Model-Reference Compensator Synthesis for Uncertain Linear Systems Using Data-Driven Identified Plant Model

Immaginate un mondo in cui le macchine devono imparare a muoversi con precisione, eppure le regole esatte che ne governano il movimento sono nascoste o troppo complesse per essere scritte perfettamente. Questa è la realtà quotidiana per gli ingegneri che progettano auto a guida autonoma, robot avanzati e velivoli sofisticati. Essi affrontano un dilemma fondamentale: per costruire un controllore che mantenga una macchina in rotta, di solito è necessario possedere una mappa matematica perfetta di come quella macchina si comporta. Ma nel mondo reale, raccogliere dati sufficienti per creare una mappa perfetta di questo tipo è spesso impossibile, troppo costoso o semplicemente troppo pericoloso. Se un produttore di automobili cercasse di testare ogni possibile condizione stradale su un nuovo modello di veicolo per costruire una simulazione perfetta, il processo richiederebbe anni e costerebbe una fortuna. Di conseguenza, gli ingegneri spesso si affidano a sistemi "proxy" — versioni semplificate o leggermente diverse della macchina reale — per indovinare come si comporterà quella effettiva. Il problema è che queste ipotesi sono raramente perfette e, quando un controllore viene costruito su una mappa difettosa, il veicolo può deviare dalla rotta o reagire pericolosamente a urti imprevisti sulla strada.

La sfida, dunque, è creare un sistema di controllo in grado di guidare una macchina con precisione anche quando gli ingegneri non possiedono un modello perfetto di quella macchina e quando il veicolo è sottoposto a forze sconosciute, come raffiche di vento o guasti meccanici. Questo è l'enigma specifico affrontato da un team di ricercatori dell'Università del Kuwait, della Purdue University, della San Diego State University e della SiCARRIER. Hanno sviluppato un nuovo metodo che consente a un controllore di apprendere da dati limitati del mondo reale, facendo affidamento pesantemente su un sistema proxy per la maggior parte delle sue informazioni. Il loro approccio non richiede una comprensione perfetta della fisica interna della macchina. Invece, utilizza una combinazione intelligente di identificazione basata sui dati e un osservatore specializzato — uno strumento matematico che agisce come un detective, indovinando costantemente lo stato nascosto della macchina e le forze invisibili che agiscono su di essa — per mantenere il veicolo sulla sua traiettoria prevista.

I ricercatori si sono concentrati su un tipo specifico di problema: guidare un sistema lineare, il che, in termini ingegneristici, significa una macchina il cui comportamento può essere descritto da relazioni lineari, attraverso una specifica manovra. Per testare la loro idea, hanno scelto uno scenario che è sia critico che familiare: un'auto che cambia corsia. Nel loro studio, hanno simulato un veicolo che viaggia a una velocità di 1,73 metri al secondo. L'obiettivo era far spostare questo veicolo da una corsia all'altra in modo fluido, seguendo una traiettoria precisa, anche se gli ingegneri non disponevano delle equazioni matematiche esatte per la dinamica dell'auto. Invece dell'auto reale, hanno utilizzato un sistema "proxy" — un gemello digitale creato prendendo i parametri dell'auto reale e aggiungendo errori casuali. Questo proxy non era una copia perfetta; era una versione leggermente distorta, rappresentativa del tipo di modelli imperfetti con cui gli ingegneri devono spesso lavorare nel mondo reale.

Per colmare il divario tra l'imperfetto proxy e l'auto reale, il team ha impiegato un processo di identificazione basato sui dati. Hanno eseguito migliaia di test sul sistema proxy e un numero minore di test sul sistema reale. Confrontando i risultati, sono stati in grado di costruire un "modello di progettazione" che era molto più vicino alla realtà rispetto al solo proxy. Questo modello ha servito da base per il loro controllore. Tuttavia, sapere il modello non era sufficiente, perché l'auto reale poteva essere colpita da disturbi sconosciuti, come una raffica di vento improvvisa o un attuatore guasto. Per gestire questo, i ricercatori hanno progettato un "compensatore di riferimento del modello". Questo dispositivo lavora in due parti. Primo, utilizza un osservatore di input sconosciuto per stimare lo stato attuale dell'auto — la sua velocità, l'angolo e la posizione — anche quando alcuni dei sensori sono mancanti o i dati sono rumorosi. Secondo, utilizza questa stima per calcolare l'esatto sterzo e l'accelerazione necessari per mantenere l'auto sulla traiettoria desiderata, annullando efficacementamente gli effetti dei disturbi sconosciuti.

Il cuore della loro innovazione risiede in come hanno sintetizzato questo controllore. Non si sono affidati a tentativi ed errori o ad approssimazioni vaghe. Invece, hanno utilizzato un rigoroso quadro matematico basato sulle disuguaglianze matriciali lineari, un metodo che permette agli ingegneri di risolvere problemi di ottimizzazione complessi per trovare le migliori impostazioni del controllore. Hanno dimostrato matematicamente che il loro sistema rimarrebbe stabile, il che significa che gli errori tra dove si trovava l'auto e dove avrebbe dovuto trovarsi sarebbero rimasti entro un limite prevedibile e sicuro, indipendentemente dalle forze sconosciute che agivano su di essa. Hanno dimostrato che, anche con le imperfezioni del loro modello e la presenza di input sconosciuti, il sistema poteva mantenere il controllo. Nelle loro simulazioni, l'auto ha eseguito con successo la manovra di cambio corsia, seguendo la traiettoria desiderata con alta precisione.

I risultati della simulazione sono stati sorprendenti. Quando l'auto è stata sottoposta a una forza esterna improvvisa e sconosciuta — simulando un disturbo che spingeva il veicolo fuori rotta — il controllore si è immediatamente adattato. Ha stimato l'entità di questa forza sconosciuta e l'ha compensata, mantenendo l'auto sulla linea prevista. I ricercatori hanno dimostrato che l'errore nel tracciamento della corsia e l'errore nella stima dello stato interno dell'auto sono rimasti entrambi limitati e contenuti. In un test, l'input sconosciuto è stato impostato su un valore specifico per una parte della guida ed è poi cambiato, e il controllore si è adattato senza problemi. La traiettoria del veicolo, quando tracciata su una mappa, mostrava uno spostamento fluido e deliberato dalla corsia di partenza alla corsia di destinazione, senza pericolose sterzate o perdita di controllo. Il sistema è persino riuscito a ricostruire l'input sconosciuto, "vedendo" efficacementamente la forza invisibile che spingeva l'auto e tenendone conto in tempo reale.

Ciò che rende questo lavoro particolarmente significativo è la sua praticità. I ricercatori non hanno richiesto un modello perfetto dell'auto, né hanno avuto bisogno di misurare ogni singola variabile all'interno del veicolo. Hanno dimostrato che, combinando un sistema proxy con alcune misurazioni del mondo reale, è possibile costruire un controllore robusto che funzioni di fronte all'incertezza. Questo approccio offre una nuova strada per gli ingegneri che devono implementare sistemi di controllo avanzati in ambienti in cui i dati sono scarsi o la dinamica del sistema è troppo complessa per essere modellata perfettamente. Dimostrando che un controllore può essere sintetizzato utilizzando solo dati di input e output, e dimostrandone il successo in una simulazione di veicolo realistica, il team ha fornito un modello per rendere i sistemi autonomi più affidabili e sicuri. Lo studio conferma che, anche con una conoscenza imperfetta della macchina, è possibile guidarla con precisione, a patto di utilizzare gli strumenti matematici corretti per colmare il divario tra ciò che è noto e ciò che è sconosciuto.