Adaptive Nonlinear Control with Online Identification and Receding-Horizon Optimization

Controllare una macchina che si muove nel mondo fisico è una costante negoziazione tra ciò che la macchina dovrebbe fare e ciò che fa realmente. Nel mondo ideale dei libri di ingegneria, il comportamento di un robot è perfettamente prevedibile: gli dai un comando e si muove esattamente come dice la matematica. Ma nella realtà, le macchine sono disordinate. I loro componenti si usurano, il loro peso cambia mentre bruciano carburante e l'aria che spingono si comporta in modi difficili da definire. Inoltre, i sensori che dicono a un robot dove si trova non sono mai perfetti; sono sempre leggermente rumorosi. La sfida centrale per gli ingegneri è costruire un sistema di controllo che possa gestire questa confusione in tempo reale. Deve capire la vera natura della macchina mentre si sta muovendo, prevedere dove andrà dopo e regolare i suoi comandi istantaneamente per restare in rotta, il tutto senza aspettare l'intervento di un essere umano o l'arresto della macchina.

Questa è la problematica affrontata da un nuovo approccio chiamato AMIGO, sviluppato dal ricercatore Igor Ladnik. Il sistema è progettato per guidare macchine complesse, come droni o astronavi, combinando tre attività distinte che avvengono in un ordine specifico. Primo, il sistema ascolta la macchina per apprenderne le vere caratteristiche. Secondo, usa questa nuova conoscenza per mappare un percorso a lungo termine verso una destinazione. Terzo, esegue quel percorso effettuando costantemente piccole e rapide correzioni per gestire urti o errori imprevisti. Il metodo è stato testato in simulazioni su tre macchine molto diverse: un modello matematico di un sistema vibrante, un quadricottero e un'astronave che tenta di atterrare sulla Luna. In ogni caso, il sistema ha identificato con successo le vere proprietà fisiche della macchina, ha calcolato una traiettoria sicura e ha guidato il veicolo verso un arresto stabile, anche quando il comportamento reale della macchina differiva significativamente dalle assunzioni iniziali.

Il cuore di questo lavoro è un metodo per insegnare a un computer come apprendere informazioni su una macchina mentre è già in movimento. Immaginate un'astronave che scende verso la superficie lunare. Gli ingegneri che l'hanno costruita hanno una stima di quanto sia pesante e di quanta spinta produca il suo motore. Ma man mano che il carburante brucia, l'astronave diventa più leggera e il motore potrebbe non essere perfettamente efficiente. Se il computer che controlla la discesa si affida solo alle stime originali, potrebbe sbagliare il calcolo della frenata necessaria e schiantarsi. AMIGO risolve questo problema dedicando una fase iniziale di volo all'"ascolto". Durante questa fase, la macchina si muove sotto un controllo sicuro e costante mentre il computer osserva come reagisce. Confrontando i movimenti reali della macchina con ciò che il modello del computer aveva previsto, il sistema utilizza una tecnica matematica per perfezionare la sua comprensione del peso e della potenza del motore. Nella simulazione dell'atterraggio lunare, questo processo ha permesso al computer di identificare l'efficienza del motore con un errore inferiore a un decimo di percentuale, imparando efficacementamente la vera natura dell'astronave prima ancora che iniziasse la fase critica dell'atterraggio.

Una volta che il sistema ha un modello affidabile della macchina, passa alla fase di pianificazione. Qui, il computer non si limita a reagire al momento presente; guarda lontano nel futuro. Calcola una traiettoria completa, una lunga lista di comandi che guideranno la macchina dalla sua posizione attuale fino a un atterraggio sicuro. Questo non è un semplice segno rettilineo; è un percorso complesso che tiene conto del peso variabile della macchina e della necessità di rallentare dolcemente. Il computer risolve questo problema lavorando a ritroso partendo dall'obiettivo. Chiede: "Per essere nel posto perfetto alla fine, dove devo trovarmi un istante prima di quello? E dove un istante prima di quello?". Ripetendo questa logica, costruisce un piano dettagliato che bilancia la necessità di raggiungere l'obiettivo con la necessità di utilizzare la minima quantità di carburante e sforzo. Nell'esempio lunare, questa fase di pianificazione ha richiesto circa dieci secondi di tempo di calcolo per generare un percorso che portasse l'astronave da un'altitudine di 800 metri verso la superficie, tenendo conto della gravità lunare e della massa variabile del veicolo.

La fase finale è quella in cui la macchina vola effettivamente, guidata dal piano ma pronta ad adattarsi. È qui che il sistema brilla maggiormente. Il computer non segue semplicemente il percorso precalcolato come un treno su un binario. Al contrario, rivaluta costantemente la situazione. Ogni frazione di secondo, osserva dove si trova realmente la macchina, la confronta con dove il piano diceva che dovrebbe essere e calcola una piccola correzione. Se una raffica di vento spinge il drone fuori rotta, o se il motore si comporta leggermente diversamente dal previsto, il sistema calcola istantaneamente un nuovo aggiustamento a breve termine per tornare in pista. Questo avviene così velocemente che la macchina non devia mai troppo dal suo percorso previsto. Nella simulazione del quadricottero, che doveva stabilizzarsi mentre il suo peso e il suo equilibrio erano ignoti, il sistema ha identificato le corrette proprietà fisiche e poi ha mantenuto il drone stabile, correggendo continuamente la sua inclinazione e posizione fino al raggiungere il volo stazionario.

La forza di questo approccio risiede nel modo in cui gestisce i limiti della macchina stessa. I motori reali non possono spingere con una forza infinita e non possono cambiare la loro potenza istantaneamente; hanno limiti fisici su quanto possono spingere e su quanto velocemente possono cambiare tale spinta. Molti sistemi di controllo ignorano questi limiti o cercano di aggirarli a posteriori, il che può portare all'instabilità. AMIGO integra questi limiti direttamente nel processo di pianificazione. Quando il computer calcola il percorso, sa esattamente quanta forza può produrre il motore e quanto velocemente può cambiarla. Se una manovra richiede più forza di quella che il motore può fornire, il sistema adatta automaticamente il piano per rimanere entro limiti sicuri. Nello scenario dell'atterraggio lunare, il sistema ha gestito la spinta del motore principale e i motori di controllo dell'assetto più piccoli per garantire che l'astronave non richiedesse mai più di quanto l'hardware potesse erogare, mantenendo la discesa fluida e sicura.

I risultati di queste simulazioni mostrano che il sistema è abbastanza robusto da gestire una significativa incertezza. Nel caso del quadricottero, il computer è partito con stime errate della massa del drone e della distribuzione del suo peso. Le stime iniziali erano sballate di un margine evidente, eppure la fase di identificazione ha corretto rapidamente questi errori. Nel momento in cui il drone ha iniziato la sua routine di stabilizzazione, il computer conosceva le vere proprietà fisiche del drone con alta precisiono. L'atterraggio finale della simulazione del lander lunare ha dimostrato la capacità del sistema di gestire una discesa lunga e complessa. L'astronave è partita da 800 metri sopra la superficie con una specifica velocità e orientamento. Durante l'intero corso della discesa, il sistema ha identificato l'efficienza del motore, ha pianificato una traiettoria che teneva conto del consumo di carburante ed ha eseguito un atterraggio morbido. Il veicolo ha toccato terra con una velocità verticale inferiore a 6 centimeti al secondo, un arrivo dolce che sarebbe sicuro per una missione reale.

Ciò che rende questo lavoro particolarmente degno di nota è che non richiede che la macchina si fermi o faccia una pausa per apprendere. L'identificazione, la pianificazione e il controllo avvengono in un ciclo continuo mentre la macchina è in movimento. Il sistema è progettato per lavorare entro i severi limiti temporali di un vero computer. Sa che non può passare un tempo infinito a calcolare il percorso perfetto; deve produrre una risposta "abbastanza buona" prima che arrivi il momento successivo. Se il computer esaurisce il tempo, utilizza semplicemente il miglior piano che ha calcolato finora, garantendo che la macchina non perda mai il controllo. Questo equilibrio tra apprendimento, pianificazione e azione permette al sistema di adattarsi al mondo reale, dove le condizioni non sono mai statiche e l'informazione perfetta non è mai disponibile.

Il documento conclude che questo metodo fornisce una solida base per guidare macchine autonome in ambienti difficili. Ha dimostrato con successo che un singolo sistema può apprendere la vera natura di una macchina, pianificare una traiettoria complessa ed eseguire tale piano con correzioni precise, il tutto rispettando i limiti fisici dell'hardware. Le simulazioni hanno coperto una gamma di sfide, da un semplice sistema vibrante a un'astronave complessa che atterra su un altro mondo. Sebbene il lavoro sia stato svolto in simulazione, i risultati suggeriscono che l'approccio sia praticabile per applicazioni nel mondo reale dove la sicurezza e l'adattabilità sono fondamentali. Il passo successivo per questa linea di ricerca sarà testare il sistema su hardware reale ed esplorare come possa gestire incertezze ancora più complesse, come cambiamenti improvvisi nell'ambiente o guasti nei sensori della macchina. Per ora, il lavoro rappresenta una dimostrazione di come una macchina possa imparare a volare da sola, non seguendo un copione rigido, ma comprendendo la propria natura e adattandosi al mondo circostante.