare i segnali di input.
3. Robustezza Multi-Trial: La formulazione consente l'aggregazione di molteplici raccolte dati per trovare un singolo modello dinamico comune, gestendo efficacemente la variabilità naturale inerente alla prestazione umana.
4. Generalizzabilità: L'approccio è progettato per essere facilmente generalizzato a modelli del pilota multi-input, multi-output (MIMO) e non lineari, rendendolo applicabile a una vasta gamma di operazioni di volo.

Gli autori concludono che questo metodo fornisce un framework robusto per caratterizzare i piloti umani come attuatori, il che è essenziale per un'accurata analisi dinamica dei veicoli pilotati e per i calcoli critici per la sicurezza come i diagrammi H-V. Si nota che il lavoro futuro includerà esperimenti con scenari di pilotaggio MIMO.