⚡ electrical engineering

Data-Driven Safe Output Regulation of Strict-Feedback Linear Systems with Input Delay

Questo articolo propone un framework di controllo sicuro basato sui dati per sistemi in forma di feedback stretto con ritardo di ingresso, utilizzando l'operatore di Koopman e le funzioni barriera di controllo (CBF) per garantire la convergenza della traiettoria e il rispetto dei vincoli di sicurezza anche in presenza di parametri e disturbi ignoti.

Autori originali: Zhenxu Zhao, Ji Wang, Weiyao Lan

Pubblicato 2026-02-10

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Zhenxu Zhao, Ji Wang, Weiyao Lan

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

Il Titolo (in parole povere): "Guidare in sicurezza quando non conosciamo la strada, il vento o il ritardo dei freni"

Immagina di dover guidare un'auto autonoma in una città sconosciuta. Non solo non hai una mappa precisa, ma non sai nemmeno quanto sia sensibile il pedale del freno (il ritardo dell'input) e non sai quanto sia forte il vento laterale che ti spinge (le disturbi esterni). Inoltre, devi muoverti seguendo un percorso preciso senza mai uscire dai bordi della carreggiata (i vincoli di sicurezza).

Questo articolo spiega come creare un "cervello" per questa auto che impari a guidare da sola, partendo solo dai dati che vede mentre si muove, garantendo che non esca mai dalla strada.

1. Il Problema: Il "Cervello" che deve imparare al volo

In genere, i robot e le auto autonome vengono programmati con una "ricetta" matematica perfetta: "Se la strada è così, allora gira così". Ma nella realtà, la ricetta è quasi sempre sbagliata. Il vento cambia, i pezzi meccanici invecchiano e i segnali arrivano con un leggero ritardo.

Il problema descritto nel paper è: come possiamo controllare un sistema complesso se non conosciamo le sue regole matematiche e dobbiamo comunque garantire che non faccia danni?

2. La Soluzione: Tre "Superpoteri" combinati

Per risolvere questo caos, gli autori usano tre strumenti incredibili:

A. L'Osservatore Koopman (Il "Detective dei Dati")

Immagina di guardare un film in bianco e nero e cercare di capire come si muovono i colori. È difficile. La teoria di Koopman è come un paio di occhiali magici che trasforma un movimento caotico e complicato (non lineare) in un movimento fluido e prevedibile (lineare).
Invece di cercare di capire ogni singola particella di vento, il sistema guarda i dati (la posizione dell'auto) e dice: "Ehi, ho notato un pattern! Il vento sembra spingere con questa regolarità". In pratica, il sistema impara la fisica del mondo guardando solo i video della sua corsa.

B. Il Metodo BaLSI (L' "Apprendista Preciso")

Mentre il detective Koopman capisce il "ritmo" del mondo, il metodo BaLSI è come un contabile molto meticoloso. Prende i dati e calcola con precisione millimetrica quanto tempo passa tra quando schiacci il freno e quando l'auto rallenta davvero. È un sistema che corregge i propri errori in tempo reale finché non trova il numero esatto.

C. Le Funzioni Barriera (Il "Paracadute Invisibile")

Questa è la parte più importante per la sicurezza. Immagina di avere un campo di forza invisibile intorno all'auto. Finché sei nel campo, tutto va bene. Se il sistema si accorge che, a causa di un errore di calcolo, stai per toccare il bordo della strada, il Control Barrier Function (CBF) interviene come un vigile urbano severo: "Fermati! Non importa cosa dice il tuo piano di viaggio, la priorità assoluta è non uscire dalla carreggiata". Questo "paracadute" garantisce la sicurezza anche mentre il sistema sta ancora imparando.

3. L'Applicazione: Il "Platone" di Veicoli

Per dimostrare che tutto questo funziona, gli autori hanno simulato un "Platone" di auto (una fila di veicoli che viaggiano vicini).

L'auto davanti (il Leader) guida normalmente.
Le auto dietro devono mantenere una distanza precisa dall'auto davanti, come se fossero legate da un elastico invisibile.
La sfida: Le auto dietro non sanno quanto sono pesanti, quanto è forte il vento e quanto ritardo hanno i loro motori.

Il risultato? Anche partendo da una situazione di pericolo (auto troppo vicine tra loro), il sistema ha imparato le regole del gioco in pochi secondi, ha calcolato i ritardi e ha riportato tutti i veicoli in una posizione sicura e regolare, senza mai farli scontrare.

In sintesi (Il messaggio chiave)

Questo lavoro ci dice che non abbiamo bisogno di conoscere perfettamente il mondo per controllarlo in modo sicuro. Basta un sistema che sappia osservare i dati, imparare le regole e, soprattutto, avere un meccanismo di emergenza che metta la sicurezza sopra ogni altra cosa.

Riassunto Tecnico: Regolazione Sicura Data-Driven per Sistemi in Strict-Feedback con Ritardo di Input

1. Definizione del Problema

Il lavoro affronta il problema della regolazione dell'output (ovvero il tracciamento di una traiettoria di riferimento e la reiezione di disturbi esterni) per sistemi lineari con una struttura nota di tipo strict-feedback. La sfida principale risiede nell'elevato grado di incertezza: la maggior parte dei parametri del sistema, i disturbi esterni e, soprattutto, il ritardo di input ( $D$ ) sono completamente ignoti.

Il problema è ulteriormente complicato da due fattori critici:

Vincoli di Sicurezza: Il sistema deve operare garantendo che lo stato rimanga all'interno di un insieme sicuro predefinito (tramite Control Barrier Functions - CBF).
Accesso Limitato ai Dati: Il paper distingue tra il caso con accesso a tutto lo stato e il caso più realistico di output-feedback, dove sono misurabili solo l'output e il segnale di attuazione.

2. Metodologia Proposta

L'approccio si basa su un framework integrato che combina la teoria dell'operatore di Koopman, la decomposizione dei modi dinamici (DMD) e il controllo adattivo basato su CBF. La metodologia si articola in tre fasi principali:

A. Identificazione Data-Driven (Krylov DMD e BaLSI):

Identificazione di $\Theta_1$ (Dinamica del sistema e disturbi): Durante l'intervallo iniziale di ritardo $[0, D]$ , il sistema si comporta come un sistema autonomo (l'input non ha ancora effetto). Gli autori sfruttano questo intervallo per estrarre la dinamica tramite la Krylov Dynamic Mode Decomposition (DMD). Utilizzando matrici di Hankel per costruire uno spazio di Krylov, è possibile ricostruire l'operatore di Koopman e identificare i modi e gli autovalori del sistema (matrici $A$ , $S_d$ e $\bar{G}$ ) partendo esclusivamente dai dati.
Identificazione di $\Theta_2$ (Ritardo e guadagno di input): Una volta ottenuta la dinamica, viene utilizzato il metodo Batch Least-Squares Identification (BaLSI) per identificare con precisione il ritardo $D$ e il parametro di ingresso $b$ in tempo finito.

B. Progettazione del Controllo Sicuro (CBF e Backstepping):

Viene utilizzato un approccio di backstepping per gestire la struttura strict-feedback e compensare il ritardo di input (modellato come un'equazione differenziale alle derivate parziali - PDE di trasporto).
Per garantire la sicurezza, vengono implementate Control Barrier Functions (CBFs) ad alto grado relativo. Per gestire l'incertezza dei parametri prima che l'identificazione sia completata, viene introdotto un meccanismo di "recupero" ( $\varsigma(t)$ ) che spinge lo stato verso la regione sicura in un tempo prestabilito.

C. Caso Output-Feedback (Osservatore):

Quando lo stato non è misurabile, viene progettato un osservatore esteso basato sui dati per stimare sia gli stati del sistema che quelli dei disturbi, utilizzando i parametri identificati tramite la DMD applicata ai soli dati di output.

3. Contributi Chiave

Integrazione Koopman-CBF: È, a conoscenza degli autori, il primo risultato di controllo sicuro basato su CBF che utilizza l'operatore di Koopman e la Krylov DMD per sistemi con ritardo di input.
Robustezza all'Incertezza Massima: A differenza dei metodi adattivi esistenti che gestiscono solo un piccolo set di parametri, questo framework può gestire sistemi in cui quasi l'intera matrice del sistema e i disturbi sono ignoti.
Identificazione in Tempo Finito: Il metodo garantisce che i parametri vengano identificati esattamente in un tempo finito $t_f$ , permettendo al controllore di passare da una modalità "robusta/conservativa" a una modalità "nominale/ottimale".
Gestione del Ritardo: Il framework risolve il problema del ritardo di input non noto trattandolo come un elemento dinamico integrabile nel processo di identificazione.

4. Risultati e Significatività

Il framework è stato validato attraverso un'applicazione di platooning di veicoli (formazione di convoglio). I risultati simulati dimostrano che:

Convergenza: L'errore di tracciamento converge esponenzialmente a zero.
Sicurezza: I vincoli di distanza tra i veicoli sono rigorosamente rispettati, anche partendo da condizioni iniziali "non sicure" (dove i veicoli sono troppo vicini).
Identificazione: I parametri incogniti (massa, coefficienti di attrito, ritardo) vengono stimati correttamente in tempi brevi.

Significato: Questo lavoro rappresenta un avanzamento significativo per l'automazione di sistemi complessi in ambienti reali (come veicoli autonomi o droni), dove i modelli matematici precisi sono difficili da ottenere e la sicurezza è un requisito non negoziabile. L'approccio "data-driven" elimina la necessità di modellazione manuale, rendendo il sistema capace di adattarsi autonomamente a cambiamenti ambientali e ritardi di comunicazione.