Technische Samenvatting: Robuust Adaptief Discrete-Tijd Control Barrier Certificaat

Probleemstelling

Het artikel behandelt de uitdaging om veiligheid te waarborgen voor discrete-tijd systemen die onderhevig zijn aan zowel begrensde externe verstoringen als parametrische modelonzekerheid. Hoewel Control Barrier Functions (CBF's) een standaardinstrument zijn geworden voor veiligheidskritische regeling in continue-tijd systemen, is hun toepassing op discrete-tijd systemen (DT-CBF's) met onbekende parameters nog onvoldoende ontwikkeld.

Bestaande modelgebaseerde methoden hebben vaak moeite met modelonzekerheid, wat de veiligheidsgaranties kan compromitteren. Hoewel robuuste en adaptieve uitbreidingen bestaan voor continue-tijd systemen, vertrouwen deze op afgeleide-gebaseerde argumenten die in discrete tijd niet beschikbaar zijn. Bovendien moeten discrete-tijd controllers causaal opereren (zonder toekomstige informatie), een beperking die in eerdere adaptieve CBF-literatuur voor continue-tijd niet volledig is geadresseerd. De kern van het probleem is het ontwikkelen van een raamwerk dat garandeert dat de systeemtoestand binnen een veilige verzameling blijft, ondanks verstoringen en onbekende parameters, zonder toegang te vereisen tot de ware systeemparameters ($\theta^*$), terwijl online parameterschatting mogelijk wordt gemaakt.

Methodologie

Systeemmodel

De auteurs beschouwen input-affiene discrete-tijd systemen beschreven door:
$$x_{t+1} = f_d(x_t) - [\phi(x_t)]^\top \theta + g(x_t)u_t + w_t$$
waarbij $x_t$ de toestand is, $u_t$ de input is, $\theta$ een onbekende constante parametervector is, en $w_t$ een begrensde verstoring is die in een bekende polytope ligt. De driftterm bevat een bekende nominale component en een onzekere component die lineair is in de onbekende parameters.

Robuust Adaptief Regelframewerk

De voorgestelde aanpak ontkoppelt de veiligheidsfilter van de parameterschatter, wat een modulaire ontwerp mogelijk maakt.

1. Adaptief Gerobustifieerde Barrier Function:
   In plaats van een standaard barrier function $B(x, \theta)$, definiëren de auteurs een tijdvariërende barrier function $B_{ra,t}(x)$ die de huidige parameterschat $\hat{\theta}_t$ en een strafterm gebaseerd op de schattingsfout incorporeert:
   $$B_{ra,t}(x) := B(x, \hat{\theta}_t) - \frac{1}{2}e_{\theta,t}^\top \Gamma^{-1} e_{\theta,t}$$
   waarbij $e_{\theta,t} = \hat{\theta}_t - \theta^*$ en $\Gamma$ een positief definiete matrix is. Dit creëert een "gerobustifieerde" veilige verzameling $S_{ra,t}$ die een deelverzameling is van de verzameling gedefinieerd door de huidige schat, wat veiligheid garandeert zelfs als de schat imperfect is.

2. Robuust Adaptief CBF Certificaat:
   Het artikel stelt een voldoende voorwaarde (Definitie 4) vast voor een functie om een Robuust Adaptief DT-CBF te zijn. Deze voorwaarde, getiteld de "robust adaptive CBC", houdt rekening met:

   • Begrensde verstoringen ($w$).
   • Parametrische modelmismatch.
   • De increment van de parameterschat ($\delta_{\theta,t}$).
   • Lipschitz-constanten van de barrier function en de systeemdynamica.

   Cruciaal is dat dit certificaat offline wordt geverifieerd met behulp van worst-case bounds op de schattingsfout en parameter-increments, zonder dat $\theta^*$ nodig is.

3. Online Input Conditie:
   Voor real-time implementatie leiden de auteurs een online input conditie af (Vergelijking 17) die alleen afhankelijk is van de huidige schat $\hat{\theta}_t$ en de huidige schattingsfout-bound $\varepsilon_{\theta,t}$. Deze conditie definieert een verzameling van toelaatbare control inputs $U_{ras,t}(x)$. Een veiligheidsfilter projecteert elke nominale control input op deze verzameling om veiligheid te garanderen.

4. Causale Schatting en Synthese:
   Het artikel stelt een specifieke estimator voor met behulp van clipped Recursive Least Squares (RLS) met set-membership projectie. Deze estimator werkt de parametermenge $\Theta_t$ en de punt-schat $\hat{\theta}_t$ bij op basis van historische data ($F_{t-1}$), waardoor de control input $u_t$ causaal wordt berekend (zonder te vertrouwen op $t+1$ informatie).

Belangrijkste Bijdragen

1. Discrete-Tijd Robuuste Adaptieve Veiligheidsgaranties: Dit werk vestigt robuuste veiligheidsgaranties voor input-affiene discrete-tijd systemen onder begrensde verstoringen en parametrische mismatch. Het leidt een online input conditie af die geschikt is voor veiligheidsfilters, waarmee het gebrek aan afgeleide-gebaseerde argumenten in discrete tijd wordt overwonnen.
2. Modulaire Architectuur: Het raamwerk toont aan dat de parameterschatting module apart kan worden ontworpen van de CBF-gebaseerde veiligheidsfilter. Deze ontkoppeling vereenvoudigt de ontwikkeling van veilige adaptieve controllers, een kenmerk dat niet expliciet wordt onthuld in bestaande continue-tijd resultaten.
3. Ingebouwde Robuustheidsanalyse: Het artikel biedt een rigoureuze analyse van de "inherente robuustheid" van de voorgestelde regeling. Het bewijst dat als de systeemtoestand buiten de robuust adaptieve veilige verzameling valt (door perturbaties of slechte schattingen), het regelbeleid de toestand asymptotisch terug naar de veilige verzameling-sequentie stuurt.
4. Algemene Compatibiliteit met Online Estimators: De methodologie is compatibel met algemene online parameterschatters die punt-schattingen, set-schattingen en uniforme bounds op schattings-increments leveren, in plaats dat deze gebonden is aan een specifiek leeralgoritme.

Resultaten en Claims

• Veiligheidsgarantie: Het primaire theoretische resultaat (Theorema 2) stelt dat indien een barrier function aan de robuust adaptieve CBC-voorwaarde voldoet, de verzameling van toelaatbare control inputs niet-leeg is. Voorts, indien het regelbeleid inputs selecteert uit deze verzameling, is het closed-loop systeem robuust veilig met betrekking tot een sequentie van tijdvariërende veilige verzamelingen $\{S_{ra,t}\}$.
• Causaliteit: De voorgestelde synthese zorgt ervoor dat control inputs worden berekend met gebruik van enkel beschikbare historische informatie, wat voldoet aan de causale eisen van sampled-data systemen.
• Convergentie versus Veiligheid: De auteurs merken expliciet op dat hoewel parameterconvergentie (naar $\theta^*$) de conservatisme zou verminderen, de veiligheidsgaranties niet rusten op de convergentie van de parameterschattingen. Veiligheid wordt behouden zolang de ware parameter binnen de geschatte verzameling $\Theta_t$ blijft.
• Implementatie: Het artikel schetst een algoritme (Algoritme 1) voor implementatie, waarbij wordt opgemerkt dat hoewel het algemene optimalisatieprobleem niet-convex is, het een convex optimalisatieprobleem wordt als de barrier function concave is ten opzichte van de toestand, wat een standaardveronderstelling is in veel DT-CBF formuleringen.

Betekenis

Het artikel claimt dat de primaire significantie ligt in het vestigen van een algemeen robuust adaptief veilig regelframewerk voor discrete-tijd systemen. Het claimt niet specifieke barrier functies te ontwerpen, nieuwe parameterschattingsalgoritmen te ontwikkelen, of de existentie van barrier functies voor specifieke systemen te verifiëren. In plaats daarvan biedt het de theoretische fundering (het certificaat en de online conditie) die het mogelijk maakt om bestaande schattingsinstrumenten veilig te integreren met CBF-gebaseerde controllers in discrete-tijd omgevingen.

Het werk overbrugt de kloof tussen continue-tijd adaptieve CBF-theorie en de praktische realiteit van discrete-tijd implementatie (zoals MPC en reinforcement learning), en biedt een strategie die zowel robuust is tegen verstoringen als adaptief aan modelonzekerheden zonder kennis te vereisen van de ware systeemparameters.