Safe Adaptive-Sampling Control via Robust M-Step Hold Model Predictive Control

1. Problema e Contesto

Il lavoro affronta la sfida del controllo a campionamento adattivo (adaptive-sampling control), una strategia in cui la frequenza di controllo di un sistema può essere modificata dinamicamente durante l'esecuzione del compito.

• Obiettivo: Sfruttare frequenze di controllo elevate per compiti complessi o ambienti incerti (garantendo stabilità e aggiornamenti frequenti degli input) e frequenze più basse per compiti semplici (riducendo il carico computazionale).
• Sfida Principale: Garantire che queste variazioni "on-the-fly" della frequenza di campionamento non compromettano la sicurezza del sistema. Nello specifico, è necessario mantenere la fattibilità ricorsiva (recursive feasibility) del problema di ottimizzazione del Controllo Predittivo basato su Modello (MPC) e garantire il soddisfacimento robusto dei vincoli, nonostante l'incertezza del modello e le variazioni temporali.
• Limitazione degli approcci esistenti: Le tecniche tradizionali di calcolo degli insiemi invarianti controllabili robusti assumono una frequenza di controllo fissa. Le metodologie esistenti per il campionamento adattivo (es. PID, LQR, MPC adattivo) spesso non forniscono garanzie di fattibilità ricorsiva o robustezza all'incertezza.

2. Metodologia Proposta

Gli autori introducono un nuovo framework basato sul Robust M-Step Hold Model Predictive Control (MPC).

Concetto Chiave: M-Step Hold

Invece di aggiornare l'input di controllo ad ogni passo temporale, il controller calcola un nuovo input ogni $M$ passi, mantenendo l'input costante per la durata di questi $M$ passi (Hold).

• Adattività: Il parametro $M$ può essere adattato online. Un $M$ grande riduce la frequenza di aggiornamento (meno computazione), mentre un $M$ piccolo aumenta la frequenza (maggior precisione/stabilità).

Formulazione del Problema

Il sistema è modellato come un sistema lineare tempo-invariante (LTI) discreto soggetto a incertezze:
$$x_{t+1} = Ax_t + Bu_t + Ew_t$$
Il problema MPC robusto viene risolto ogni $M$ passi. La formulazione proposta ottimizza una sequenza di input nominali, ma incorpora vincoli robusti per gestire l'incertezza $w_t$ che si propaga durante il periodo di hold.

Insiemi Invarianti e Fattibilità Ricorsiva

Per garantire la sicurezza, il paper definisce e utilizza concetti estesi di invarianti:

1. Insiemi Invarianti Controllabili Robusti M-Step Hold ($C_M^\infty$): Insiemi di stati da cui esiste una politica di controllo che mantiene il sistema nei vincoli e lo riporta all'insieme ogni $M$ passi, indipendentemente dall'incertezza.
2. Insiemi Positivamente Invarianti Robusti M-Step Hold ($O_M^\infty$): Insiemi in cui un feedback specifico mantiene il sistema sicuro.
3. Costruttibilità Robusta ($K_N^M$): Definisce l'insieme degli stati iniziali da cui è possibile raggiungere un insieme terminale $X_N$ in $N$ passi rispettando i vincoli.

La formulazione MPC (equazione 5 nel paper) viene riformulata per essere trattabile (tractable). Invece di ottimizzare su politiche complesse, si ottimizza sugli input nominali, utilizzando insiemi pre-calcolati (ottenuti tramite differenze di Pontryagin) per imporre che lo stato reale rimanga nei vincoli per tutti i possibili scenari di incertezza.

Adattamento Sicuro di $M$

Il contributo teorico principale riguarda le condizioni per cambiare $M$ online senza violare la sicurezza:

• Teorema 2: Un cambio da un hold di $M$ passi a uno di $\hat{M}$ passi è sicuro se lo stato corrente $x_t$ appartiene all'insieme degli stati iniziali fattibili per il nuovo $\hat{M}$.
• Teorema 3 (Proprietà di Inclusione): Se $\hat{M}$ è un fattore di $M$ (es. passare da $M=10$ a $M=5$), l'insieme invarianti massimale per $M$ è un sottoinsieme di quello per $\hat{M}$ ($C_M^\infty \subseteq C_{\hat{M}}^\infty$). Questo garantisce che, se si riduce il passo di hold (aumentando la frequenza), la sicurezza è automaticamente preservata senza bisogno di ricalcoli complessi, purché si usino insiemi invarianti massimali.

3. Risultati Sperimentali

Il framework è stato valutato su un esempio di cruise control per un veicolo in un convoglio (platoon).

• Scenario: Un veicolo "ego" deve seguire un veicolo "frontale" non controllato, soggetto a incertezze (accelerazione/frenata impreviste).
• Simulazioni:
  • Confronto M=1, 5, 10: È stato dimostrato che un $M$ più grande (es. 10) richiede distanze di sicurezza maggiori per compensare la maggiore propagazione dell'incertezza in aperto. Tuttavia, tutti i controller riescono a fermare il veicolo in sicurezza quando il veicolo frontale frena completamente.
  • Adattamento Online: In una simulazione dinamica, il controller inizia con $M=10$ (bassa frequenza) e, quando le condizioni di sicurezza lo permettono (distanza stabile), si adatta automaticamente a $M=5$ e poi a $M=1$.
  • Osservazione: La riduzione di $M$ espande la regione operativa sicura (l'insieme $C_M^\infty$ diventa più grande), permettendo al veicolo di avvicinarsi di più al veicolo frontale, migliorando le prestazioni senza sacrificare la sicurezza.

4. Contributi Chiave

1. Nuova Formulazione MPC: Introduzione del "Robust M-Step Hold MPC" che gestisce esplicitamente l'incertezza durante i periodi di mantenimento dell'input (hold).
2. Garanzie di Sicurezza Teoriche: Dimostrazione matematica della fattibilità ricorsiva anche con variazioni di $M$, basata su nuovi insiemi invarianti e controllabili.
3. Condizioni per l'Adattamento: Fornitura di criteri rigorosi (Teoremi 2 e 3) per determinare quando è sicuro cambiare la frequenza di campionamento online.
4. Metodologia Computazionale: Sviluppo di algoritmi offline per calcolare gli insiemi invarianti massimali e strategie online per selezionare la "fetta" corretta dell'insieme invariante in base allo stato attuale.

5. Significato e Impatto

Questo lavoro colma un divario critico tra il controllo adattivo (che mira all'efficienza computazionale) e il controllo robusto (che mira alla sicurezza garantita).

• Efficienza vs. Sicurezza: Permette di ridurre il carico computazionale in situazioni semplici mantenendo garanzie di sicurezza formali, cosa che i metodi precedenti non potevano fare in presenza di incertezze.
• Applicabilità: Il framework è particolarmente rilevante per sistemi embedded con risorse computazionali limitate (es. robotica, veicoli autonomi, droni) dove è necessario bilanciare la complessità del calcolo con la necessità di reagire rapidamente a eventi imprevisti.
• Futuro: Apre la strada a strategie di selezione automatica di $M$ basate non solo sulla sicurezza, ma anche sulla domanda computazionale e sulle misurazioni dell'incertezza in tempo reale.

In sintesi, il paper propone un metodo matematicamente rigoroso per rendere il controllo predittivo "flessibile" nel tempo di campionamento senza perdere la garanzia di non violare mai i vincoli di sicurezza.