Sintesi Tecnica: Apprendimento Integrato dell'Efficacia del Controllo Interpretabile e Allocazione del Controllo Nonlineare

Definizione del Problema

I moderni velivoli sovraattuati possiedono più effettori rispetto agli assi di controllo indipendenti, offrendo ridondanza per la tolleranza ai guasti e obiettivi secondari. Tuttavia, l'allocazione del controllo convenzionale si basa su matrici di efficacia del controllo lineari e statiche ($B$). Questa ipotesi fallisce nei regimi di volo dominati da dinamiche non lineari e forti accoppiamenti tra gli effettori e gli stati del veicolo (ad esempio, angolo di attacco, velocità indicata). Quando queste non linearità predominano, gli allocatori lineari soffrono di disallineamento del modello, portando a una degradazione delle prestazioni e a una riduzione della robustezza.

Le alternative esistenti presentano un compromesso:

1. Modelli onboard ad alta fedeltà: Accurati ma computazionalmente proibitivi per l'ottimizzazione in tempo reale, richiedendo spesso perturbazioni a differenze finite per ogni effettore ad ogni ciclo di controllo.
2. Approcci basati sui dati "black-box" (es. Reti Neurali): Capaci di apprendere mappature complesse ma privi di interpretabilità, complicando la verifica, la certificazione e la diagnosi dei guasti.
3. Modelli linearizzati: Efficienti ma perdono accuratezza quando le condizioni operative si allontanano dal punto di linearizzazione.

La sfida centrale è sviluppare una mappatura dell'efficacia del controllo che sia accurata (catturando le non linearità), computazionalmente efficiente (adatta a solver non lineari in tempo reale) e interpretabile (trasparente per la verifica e la sicurezza).

Metodologia

Il documento propone un framework che apprende un modello analitico esplicito e vincolato dalla fisica della mappatura dell'efficacia del controllo dai dati di volo e lo integra in solver di allocazione del controllo non lineare.

1. Identificazione Sparsa della Dinamica Non Lineare (SINDy)

La mappatura dell'efficacia del controllo viene appresa offline utilizzando un approccio SINDy vincolato.

• Libreria Informata dalla Fisica: Invece di utilizzare espansioni polinomiali generiche, la libreria delle funzioni candidate è costruita utilizzando la conoscenza del dominio della dinamica rotazionale dellataerea. Nello specifico, la libreria incorpora i termini di accoppiamento del corpo rigido noti (es. $pq, pr, qr$) e normalizza i contributi dei momenti aerodinamici utilizzando coefficienti basati sull'inerzia ($C_1$ attraverso $C_9$). Ciò separa la struttura inerziale nota dalle mappature aerodinamiche ignote.
• Regressione Sparsa: Il metodo impiega la Regressione Regolarizzata Rilassata Sparsa (SR3) per identificare un insieme compatto di equazioni governanti. Una strategia di ensemble (media di 50 modelli identificati indipendentemente) è utilizzata per garantire robustezza e schemi di sparsità coerenti.
• Output: Il risultato è un modello analitico parsimonioso e a tempo continuo $\dot{x} = \Theta(x, u)\Xi$ che è differenziabile e interpretabile.

2. Allocazione del Controllo Non Lineare

Il modello analitico identificato è integrato in due strategie di allocazione:

• Allocazione Basata sul Gradiente: La natura esplicita del modello consente il calcolo analitico dei Jacobiani ($\partial \dot{x}/\partial u$). Questi Jacobiani sono forniti a un solver a discesa del gradiente iterativo per minimizzare il disallineamento tra le accelerazioni previste e quelle comandate, rispettando i vincoli degli attuatori.
• Allocazione Dinamica (MPC): Per affrontare la dinamica degli attuatori (larghezza di banda e limiti di velocità), il framework utilizza il Controllo Predittivo del Modello (MPC). Il modello identificato predice le velocità angolari basandosi sulle deflessioni degli attuatori realizzate (propagate attraverso un modello dell'attuatore del primo ordine) piuttosto che sulle deflessioni comandate. Questa formulazione ottimizza una sequenza di comandi per anticipare il ritardo e prevenire comportamenti oscillatori.

3. Adattamento Online

Per gestire le variazioni del sistema (es. consumo di carburante, guasti agli attuatori), un meccanismo di adattamento online monitora i residui di previsione tra il modello identificato e le misurazioni dei sensori. Se il disallineamento supera una soglia, la matrice dei coefficienti $\Xi$ viene aggiornata tramite un passo di gradiente, consentendo una riconfigurazione fluida senza una completa ri-identificazione del modello.

Contributi Chiave

1. Modellazione Esplicita e Interpretabile: Il documento dimostra che SINDy, quando guidato da librerie informate dalla fisica, può recuperare un modello di efficacia del controllo sparso e interpretabile dai dati di volo senza fare affidamento su pesanti modelli onboard o reti neurali black-box.
2. Allocazione Non Lineare Efficiente: Fornendo Jacobiani analitici, il modello identificato consente una convergenza rapida e affidabile in solver non lineari, evitando l'onere computazionale dei metodi a differenze finite utilizzati con modelli onboard ad alta fedeltà.
3. Adattamento Robusto: Il framework include una routine di adattamento online che mantiene l'accuratezza in condizioni variabili e guasti agli attuatori, aggiornando i parametri del modello in tempo reale.
   4.amente Integrazione dell'Allocazione Dinamica: La metodologia estende l'allocazione dinamica, propagando esplicitamente gli stati degli attuatori per gestire i limiti di larghezza di banda, una caratteristica spesso omessa negli schemi di allocazione statica.

Risultati

La metodologia è stata valutata sul banco di prova ADMIRE (Aero-Data Model in a Research Environment), un velivolo delta-canard altamente sovraattuato.

• Accuratezza di Inseguimento: Nelle simulazioni Monte Carlo riguardanti manovre aggressive, il metodo proposto ha raggiunto un'accuratezza di inseguimento comparabile a un baseline di modello nonlinear onboard completo, superando significativamente i modelli lineari onboard. L'errore quadratico medio (RMSE) per il metodo proposto è vicino al baseline non lineare (es. $0.0824$ vs $0.0403$ rad/s per la velocità di rollio) e molto superiore al baseline lineare ($0.1338$ rad/s).
• Efficienza Computazionale: Il metodo proposto ha ottenuto il tempo di esecuzione totale più basso tra tutti i metodi confrontati, inclusi il baseline lineare. Ciò è attribuito all'eliminazione di passaggi separati di valutazione del modello e perturbazioni a differenze finite; il modello analitico e i suoi Jacobiani sono valutati direttamente all'interno del solver.
• Adattabilità ai Guasti: In uno scenario in cui il timone è rimasto bloccato, il meccanismo di adattamento online ha rilevato il disallineamento del residuo, ha aggiornato i coefficienti del modello e ha redistribuito con successo l'autorità di controllo agli effettori sani, recuperando le prestazioni di inseguimento dopo un breve transitorio.
• Prestazioni Dinamiche: Quando testata con una larghezza di banda degli attuatori degradata (elevoni più lenti), la formulazione MPC dinamica ha eliminato le deflessioni oscillanti osservate nei baseline di allocazione statica, producendo input di controllo più fluidi e coordinati.

Significato e Rivendicazioni

Il documento sostiene di offrire una soluzione di "via di mezzo" che risolve il persistente compromesso tra fedeltà del modello, costo computazionale e interpretabilità.

• Interpretabilità vs. Prestazioni: A differenza dei metodi basati sui dati black-box, il modello identificato recupera una struttura governante con significato fisico diretto (es. termini di accoppiamento d'inerzia), facilitando la verifica e la costruzione del caso di sicurezza.
• Efficienza vs. Fedeltà: A differenza dei modelli onboard ad alta fedeltà, il modello analitico sparso consente l'ottimizzazione non lineare in tempo reale senza costi computazionali proibitivi.
• Robustezza: Il framework fornisce un meccanismo per una riconfigurazione fluida sotto guasti agli attuatori e condizioni operative variabili, preservando le prestazioni di inseguimento senza richiedere una completa ri-identificazione del sistema.

Gli autori osservano che, sebbene il metodo mostri potenziale, sono necessari lavori futuri per stabilire garanzie di stabilità in loop chiuso rigorose per l'adattamento online e per investigare la robustezza sotto livelli realistici di rumore dei sensori. Inoltre, la natura esplicita e differenziabile del modello apre possibilità future per sfruttare attivamente gli accoppiamenti non lineari per migliorare l'autorità di controllo, una capacità intrinsecamente invisibile alle formulazioni di allocazione lineare.