Funnel Control Under Hard and Soft Output Constraints (extended version)

Dit artikel stelt een funnelforregeling voor die online een consistent funnelplan genereert om zowel harde veiligheids- als zachte prestatie-eisen te respecteren voor onzekere niet-lineaire Euler-Lagrangiaanse systemen, zoals geïllustreerd door een mobiele robot die een object volgt binnen een veiligheidsgebied.

De kern

Stel je voor dat je een robot bestuurt die een heel belangrijk doel moet bereiken, zoals het volgen van een bewegend object, maar er zijn twee soorten regels waaraan hij zich moet houden:

1. De "Hard" regels (Veiligheid): Dit zijn de ononderhandelbare grenzen. Denk aan een muur of een hek. Als de robot hier tegenop botst, is het mis. Hij mag dit gebied nooit verlaten.
2. De "Zachte" regels (Prestatie): Dit zijn de ideale regels. Bijvoorbeeld: "Hou je precies op 10 centimeter afstand van het object." Dit is mooi om te doen, maar als het te gevaarlijk wordt (dicht bij de muur), mag je deze regel tijdelijk overtreden om een ongeluk te voorkomen.

Het probleem in de oude robotbesturing was vaak: of je hield je aan alle regels (en botste dan tegen de muur), of je hield je aan de veiligheid (en deed je werk dan heel slecht).

Wat doen deze onderzoekers?
Ze hebben een slimme nieuwe methode bedacht, een soort "intelligente navigator" voor robots. Ze noemen dit Trechterbesturing (Funnel Control).

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De Slimme Trechter (De Online Planning)

Stel je voor dat de robot een pad moet volgen. Normaal gesproken zou je een smal, perfect pad tekenen (de zachte regel). Maar als dat pad te dicht bij een muur komt, gebeurt er iets magisch:

De robot tekent online (terwijl hij rijdt) een nieuwe, veiligere "trechter" om zich heen.

• Als alles veilig is: De trechter is smal en volgt de ideale route precies.
• Als er gevaar dreigt: De trechter wordt breder en verschuift. De robot mag dan even uit de ideale route stappen (de zachte regel overtreden), maar hij blijft altijd binnen de veilige muren (de harde regel).

Het is alsof je door een smalle gang loopt met een vriend. Als de gang te smal wordt, geef je je vriend even meer ruimte, maar je blijft wel binnen de muren van het gebouw. De robot "plaatst" deze trechter dus continu opnieuw, afhankelijk van waar de muren en de ideale route op dat moment zijn.

2. De Onzichtbare Hand (De Regelaar)

Zodra deze slimme, veranderende trechter is getekend, komt de tweede helft van het verhaal: de regelaar.

Deze regelaar werkt als een onzichtbare hand die de robot vasthoudt.

• De regelaar kijkt niet naar de complexe wiskunde van de robot (die kan zwaar, onbekend of defect zijn).
• Hij kijkt alleen: "Is de robot nog binnen de getekende trechter?"
• Als de robot naar de rand van de trechter duwt, grijpt de hand harder in om hem terug te duwen.
• Als de robot in het midden zit, doet de hand niets.

Dit is heel slim omdat het werkt met onbekende robots. Je hoeft niet precies te weten hoeveel de robot weegt of hoe sterk de motor is. De "hand" past zich automatisch aan.

3. Het Resultaat: Een Veilige Dans

In de simulatie in het artikel zien we een robot die een bewegend object volgt in een kamer met muren.

• Situatie A: Het object is ver weg van de muren. De robot volgt het perfect (hij houdt zich aan de zachte regels).
• Situatie B: Het object gaat dicht langs de muur. De robot merkt: "Oh, als ik nu nog dichter bij het object ga, raak ik de muur!"
• Actie: De robot zegt: "Oké, ik laat het object even een stukje uit het oog (overtreedt de zachte regel), maar ik blijf wel veilig binnen de muren (houdt de harde regel)." Zodra het object weer veilig is, schiet de robot weer terug naar de perfecte afstand.

Waarom is dit cool?

Vroeger moesten ingenieurs kiezen: of een heel veilige, maar trage robot, of een snelle robot die soms gevaarlijk wordt.
Met deze nieuwe methode krijg je het beste van twee werelden:

1. Veiligheid is altijd 100% gegarandeerd.
2. Prestatie is zo goed mogelijk, zolang het veilig is.

Het is als een ervaren danser die weet dat hij nooit tegen de muur mag lopen, maar wel zo dicht mogelijk bij zijn partner wil blijven. Als de partner te dicht bij de muur komt, maakt de danser een kleine, slimme beweging om veilig te blijven, zonder de dans te vergeten.

Kortom: Ze hebben een systeem bedacht dat robots leert om slim te "wijken" voor veiligheid, zonder hun doel uit het oog te verliezen, en dat werkt zelfs als we de robot niet helemaal begrijpen!

Technische samenvatting

Titel: Funnel Control onder Harde en Zachte Output-beperkingen (Uitgebreide versie)

Auteurs: Farhad Mehdifar, Charalampos P. Bechlioulis en Dimos V. Dimarogonas.

---

1. Probleemstelling

Het paper adresseert het controleprobleem van onzekere, niet-lineaire Euler-Lagrange-systemen (zoals mobiele robots en robotmanipulatoren) in aanwezigheid van twee soorten tijdsvariërende output-beperkingen:

• Harde beperkingen (Hard constraints): Deze vertegenwoordigen veiligheidsvereisten (bijv. een robot mag een bepaalde zone niet verlaten). Deze moeten altijd worden gerespecteerd; schending is niet toegestaan.
• Zachte beperkingen (Soft constraints): Deze vertegenwoordigen prestatievereisten (bijv. het volgen van een gewenste traject met een bepaalde foutmarge). Deze moeten worden nageleefd, mits ze niet in conflict komen met de harde beperkingen.

De kernuitdaging: Bestaande methoden zoals Funnel Control (FC) en Prescribed Performance Control (PPC) zijn voornamelijk gericht op het garanderen van prestaties (funnels), maar gaan er vaak van uit dat veiligheids- en prestatie-eisen consistent zijn. Als deze conflicteren (bijvoorbeeld als de gewenste trajecten buiten de veilige zone ligt), kunnen bestaande methoden falen of de veiligheid schenden. Control Barrier Functions (CBF) kunnen dit oplossen, maar vereisen vaak exacte kennis van het systeemmodel en zijn computationeel zwaar (optimatieproblemen).

Doel: Ontwikkelen van een modelvrije, robuuste en rekenkundig efficiënte regelaar die zowel harde als zachte beperkingen aankan, waarbij veiligheid prioriteit heeft boven prestatie.

---

2. Methodologie

De auteurs stellen een tweestapsaanpak voor die online funnelplanning combineert met een robuuste regelaar op basis van voorgeschreven prestaties (PPC).

A. Online Planning van een "Constraint Consistent Funnel" (CCF)

Om te garanderen dat de output altijd binnen een haalbaar bereik blijft, wordt een nieuwe online funnelplanningsmethode ontwikkeld.

• Concept: In plaats van starre grenzen te gebruiken, wordt een dynamische "Constraint Consistent Funnel" (CCF) gepland met grenzen $\rho^L_i(t)$ en $\rho^U_i(t)$.
• Logica:
  • Als harde en zachte beperkingen compatibel zijn, volgt de CCF de zachte beperkingen (voor optimale prestatie).
  • Als ze in conflict komen (bijv. de zachte beperking zou de harde veiligheidszone doorbreken), worden de zachte beperkingen tijdelijk "verwaarloosd" om de harde beperkingen te respecteren.
• Implementatie: Er worden aanpassingssignalen $\phi^L_i(t)$ en $\phi^U_i(t)$ geïntroduceerd. Deze signalen worden dynamisch aangepast via een differentiaalvergelijking die reageert op de afstand tussen de harde en zachte grenzen.
  • Wanneer de afstand te klein wordt (conflict), groeien deze signalen en worden de zachte grenzen tijdelijk verruimd (of de CCF wordt verplaatst) zodat de output binnen de harde grenzen blijft.
  • Zodra het conflict is opgelost, convergeren deze signalen exponentieel naar nul, waardoor de zachte beperkingen snel worden hersteld.
• Kenmerk: De resulterende CCF-grenzen zijn continu (maar niet noodzakelijk glad), wat zorgt voor een continue overgang tussen veiligheids- en prestatiegedrag.

B. Regelaarontwerp (Funnel-Based Controller)

Voor het handhaven van de output binnen de geplande CCF wordt een modelvrije regelaar ontworpen op basis van de Prescribed Performance Control (PPC) methode.

• Transformatie: De outputfouten worden genormaliseerd ten opzichte van de asymmetrische CCF-grenzen. Een niet-lineaire transformatie (logaritmische functie) mapt het beperkte interval $(-1, 1)$ naar het onbeperkte reële getallenbereik $(-\infty, +\infty)$.
• Regelwet: De regelaar is een eenvoudige feedbackwet die de getransformeerde fouten minimaliseert.
  • Het ontwerp is modelvrij: Het vereist geen kennis van de traagheidsmatrix, Coriolis-krachten, zwaartekracht of externe verstoringen.
  • Het is laag-complexiteit: Geen online optimalisatie (zoals bij MPC of QP-basise CBF) nodig.
• Stabiliteit: De stabiliteit wordt bewezen via Lyapunov-analyse, waarbij wordt aangetoond dat alle gesloten-lus signalen begrensd blijven en de output strikt binnen de CCF blijft.

---

3. Belangrijkste Bijdragen

1. Eerste integratie van harde en zachte beperkingen in Funnel Control: Dit is het eerste werk dat een funnel-based controlestrategie biedt die expliciet onderscheid maakt tussen veiligheid (harde) en prestatie (zachte) beperkingen binnen één raamwerk.
2. Modelvrije aanpak: In tegenstelling tot CBF-methoden die vaak exacte dynamische modellen vereisen, is deze regelaar robuust tegen onzekerheden en vereist geen modelkennis.
3. Online aanpassing: De methode gebruikt een online planningsmechanisme dat dynamisch reageert op conflicten tussen beperkingen zonder voorafgaande kennis van de toekomstige trajecten.
4. Rekenkundige efficiëntie: De regelaar is "optimatie-vrij" (optimization-free), wat het zeer geschikt maakt voor real-time toepassingen op embedded systemen.

---

4. Resultaten en Validatie

De methode werd gevalideerd via simulaties met een mobiele robot in een 2D-omgeving.

• Scenario: De robot moest een bewegend object volgen (zachte beperking: trajectvolging) terwijl hij zich binnen een doosvormige veilige zone moest houden (harde beperking).
• Observaties:
  • De robot volgde het object nauwkeurig zolang dit binnen de veilige zone mogelijk was.
  • Wanneer het gewenste traject de veilige zone zou doen verlaten, gaf de regelaar de prestatie-eisen op en hield de robot strikt binnen de veilige grenzen.
  • Zodra het conflict verdween, keerde de robot exponentieel snel terug naar het volgen van het gewenste traject.
  • De simulaties toonden aan dat de aanpassingssignalen ($\phi$) correct reageerden op conflicten en dat de output nooit de harde grenzen overschreed.
• Parameterinvloed: Er werd aangetoond dat de parameter $k_c$ de snelheid van herstel van de zachte beperkingen beïnvloedt. Een lagere $k_c$ leidt tot een langzamere herstel en meer conservatisme, terwijl een hogere $k_c$ sneller herstel mogelijk maakt.

---

5. Betekenis en Toekomstperspectief

Dit paper biedt een belangrijke doorbraak in de regeling van complexe systemen waar veiligheid en prestatie vaak in conflict staan.

• Praktische toepasbaarheid: De methode is direct toepasbaar op fysieke systemen zoals drones, autonome voertuigen en robotarmen, waar het vermijden van botsingen (veiligheid) cruciaal is, maar waar ook hoge prestatie-eisen gelden.
• Vooruitgang ten opzichte van bestaande literatuur: Het overbrugt de kloof tussen Funnel Control (goed voor prestaties, modelvrij) en Control Barrier Functions (goed voor veiligheid, maar vaak modelafhankelijk en complex).
• Toekomstig werk: De auteurs plannen om het schema uit te breiden naar beperkingen die afhankelijk zijn van zowel tijd als output, en om de funnelplanning te verbeteren voor een exacte (in plaats van exponentiële) herstel van zachte beperkingen.

Kortom, dit paper levert een robuust, rekenkundig licht en veiligheidsbewust controlekader dat de beperkingen van huidige methoden overbrugt voor onzekere niet-lineaire systemen.