⚡ electrical engineering

MPC for underactuated spacecraft control with a Lyapunov supervised physics-informed neural network correction layer

Questo articolo propone un'architettura di controllo gerarchico per veicoli spaziali sotto-attuati che combina un controllore predittivo basato su modello non lineare con una rete neurale informata dalla fisica per la stima dei disturbi e uno strato supervisionale basato su Lyapunov per garantire la stabilità, ottenendo così manovre di assetto robuste e ridotti errori a regime nonostante l'incertezza dell'inerzia e i disturbi ambientali.

Autori originali: Amirhossein Ayanmanesh Motlaghmofrad, Carlo Cena, Mauro Martini, Marcello Chiaberge

Pubblicato 2026-06-12

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Amirhossein Ayanmanesh Motlaghmofrad, Carlo Cena, Mauro Martini, Marcello Chiaberge

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 pilotare un'astronave, ma una delle sue tre ruote principali si è rotta. Questo è ciò che gli ingegneri chiamano un "veicolo spaziale sotto-attuato". È come guidare un'auto dove la ruota sinistra è bloccata; puoi ancora muoverti in avanti, ma girare a sinistra diventa incredibilmente difficile, e un piccolo dosso sulla strada (come la polvere spaziale o la gravità) potrebbe farti perdere il controllo e farti roteare.

Il documento presenta un nuovo modo per pilotare questa astronave "guasta" utilizzando un team composto da tre parti: un Pianificatore Intelligente, un Assistente di Apprendimento e un Supervisore di Sicurezza Rigoroso.

Ecco come lavorano insieme, spiegato in modo semplice:

1. Il Pianificatore Intelligente (L'NMPC)

Immaginalo come il capitano esperto della nave.

Cosa fa: Guarda avanti, calcola il percorso migliore per puntare l'astronave nella direzione corretta e si assicura che la nave non ruoti troppo velocemente o rimanga senza carburante.
Il Problema: Il capitano sta lavorando con una mappa che non è perfetta al 100%. Il peso dell'astronave potrebbe essere leggermente diverso da quello indicato nella mappa, o ci sono venti invisibili (disturbi) che spingono l'astronave. Poiché la mappa è leggermente errata, il piano del capitano potrebbe mancare l'obiettivo di un piccolo margine.

2. L'Assistente di Apprendimento (La PINN)

Questo è uno studente super intelligente che ha studiato migliaia di sessioni di pratica.

Cosa fa: Osserva l'astronave e i "venti invisibili". Impara a prevedere esattamente quanto l'astronave venga deviata da cose che la mappa del capitano ha tralasciato. Poi sussurra una piccola correzione al capitano: "Ehi, spingi un po' più forte a destra per contrastare quel vento".
Il Probleo: Poiché questo studente impara dai dati, a volte potrebbe diventare troppo sicuro di sé o fare una supposizione azzardata. Se lo studente sbaglia, potrebbe accidentalmente far ruotare l'astronave fuori controllo.

3. Il Supervisore di Sicurezza Rigoroso (Lo Strato di Lyapunov)

Questo è l'ispettore della sicurezza severo che sta tra lo studente e il capitano.

Cosa fa: Prima che la correzione dello studente venga effettivamente utilizzata, l'ispettore la controlla rispetto a un libro di regole rigoroso (una matematica chiamata "stabilità di Lyapunov"). La regola è semplice: "Questa correzione renderà l'astronave più sicura o più stabile?"
Il Risultato:
- Se la supposizione dello studente sembra sicura e utile, l'ispettore dice: "Procedi, usala!"
- Se la supposizione dello studente sembra rischiosa o inaffidabile, l'ispettore dice: "Assolutamente no!" e blocca la correzione. L'astronave torna quindi a seguire semplicemente il piano originale del Capitano.

Il Grande Esperimento

Gli autori hanno testato questo team in una simulazione computerizzata ad alta tecnologia che imita le reali condizioni spaziali (gravità, resistenza dell'aria e ruote rotte). Hanno eseguito il test 100 volte con diverse posizioni di partenza.

Ecco cosa hanno scoperto:

Il Team contro il Capitano da solo: Quando il Capitano lavorava con lo Studente (e l'Ispettore), l'astronave puntava molto più accuratamente rispetto a quando il Capitano lavorava da solo.
I Numeri:
- L'errore medio nel puntamento dell'astronave è sceso di circa il 3,8%.
- Negli scenari peggiori (dove l'astronave era più propensa a fallire), l'errore è sceso di un enorme 24%.
- L'astronave era molto più costante; non si è limitata ad avere fortuna in una singola corsa, ma ha performato bene ogni volta.

Il compromesso "Sicurezza vs Velocità"

Il documento nota un dettaglio interessante: il team ha performato meglio quando allo Studente era permesso parlare liberamente (senza l'Ispettore). Tuttavia, questo è rischioso perché lo Studente potrebbe commettere un errore.

Quando l'Ispettore era attivo, le prestazioni erano leggermente inferiori rispetto allo Studente "libero", ma erano ancora molto migliori del Capitano da solo e, cosa più importante, erano garantite come sicure. L'Ispettore assicura che, se lo Studente si confonde, l'astronave non si schianti; torna semplicemente al piano standard e sicuro del Capitano.

In Sintesi

Questo articolo propone un sistema di controllo per astronavi guaste che combina:

Un pianificatore affidabile (la base).
Un IA di apprendimento che corregge i piccoli errori che il pianificatore manca.
Un guardiano della sicurezza che ferma l'IA se diventa troppo rischiosa.

Il risultato è un'astronave capace di pilotarsi da sola con maggiore precisione rispetto al passato, anche con parti rotte e mappe imperfette, senza mai compromettere le garanzie di sicurezza.

Sintesi Tecnica: MPC per il controllo di veicoli spaziali sotto-attuati con uno strato di correzione basato su Rete Neurale Informata dalla Fisica e Supervisionata da Funzione di Lyapunov

Problematica
I veicoli spaziali sotto-attuati, che mancano di piena autorità di controllo lungo tutti gli assi di rotazione a causa di vincoli progettuali o guasti agli attuatori, affrontano sfide significative nell'orientamento (attitude) e nella stabilizzazione. I controllori convenzionali faticano con questi sistemi perché non possono stabilizzare direttamente tutte le componenti dell'assetto senza strategie complesse di pianificazione del riferimento. Inoltre, gli approcci basati sul Controllo Predittivo del Modello (MPC), sebbene efficaci nella gestione dei vincoli, rimangono sensibili all'incertezza dell'inerzia e alle coppie dinamiche non modellate. Questi disallineamenti tra il modello fisico e la pianta reale portano spesso a una degradazione delle prestazioni di inseguimento e a potenziali instabilità in presenza di disturbi ambientali.

Metodologia
Gli autori propongono un'architettura di controllo gerarchica che integra tre strati distinti per affrontare la sotto-attuazione e l'incertezza del modello, mantenendo al contempo garanzie di sicurezza:

Controllo Predittivo Nonlineare (NMPC) di Base: Questo strato funge da controllore primario, responsabile della pianificazione delle manovre consapevole dei vincoli e della garanzia della stabilità a ciclo chiuso nominale sotto i limiti degli attuatori (ad esempio, saturazione della velocità e della coppia delle ruote di reazione). Opera su un modello di predizione discreto utilizzando una discretizzazione Runge-Kutta (RK4) a passo fisso con un periodo di aggiornamento di 0,5s e un orizzonte di 12s.
Correzione tramite Rete Neurale Informata dalla Fisica (PINN): Per mitigare il disallineamento tra modello e pianta (specificamente l'incertezza dell'inerzia e le coppie non modellate), una PINN viene addestrata offline su dati di simulazione per stimare le coppie di disturbo residue ( $\tau_d$ ). La rete utilizza una struttura NARX con tre strati nascosti (128 neuroni ciascuno) e riceve in input 16 caratteristiche, incluse le velocità angolari e le coppie delle ruote di reazione. L'obiettivo dell'addestramento è minimizzare una perdita di rollout multi-step, imponendo la coerenza con la dinamica di rotazione del corpo rigido per migliorare l'accuratezza della predizione a breve orizzonte.
Meccanismo di Supervisione di Sicurezza basato su Lyapunov: Questo strato deterministico agisce come un filtro di sicurezza tra l'NMPC e la PINN. Esso valuta la correzione appresa in tempo reale rispetto a un'ipotesi conservativa, vicina al caso peggiore, basata sul modello di inerzia nominale. Il supervisore scala o sopprime l'output della PINN per garantire la non-crescita di una misura di energia di tipo Lyapunov. Ciò garantisce che, qualora la correzione appresa sia ritenuta inaffidabile o non sicura, il sistema degradi con grazia verso la politica puramente basata sul modello dell'NMPC senza cambiare modalità operativa.

Contributi Chiave
Il documento delinea tre contributi primari:

Framework di Controllo Ibrido: Una nuova architettura che combina un baseline basato su modello con un compensatore di residui PINN per affrontare la sotto-attuazione e le incertezze strutturali del modello, preservando al contempo garanzie di sicurezza teoriche.
Supervisione Deterministica: Lo sviluppo di un meccanismo di supervisione basato su Lyapunov che vincola i contributi della rete neurale in tempo reale, aderendo ai principi di verifica formale per garantire la stabilità a ciclo chiuso.
Validazione delle Prestazioni: Dimostrazione di un miglioramento delle prestazioni di inseguimento a regime stazionario e di una riduzione della varianza dell'errore rispetto a un NMPC stand-alone, validato tramite simulazioni ad alta fedeltà.

Risultati Sperimentali
L'architettura proposta è stata valutata utilizzando un ambiente di simulazione ad alta fedeltà che modella la dinamica delle ruote di reazione, la saturazione degli attuatori e i disturbi ambientali (gradiente di gravità e resistenza aerodinamica). È stata condotta una campagna Monte Carlo composta da 100 simulazioni con diversi assetti iniziali (manovre di rotazione/slew di 75° e 125°) e incertezza strutturale dell'inerzia.

Principali risultati statistici:

Errore a Regime Stazionario: La configurazione supervisionata (NMPC+PINN+Supervisor) ha ottenuto una riduzione del 3,8% dell'errore quadratico medio (RMSE) medio rispetto al baseline NMPC. L'errore a regime stazionario nel caso peggiore è stato ridotto del 24,16%.
Errore di Assetto Finale: Il sistema ha dimostrato una riduzione del 12,7% dell'errore finale medio, una riduzione del 52,9% dell'errore finale massimo e una riduzione del 29,42% della varianza dell'errore finale.
Significatività Statistica: Confronti accoppiati utilizzando il test di Wilcoxon signed-rank hanno confermato che tali miglioramenti sono statisticamente significativi.
Trade-off tra Sicurezza e Prestazioni: Sebbene la variante non supervisionata (NMPC+PINN) abbia mostrato guadagni di prestazioni leggermente superiori, la versione supervisionata (NMPC+PINN+Supervisor) ha mantenuto rigorose garanzie di stabilità. Il supervisore ha occasionalmente rifiutato correzioni benefiche che apparivano non sicure sotto le ipotesi nominali, dando priorità alla robustezza rispetto alle prestazioni massime.

Significato e Rivendicazioni
Il documento sostiene che questo approccio gerarchico riesce a colmare il divario tra la robustezza del controllo basato su modello e l'adattabilità dei metodi basati sui dati. Integrando una PINN come stimatore di residui e imponendo la stabilità attraverso un supervisore basato su Lyapunov, il sistema ottiene un miglior inseguimento dell'assetto per veicoli spaziali sotto-attuati senza compromettere le proprietà di sicurezza richieste per le operazioni aerospaziali critiche. L'architettura assicura un "degrado grazioso", consentendo al sistema di tornare a un controllore puramente basato sul modello e certificabile se l'aumento basato sull'apprendimento diventa inaffidabile, affrontando così la natura critica per la sicurezza delle missioni spaziali.