⚡ electrical engineering

Data-driven invariant set for nonlinear systems with application to command governors

Dit artikel stelt een nieuw datagedreven raamwerk voor dat positieve invariante verzamelingen synthetiseert voor ongemodelleerde nietlineaire systemen met behulp van sum-of-squares Lyapunov-achtige functies en lineaire programmering, wat het ontwerp van robuuste command governors mogelijk maakt die beperkingen afdwingen ondanks plantonzekerheid.

Oorspronkelijke auteurs: Ali Kashani, Claus Danielson

Gepubliceerd 2026-06-16

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ali Kashani, Claus Danielson

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je in een auto rijdt die een zeer bekwame, maar enigszins "blinde" autopilot heeft. Deze autopilot weet hoe hij de auto stabiel moet houden en een algemeen pad moet volgen, maar hij kent niet de specifieke verkeersregels (zoals binnen de rijstrook blijven) of de exacte fysica van hoe de auto reageert op elke mogelijke bocht. Je wilt een "veiligheidsbewaker" toevoegen die de autopilot in de gaten houdt en de commando's voorzichtig bijstuurt om ervoor te zorgen dat de auto nooit crasht of van de weg raakt, zonder de autopilot uit te schakelen en opnieuw te beginnen.

Dit artikel presenteert een nieuwe manier om die veiligheidsbewaker te bouwen voor complexe, onvoorspelbare systemen (zoals robots of zelfrijdende auto's) met behulp van data in plaats van complexe wiskundige modellen.

Hier is de uitsplitsing van hun aanpak met behulp van alledaagse analogieën:

1. Het Probleem: De "Black Box" en het "Veiligheidsnet"

Bij veel echte machines hebben we geen perfect wiskundige formule die precies beschrijft hoe ze bewegen. We kunnen een controller hebben die goed werkt, maar we weten niet waarom het werkt of of het de regels zal breken in een nieuwe situatie.

Het Doel: Een "Command Governor" (CG) creëren. Denk hierbij aan een co-piloot die naast de hoofdbestuurder zit. De hoofdbestuurder probeert te gaan waar hij wil, maar de co-piloot controleert: "Als je daarheen gaat, rijden we dan tegen een muur?" Zo ja, dan past de co-piloot het stuur lichtjes aan om ons veilig te houden, en laat dan de hoofdbestuurder weer het overnemen.
De Uitdaging: Meestal heb je om zo's co-piloot te bouwen een perfecte kaart van het terrein nodig (een wiskundig model). Als je geen kaart hebt, of als de kaart fout is, kan de co-piloot slechte inschattingen maken.

2. De Oplossing: Leren van "Veilige Ritten"

In plaats van te proberen een perfecte kaart te schrijven, zeggen de auteurs: "Laten we gewoon kijken wat er gebeurt wanneer we de auto rijden met verschillende, constante stuurhoeken."

De Data: Ze rijden het systeem met een vast commando (bijv. "iets naar links sturen") en registreren het pad. Dit doen ze voor veel verschillende commando's.
De "Veilige Zone" (Invariant Set): Voor elk specifiek commando kijken ze naar de data om een "Veilige Bubbel" te vinden. Als de auto zich binnen deze bubbel bevindt en je gebruikt dat specifieke commando, dan zal de auto voor altijd binnen de bubbel blijven. Het is als een krachtveld dat de auto veilig houdt.
De Magische Truc: Ze combineren al deze individuele "Veilige Bubbels" (één voor elk commando) tot één grote, flexibele "Admissible Set". Deze set vertelt de co-piloot: "Zolang de auto in deze grote vorm is, en je een commando uit deze lijst kiest, zijn we veilig."

3. De Wiskunde: Een Puzzel Veranderen in een Simpele Checklist

Normaal gesproken is het uitrekenen van deze "Veilige Bubbels" voor complexe, niet-lineaire systemen als het proberen op te lossen van een 1.000-stukjes puzzel waarbij de stukjes steeds van vorm veranderen. Dit vereist zware, trage computerberekeningen (genaamd Semi-Definite Programming).

De Innovatie: De auteurs hebben een manier gevonden om dit te vereenvoudigen. Ze gebruikten een techniek genaamd "lifting" (stel je voor dat je een 2D-schaduw pakt en deze naar 3D uitrekt om de vorm beter te zien te krijgen) en veranderden de moeilijke puzzel vervolgens in een simpele checklist (Linear Programming).
Waarom het ertoe doet: Dit maakt de berekening snel genoeg om offline te kunnen worden uitgevoerd (voordat de auto überhaupt start), zodat het veiligheidssysteem direct klaar is voor gebruik.

4. Omgaan met Onzekerheid: De "Vage" Veiligheidsmarge

Omdat ze leren van data, kunnen er hiaten zijn. Misschien hebben ze de auto 100 keer gereden, maar is er een plek op de weg waar ze nooit hebben gereden. Wat als de auto daar vreemd gedrag vertoont?

De Oplossing: Ze gebruiken een "Lipschitz"-eigenschap (een chique manier om te zeggen dat de auto niet kan teleporteren of direct van snelheid kan veranderen). Ze berekenen een veiligheidsmarge op basis van hoe dicht hun datapunten bij elkaar liggen. Als de data dicht is (veel punten), is de veiligheidsmarge klein. Als de data ijl is, verkleinen ze de "Veilige Bubbel" om extra voorzichtig te zijn. Dit zorgt ervoor dat zelfs als de wiskunde niet perfect is, het systeem robuust is en niet per ongeluk de regels overtreedt.

5. Tests in de Praktijk

Ze hebben dit idee op twee manieren getest:

Een Simpele Veer: Ze gebruikten een standaard fysica-systeem waarvan ze de uitkomst kenden. Ze vergeleken hun data-gestuurde "Veilige Bubbel" met het perfecte wiskundige antwoord. Het was bijna identiek, wat bewees dat hun methode werkt.
Een Zelfrijdende Auto: Ze simuleerden een auto die in zijn rijstrook probeert te blijven. De auto had een interne controller (de bestuurder) die goed was, maar niet perfect.
- Zonder de Bewaker: De auto zwalkte uit de rijstrook.
- Met hun Data-gestuurde Bewaker: De auto bleef perfect in de rijstrook, zelfs wanneer de snelheid veranderde of de weg lastig werd. Het presteerde net zo goed als wanneer ze het perfecte wiskundige model hadden gebruikt, maar dan zonder dat model überhaupt nodig te hebben.

Samenvatting

De paper zegt: "Probeer niet een perfect tekstboek-beschrijving te schrijven van hoe een robot beweegt. Kijk in plaats daarvan hoe de robot beweegt, vind de 'Veilige Zones' voor verschillende commando's met behulp van data, en bouw een veiligheidsbewaker die de robot binnen die zones houdt. We hebben een snelle, betrouwbare manier gevonden om dit te doen, zelfs als de robot onvoorspelbaar is."

Dit stelt ingenieurs in staat om veiligheidsfuncties toe te voegen aan bestaande, complexe systemen zonder het hele systeem vanaf nul te hoeven herbouwen of elk klein detail van de fysica te hoeven begrijpen.

Technische Samenvatting: Datagestuurde Invariante Set voor Nietlineaire Systemen met Toepassing op Command Governors

Probleemstelling
Veiligheidskritische cyber-fysieke systemen, zoals autonome voertuigen en industriële robots, moeten opereren binnen strikte toestandsrestricties. Hoewel bestaande controllers (bijv. PID of LQR) vaak stabiliteit en referentievolging afhandelen, garanderen zij mogelijk niet de naleving van restricties, met name wanneer de systeemdynamica ongemodelleerd, complex of onzeker is. Het vervangen van deze controllers door Model Predictive Control (MPC) is vaak ongewenst vanwege het verlies van getunede legacy-controllers en de vereiste van een nauwkeurig systeemmodel. Command Governors (CG's) bieden een alternatief als een outer-loop controller die de referentieopdracht aanpast om te waarborgen dat restricties worden nageleefd zonder de innerlijke controller te herontwerpen. Het synthetiseren van een CG voor ongemodelleerde nietlineaire systemen is echter uitdagend. Traditionele methoden vertrouwen op het berekenen van Controlled Invariant (CI) sets, wat vaak leidt tot het oplossen van onhandelbare niet-convexe optimalisatieproblemen of afhankelijk is van een bekende systeemmodel. Bovendien worstelen puur datagestuurde benaderingen die proberen invariante sets direct te leren van de "vloek van dimensionaliteit" en missen formele garanties van invariantie door eindige data en plantonzekerheid.

Methodologie
Het artikel stelt een directe datagestuurde benadering voor om Positive Invariant (PI) sets te synthetiseren voor ongemodelleerde nietlineaire systemen, die vervolgens worden geaggregeerd om een CI set te vormen voor gebruik in een Command Governor. De methodologie verloopt als volgt:

Probleemherformulering via PI-sets: In plaats van direct een complexe CI set voor het gecontroleerde systeem te berekenen, deelt de auteur het probleem op. Er wordt een verzameling constante commando's $\bar{r}$ aangenomen. Voor elk constant commando wordt het systeem een autonoom systeem. De auteurs berekenen een PI set $O(\bar{r})$ voor elke autonome dynamica. De unie van deze PI sets vormt een CI set voor het oorspronkelijke gecontroleerde systeem. Dit reduceert de CG-synthese tot een integer programma dat het dichtstbijzijnde constante commando $\bar{r}$ selecteert zodanig dat de huidige toestand zich binnen de corresponderende PI set bevindt.
Functionele Synthese met Basisfuncties: Om de PI sets $O(\bar{r})$ te berekenen, representeren de auteurs deze als sub-level sets van een Lyapunov-achtige functie $V(x; \bar{r}) \leq 1$ . Zij parametriseren deze functie met behulp van een combinatie van vooraf geselecteerde basisfuncties $\phi(x)$ (bijv. thin-plate splines of neurale netwerkfeatures) en een positief definiet matrix $P$ . De functie wordt geconstrueerd om te voldoen aan voorwaarden die garanderen dat de set binnen de restrictieset valt en dat de functie afneemt (of begrensd blijft) langs de systeemtrajecten.
Datagestuurde Semidefiniete Programmering (SDP):
- Evenwichtsaproximatie: Omdat het ware evenwicht $x_\infty(\bar{r})$ onbekend is, wordt dit benaderd met het ensemblegemiddelde van de eindtoestanden van trajecten gegenereerd door constante commando's.
- Robuustheid via Lipschitz-eigenschappen: Om de onzekerheid aan te pakken die voortvloeit uit eindige data en het gebrek aan een model, maken de auteurs gebruik van de Lipschitz-continuïteit van de systeemdynamica ( $L_f$ ) en de basisfuncties ( $L_\phi$ ). Zij leiden een "verstrakkingsterm" $\epsilon_k$ af op basis van de datadichtheid (Hausdorff-afstand tussen de restrictieset en de data) en de Lipschitz-constanten.
- Optimalisatie: Het syntheseprobleem wordt geformuleerd als een Semidefiniet Programma (SDP) dat het volume van de invariante set minimaliseert (door een integraal van de Lyapunov-functie te minimaliseren) onder restricties die invariantie op de gesamplede datapunten waarborgen, aangepast door de robuustheidsterm $\epsilon_k$ .
Computationele Tractabiliteit: In het besef dat SDP's computationeel duur zijn voor hoog-dimensionale systemen, stellen de auteurs een relaxatietechniek voor. Zij benaderen de oplossingsmatrix $P$ als een lineaire combinatie van vaste positief definiete matrices. Dit transformeert de SDP naar een Lineair Programma (LP), wat de computationele complexiteit aanzienlijk vermindert terwijl de bewijsbare invariantiegaranties behouden blijven.

Belangrijkste Resultaten
Het artikel valideert de aanpak via twee voorbeelden:

Illustratief Lineair Voorbeeld: Een lineair tijd-invariant (LTI) systeem met ondergedempte dynamica en polytopische restricties werd gebruikt. De datagestuurde CG werd vergeleken met een CG die gesynthetiseerd is met behulp van de ware maximale admissible set (berekend via standaard model-gebaseerde methoden). De resultaten toonden aan dat de datagestuurde CG er succesvol in slaagde de restricties af te dwingen en een prestatie bereikte die dicht bij de optimale model-gebaseerde CG ligt, ondanks dat er geen toegang was tot het systeemmodel.
Autonoom Rijstrookbehoud: Een nietlineair kinematisch bicycle-model werd gebruikt om een autonoom voertuig te simuleren. De innerlijke controller was een Linear Quadratic Regulator (LQR) ontworend voor een nominale snelheid. De datagestuurde CG werd getest tijdens inhaalmanoeuvres waarbij de snelheid van het voertuig toenam van 20 m/s naar 27 m/s. De resultaten lieten zien dat de datagestuurde CG voorkwam dat het voertuig de weg verliet (restrictieovertreding) in scenario's waar het systeem zonder CG, of een CG met een sample-gebaseerde aanpak, faalde.

Betekenis en Claims
Het artikel beweert een nieuwe directe datagestuurde techniek te presenteren voor de synthese van invariante sets voor ongemodelleerde nietlineaire systemen zonder een tussenliggende systeemidentificatiestap te vereisen. De belangrijkste bijdragen zijn:

Direct Leren: De invariante sets worden direct geleerd uit datatrajecten, waardoor de noodzaak voor een parametrisch model wordt omzeild.
Robuustheidsgaranties: Door gebruik te maken van Lipschitz-eigenschappen en datadichtheidsmetrieken, biedt de methode formele garanties dat de geleerde sets robuust zijn tegen de inherente onzekerheid van het datagestuurde kader.
Schaalbaarheid: De relaxatie van de SDP naar een LP adresseert de vloek van dimensionaliteit, waardoor de aanpak computationeel haalbaar is voor hoger-dimensionale systemen.
Praktisch Nut: De methode wordt gedemonstreerd als effectief in zowel lineaire als nietlineaire scenario's, waarbij specifiek de bruikbaarheid wordt getoond in veiligheidskritische toepassingen zoals autonoom rijden, waar modelonzekerheid en het naleven van restricties van groot belang zijn.

De auteurs hanteren een bescheiden toon en erkennen dat de aanpak een "sub-maximale" invariante set oplevert in plaats van de exacte maximale set, maar benadrukken dat de garantie van invariantie en restrictie-admissibiliteit het primaire doel is. Zij merken op dat meetruis en externe verstoringen momenteel niet worden overwogen en onderwerpen zijn voor toekomstig werk.