⚡ electrical engineering

Robust Data-Driven Nash Equilibrium Seeking under Partial-Decision Information

Questo articolo propone un framework robusto e basato sui dati che consente la ricerca decentralizzata dell'equilibrio di Nash in sistemi multi-agente con dinamiche lineari o non lineari sconosciute, disturbi esogeni e informazioni decisionali parziali, sintetizzando controllori stabilizzanti direttamente da dati di input-stato rumorosi tramite programmi semidefiniti.

Autori originali: Linqi Wang, Yifei Li, Wenjie Liu, Yuzhou Wei, Gang Wang, Lihua Xie

Pubblicato 2026-06-23

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Linqi Wang, Yifei Li, Wenjie Liu, Yuzhou Wei, Gang Wang, Lihua Xie

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 un gruppo di droni che cerca di volare in una formazione perfetta evitando le raffiche di vento, ma con un colpo di scena: nessuno di loro può vedere direttamente cosa stanno facendo gli altri. Possono solo comunicare con i propri vicini immediati e non conoscono l'esatta fisica di come i loro motori o il vento li influenzino. Inoltre, devono seguire regole ferree, come "tutti devono mantenere esattamente 30 metri di altitudine".

Questo articolo presenta un nuovo e intelligente modo per far sì che questi droni (o qualsiasi gruppo di agenti) individuino la disposizione perfetta e stabile — chiamata Equilibrio di Nash — senza bisogno di un manuale, di un progetto o di una palla di cristallo.

Ecco la ripartizione della loro soluzione utilizzando semplici analogie:

1. Il Problema: L' "Orchestra Cieca"

Di solito, per far sì che un gruppo di agenti concordi su una strategia, è necessario conoscere due cose:

Le Regole: Come si muove il sistema (la matematica del drone).
Lo Spartito: Cosa stanno facendo tutti gli altri in questo momento.

In questo articolo, l' "orchestra" sta suonando al buio.

Informazione Parziale: Ogni drone sente solo i propri vicini, non l'intera banda.
Dinamiche Sconosciute: Non conoscono il proprio peso, la potenza del motore o come il vento li spinga.
Disturbi: C'è del rumore esterno (vento) che scombina le cose.
Regole Ferree: Devono soddisfare vincoli specifici (come mantenere una quota fissa).

Se cercassero di indovinare la matematica o di chiedere la lista completa delle mosse di tutti, il sistema fallirebbe o sarebbe troppo lento.

2. La Soluzione: Il "Detective basato sui Dati"

Inveve di cercare di capire prima la fisica, gli autori dicono: "Osserviamo semplicemente cosa succede quando premiamo i tasti."

Propongono un framework che agisce come un detective che risolve un crimine guardando le prove (i dati) piuttosto che conoscendo la storia del criminale (il modello).

I Quattro Pilastri del Framework

Gli autori hanno costruito un "sistema di controllo" con quattro strumenti distinti che lavorano insieme:

Il "Calcolatore di Obiettivi" (Modello NE):
Immaginate che ogni drone abbia un calcolatore che chiede costantemente: "Sono soddisfatto della mia posizione attuale rispetto ai miei vicini?". Se non lo è, calcola un punteggio di "rimpianto". Questo calcolatore utilizza un trucco matematico speciale (le condizioni KKT) per garantire che non si muovano solo casualmente, ma si muovano verso un accordo specifico e stabile dove nessuno voglia cambiare idea.
La "Rete dei Sussurri" (Protocollo di Comunicazione):
Poiché un drone non può vedere tutti, deve indovinare cosa stanno facendo i droni lontani. Gli autori hanno creato una "rete dei sussurri". Ogni drone chiede ai suoi vicini: "Cosa pensi stiano facendo gli altri?" e trasmette quella supposizione. Col tempo, queste supposizioni diventano abbastanza accurate che ogni drone riesce effettivamente a "conoscere" la posizione dell'intero gruppo, anche se ha parlato solo con i propri vicini.
Lo "Scudo contro il Vento" (Modello Interno):
Il vento (disturbo) è fastidioso. Per annullarlo, il sistema utilizza un "Modello Interno". Pensate a questo come a una cuffia con cancellazione del rumore per il drone. Se il vento soffia con un pattern prevedibile (come una raffica costante o un'onda), il drone costruisce una copia mentale di quel pattern e spinge contro di esso perfettamente, mantenendo il volo fluido.
Il "Pilota basato sui Dati" (Il Controller):
Questa è la parte magica. Di solito, serve l'equazione esatta del drone per scrivere il codice che lo controlla. Qui, gli autori utilizzano i Programmi Semidefiniti (SDP).

L'Analogia: Immaginate di voler insegnare a un robot come camminare. Inveve di scrivere un libro di testo di fisica per il robot, fate semplicemente camminare il robot 50 volte registrando i dati. Successivamente, caricate quel video disordinato e rumoroso in un programma per computer che dice: "Ok, basandosi su questi 50 tentativi, ecco l'esatto schema di pressione dei tasti che ha funzionato meglio".
L'articolo dimostra che anche se i dati sono rumorosi (come una telecamera traballante), questo metodo garantisce che i droni smetteranno di oscillare e si stabilizzeranno nella formazione perfetta.

3. Il Colpo di Scena "Non Lineare"

L'articolo affronta anche una versione più difficile: cosa succede se i droni hanno strane peculiarità non lineari (come un motore che si comporta diversamente quando si scalda)?

Utilizzano una tecnica chiamata "Lifting". Immaginate di prendere un disegno 2D di una curva e di stenderlo in 3D in modo che sembri una linea retta. Questo permette di usare la stessa matematica basata sui dati su sistemi complessi e irregolari, purché tali irregolarità seguano certe regole prevedibili (come essere "limitate" o "lisce").

4. I Risultati: Prova nella Simulazione

Gli autori hanno testato questo approccio su due scenari:

Rete UAV: Sei droni che cercano di raggiungere waypoint specifici mantenendo una quota fissa, nonostante il vento.
Formazione di Rotary-Wing: Cinque elicotteri con una fisica non lineare complessa che cercano di coordinarsi.

Il Risultato:

I droni hanno trovato con successo la formazione perfetta (l'Equilibrio di Nash).
Hanno ignorato il vento e mantenuto la quota corretta.
Fondamentalmente: Le loro prestazioni erano quasi identiche a quelle di un sistema "perfetto" che conosceva tutte le equazioni della fisica. Il metodo basato sui dati ha funzionato altrettanto bene senza aver bisogno del manuale.

Riassunto

Questo articolo riguarda l'insegnare a un gruppo di estranei come danzare in perfetta sincronia senza un coreografo, senza conoscere il tempo della musica e senza vedere gli altri ballerini. Lo fanno:

Ascoltando i propri vicini immediati per indovinare le mosse di tutta la stanza.
Registrando i propri passi per imparare il ritmo sul momento.
Usando un trucco di "cancellazione del rumore" per ignorare il vento.
Affidandosi ai dati raccoliti per guidarli verso la perfetta e stabile danza di gruppo.

L'articolo afferma che questo funziona matematicamente e lo dimostra con simulazioni al computer, mostrando che non è necessario conoscere le "regole della fisica" per controllare sistemi complessi e connessi: basta avere buoni dati e l'algoritmo giusto.

Sintesi Tecnica: Ricerca Robusta di Equilibrio di Nash basata su Dati sotto Informazione Decisionale Parziale

Formulazione del Problema
Questo articolo affronta la sfida della ricerca decentralizzata dell'equilibrio di Nash (NE) in sistemi multi-agente caratterizzati da dinamiche lineari (e successivamente non lineari) sconosciute, disturbi esogeni, vincoli di uguaglianza e informazione decisionale parziale. In questo contesto, gli agenti mirano a minimizzare funzioni di costo quadratiche locali soggette a vincoli di uguaglianza lineari. Tuttavia, a differenza delle standard configurazioni teorico-gioco, gli agenti non hanno accesso diretto alle decisioni di tutti gli altri agenti; possiedono solo stime locali derivate da un grafo di comunicazione connesso. Inoltre, la dinamica del sistema è sconosciuta e gli agenti sono soggetti a disturbi generati da esosistemi noti (per il caso lineare) o disturbi costanti (per il caso non lineare). L'obiettivo è progettare controllori decentralizzati che guidino le uscite del sistema verso l'unico NE vincolato senza fare affidamento sull'identificazione esplicita del sistema.

Metodologia
Il framework proposto riformula il problema della ricerca del NE vincolato come un problema di regolazione cooperativa dell'output. Ciò viene ottenuto attraverso un'architettura unificata che integra quattro componenti chiave:

Modello NE: Viene introdotto un sistema dinamico per generare un surrogato dell'errore di inseguimento. Questo modello utilizza stime locali del profilo decisionale e incorpora le condizioni di Karush-Kuhn-Tucker (KKT) per gestire i vincoli di uguaglianza. L'errore di regolazione è definito sulla base del pseudo-gradiente della funzione di costo e dei moltiplicatori di Lagrange.
Protocollo di Comunicazione: Per affrontare l'informazione decisionale parziale, viene impiegato un protocollo di comunicazione basato sul consenso. Gli agenti scambiano stime locali del profilo decisionale per ricostruire le componenti non disponibili del vettore decisionale globale necessarie per la valutazione del gradiente.
Modello Interno: Per rigettare i disturbi esogeni, viene applicato un principio di modello interno. Per i sistemi lineari, ciò comporta un modello interno dinamico pilotato dalla matrice dell'esosistema $E_i$ . Per i disturbi costanti, questo si riduce a una struttura di controllo integrale.
Sintesi Data-Driven: Invece di identificare le matrici di sistema ( $A_i, B_i, C_i, D_i$ $A_{i}, B_{i}, C_{i}, D_{i}$ ), i controllori sono sintetizzati direttamente da dati input-stato rumorosi raccolti offline.
- Caso Lineare: Il problema viene inquadrato in un programma semi-definito (SDP). Sfruttando il Lemma Fondamentale e fattorizzando i dati di disturbo sconosciuti, gli autori derivano condizioni (che coinvolgono le matrici $P_i, S_i$ e gli scalari $\tau_i, \chi_i, \alpha_i$ ) che garantiscono la stabilità in loop chiuso e la convergenza asintotica al NE. La fattibilità di questi SDP assicura l'esistenza di un guadagno stabilizzante $K_i$ calcolato esclusivamente dai dati.
- Caso Non Lineare: Il framework è esteso a una classe di sistemi non lineari con disturbi costanti. Le non linearità sono gestite tramite una rappresentazione "elevata" (lifted) e vincolate da disuguaglianze quadratiche (S-procedure). La sintesi prevede la risoluzione di disuguaglianze matriciali lineari (LMI) che tengono conto dei termini non lineari e del rumore di misura.

Contributi Chiave
L'articolo presenta tre contributi principali:

Framework Unificato: Sviluppa un framework di controllo che integra un modello NE, un protocollo di comunicazione, un modello interno e un controllore data-driven. Questo riformula il problema della ricerca del NE in un problema di regolazione cooperativa dell'output, gestendo esplicitamente i vincoli di uguaglianza e l'informazione decisionale parziale.
Sintesi Lineare Robusta: Per sistemi lineari sconosciuti soggetti a disturbi da esosistemi noti, propone un metodo di progettazione data-driven basato su SDP. Questo metodo garantisce la stabilità in loop chiuso e la convergenza asintotica al NE vincolato utilizzando solo dati input-stato rumorosi, senza richiedere le matrici di sistema esatte.
Estensione Non Lineare: Estende l'approccio data-driven diretto a una classe di sistemi non lineari con disturbi costanti. Combinando il controllo integrale con vincoli quadratici sulle non linearità, l'articolo fornisce una ricerca del NE data-driven decentralizzata con garanzie di convergenza asintotica.

Risultati
L'efficacia e la robustezza del metodo proposto sono validate attraverso simulazioni numeriche:

Rete di UAV (Lineare): È stata simulata una rete di sei veicoli aerei senza pilota con dinamiche lineari sconosciute e disturbi del vento (generati da un esosistema). Gli agenti sono riusciti a convergere al NE vincolato (mantenendo un'altitudine specifica pur seguendo waypoint individuali) utilizzando controllori sintetizzati da dati offline rumorosi. I confronti hanno mostrato prestazioni paragonabili a quelle di un controllore model-based che utilizza le matrici di sistema esatte.
Formazione di Rotary-Wing (Non Lineare): È stata testata una formazione di cinque veicoli aerei rotanti con dinamiche non lineari eterogenee (che coinvolgono termini sinusoidali) e disturbi costanti. Il controllore data-driven ha guidato con successo le uscite verso il NE vincolato, con errori di regolazione che convergono asintoticamente a zero.

Significato e Rivendicazioni
L'articolo posiziona il proprio lavoro come una soluzione a sfide fondamentali nei giochi dinamici in cui i modelli di sistema non sono disponibili, i disturbi sono presenti e l'informazione è incompleta.

Distinzione dal Lavoro Esistente: Gli autori chiariscono che i loro risultati non sono una semplice combinazione di metodi esistenti. A differenza degli approcci data-driven per i giochi precedenti (ad esempio, Wang et al., 2026b) che si concentravano su giochi non vincolati con strutture allineate, questo lavoro gestisce i vincoli di uguaglianza e l'informazione decisionale parziale, richiedendo l'incorporazione esplicita delle dinamiche KKT e di protocolli distribuiti.
Indipendenza dal Modello: A differenza degli approcci model-based (ad esempio, Guo e De Persis, 2021; Romano e Pavel, 2025), questo framework opera senza le matrici di sistema esatte. Accoglie esosistemi dinamici per i casi lineari ed estende l'applicazione ai sistemi non lineari con disturbi costanti, ampliando l'applicabilità della ricerca del NE data-driven.
Robustezza: Il framework tiene esplicitamente conto del rumore di misura e dei disturbi esterni, fornendo garanzie formali di stabilità e convergenza in presenza di tali incertezze.

L'articolo conclude osservando che il lavoro futuro affronterà i vincoli di disuguaglianza, le dinamiche tempo-varianti e le matrici degli esosistemi completamente sconosciute.