⚡ electrical engineering

Synthesis of Deep Neural Networks with Safe Robust Adaptive Control for Reliable Operation of Wheeled Mobile Robots

Deze paper presenteert een hiërarchisch besturingskader voor zware wielfoerrobots dat een diep neuronaal netwerk combineert met een veilige, robuuste adaptieve regeling om onder storingen stabiele en veilige werking te garanderen, wat experimenteel is gevalideerd op een 6.000 kg zware robot.

Oorspronkelijke auteurs: Mehdi Heydari Shahna, Jouni Mattila

Gepubliceerd 2026-04-03

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Mehdi Heydari Shahna, Jouni Mattila

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 een gigantische, zware bouwmachine bestuurt, zoals een bulldozer van 6.000 kilo die door modderige mijnen of bouwplaatsen rijdt. Deze machine moet precies doen wat je van hem vraagt, maar de wereld om hem heen is chaotisch: er zijn gaten, hellingen, en onverwachte stoten.

Dit artikel beschrijft een slimme manier om zo'n zware machine te besturen door twee verschillende "bestuurders" te gebruiken, die samenwerken met een dubbel veiligheidssysteem.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De Twee Bestuurders

Stel je voor dat je twee bestuurders hebt voor deze machine:

Bestuurder A (De "AI-Expert"):
Deze bestuurder is een Deep Neural Network (DNN). Hij is getraind met duizenden voorbeelden van hoe de machine zich moet gedragen. Hij is als een virtuoos pianist: hij speelt perfect, snel en precies, zolang de muziek (de omstandigheden) normaal is. Hij heeft geen zin om de zware wiskunde van de machine te leren; hij "voelt" gewoon wat hij moet doen.
- Nadeel: Als er iets heel onverwachts gebeurt (bijvoorbeeld een enorme steen of een plotselinge storm), raakt hij in paniek. Hij weet niet hoe hij moet reageren omdat hij dat nooit heeft geoefend.
Bestuurder B (De "Veilige Oude Meester"):
Deze bestuurder gebruikt Robust Adaptive Control (RAC). Hij is niet zo snel of slim als de AI, maar hij is onvermoeibaar en voorzichtig. Hij is als een oude, ervaren vrachtwagenchauffeur die altijd op zijn hoede is. Hij reageert langzamer en is wat minder precies, maar hij kan elke klap opvangen en blijft de machine stabiel houden, zelfs als de weg onder hem instort.
- Nadeel: Hij is niet zo nauwkeurig. De machine kan een beetje trillen of minder strak rijden.

2. Het Dubbele Veiligheidssysteem (De "Bewakers")

Het probleem is: hoe laat je de snelle AI rijden, maar voorkom je dat hij de machine kapotmaakt als het misgaat? Het antwoord is een twee-laags bewakingssysteem:

De Eerste Bewaker (De "Lage Veiligheidsdrempel"):
Deze bewaker kijkt constant naar Bestuurder A (de AI). Hij houdt een meetlat vast. Zolang de AI binnen de lijnen rijdt, mag hij doen wat hij wil.
- Wat gebeurt er als het misgaat? Zodra de AI een beetje uit de bocht vliegt (bijvoorbeeld door een steen), grijpt deze bewaker in. Hij roept: "Stop! Je bent te snel!" en schakelt direct over op Bestuurder B (de Oude Meester).
- Belangrijk: Dit is een vergrendeling (latch). Eenmaal overgeschakeld, blijft de machine bij de Oude Meester. Je kunt niet meer terug naar de AI, want die is nu "onbetrouwbaar" geworden voor die specifieke situatie.
De Tweede Bewaker (De "Hoge Veiligheidsdrempel"):
Deze bewaker kijkt naar Bestuurder B (de Oude Meester). Zelfs als de Oude Meester aan het stuur staat, moet hij veilig blijven.
- Wat gebeurt er als het echt slecht gaat? Als de verstoringen zo enorm zijn dat zelfs de Oude Meester de machine niet meer kan controleren (bijvoorbeeld als de wielen in de lucht komen of de machine gaat kantelen), grijpt deze bewaker in. Hij roept: "Stop de motor!" en zet de machine veilig uit om schade aan de omgeving of de machine zelf te voorkomen.

3. Waarom is dit zo slim?

Vroeger moest je kiezen: of je had een snelle, precieze machine die gevaarlijk kon zijn, of een veilige, trage machine die niet veel kon.

Dit systeem combineert het beste van beide werelden:

Normale situatie: De machine rijdt als een raceauto (via de AI), snel en precies.
Stress-situatie: Zodra het gevaarlijk wordt, schakelt het systeem over naar een "veiligheidsstand" (via de Oude Meester). De machine wordt wat trager en minder precies, maar hij valt niet om.
Katastrofe-situatie: Als het echt te erg is, stopt de machine veilig.

De Grootte van de Machine

Dit is niet zomaar een speelgoedrobotje. De onderzoekers hebben dit getest op een 6.000 kilo zware machine (zoals een grote graafmachine) met complexe hydraulische systemen. Ze hebben bewezen dat dit systeem werkt in de echte wereld, waarbij de machine een rondje reed, een S-vormige weg volgde, en zelfs werd "aangevallen" met extra stuwkracht (verstoringen) om te zien of het systeem zou falen.

Kortom: Ze hebben een manier bedacht om slimme, snelle AI te gebruiken in zware machines, zonder dat je bang hoeft te zijn dat de machine gek wordt. Het is als een auto met een autonome rijfunctie die automatisch overgaat op handbesturing zodra de weg te glad wordt, en die de motor uitschakelt als de brug instort.

Titel: Synthese van Deep Neural Networks met Veilige Robuuste Adaptieve Regeling voor Betrouwbare Bedrijfsvoering van Wielforende Mobiele Robotplatforms (WMR's)

Auteurs: Mehdi Heydari Shahna en Jouni Mattila (Tampere University, Finland)

1. Probleemstelling

De industriële vraag naar automatisering van zware, repetitieve taken in ruwe omgevingen (zoals mijnbouw en constructie) leidt tot de ontwikkeling van zware wielforende mobiele robots (WMR's). Hoewel Deep Neural Networks (DNN's) veelbelovend zijn voor het bereiken van hoge precisie zonder complexe dynamische modellering, vormen ze een uitdaging voor zware machines vanwege hun "black-box"-karakter.

Zwakte van DNN's: Ze zijn gevoelig voor onbekende verstoringen en uitval buiten hun trainingsdomein. Het garanderen van stabiliteit en interpreteerbaarheid is moeilijk, wat strijdig is met internationale veiligheidsstandaarden (zoals ISO 3691, ISO 13849, IEC 61508).
Zwakte van traditionele modellen: Zware robots hebben complexe, niet-lineaire actuatorketens (bijv. PMSM-motoren, hydraulische pompen, tandwielen). Het maken van een nauwkeurig wiskundig model is analytisch complex en computatievermogen-intensief.
De Kernvraag: Hoe kunnen data-gedreven besturingsstrategieën (DNN's) worden ingezet op zware robots om hoge prestaties te leveren, terwijl tegelijkertijd veiligheid en stabiliteit worden gegarandeerd bij onvoorziene verstoringen, zonder dat een gedetailleerd fysiek model nodig is?

2. Methodologie

De auteurs stellen een hiërarchisch besturingsbeleid voor dat twee veiligheidslagen combineert met verschillende autoriteitsniveaus. Het systeem werkt zonder kennis van de interne dynamica van de actuatoren of de wiel-grondinteractie (model-vrij).

A. Hiërarchische Architectuur

Het systeem bestaat uit drie hoofdcomponenten:

Hoofdbesturing (DNN): Een Levenberg-Marquardt (LM) getrainde Deep Neural Network die fungeert als primaire regelaar onder nominale omstandigheden. Deze levert hoge precisie en responsiviteit.
Lage Veiligheidslaag (Switch-mechanisme): Deze laag bewaakt de prestaties van de DNN. Als de trackingfout een vooraf gedefinieerde drempel overschrijdt (door externe verstoringen), schakelt het systeem onomkeerbaar over van de DNN naar een robuuste regelaar.
Hoge Veiligheidslaag (Shutdown-mechanisme): Een logaritmische Barrière-Lyapunov-functie (BLF) die continu de systeemstabiliteit bewaakt. Als de verstoringen zo ernstig zijn dat compensatie niet meer mogelijk is (binnen de fysieke limieten van de actuatoren), wordt het systeem veilig afgesloten.

B. Besturingsstrategieën

DNN-beleid: Getraind op sensorgegevens (snelheid vs. toerental) om de niet-lineaire relatie tussen commando's en beweging te leren. Het gebruikt een feed-forward architectuur met Tanh-activatiefuncties.
Robuuste Adaptieve Regeling (RAC): Een model-vrije regeling die wordt geactiveerd bij verstoringen. Deze gebruikt een aanpassingswet gebaseerd op een logaritmische Barrière-functie om de trackingfout binnen een veilige, tijd-variërende grens te houden. Dit biedt robuustheid ten koste van iets minder nauwkeurigheid.
Synthese (Schakellogica): Een "latched" (vergrendelde) functie zorgt ervoor dat het systeem permanent overschakelt van DNN naar RAC zodra de lage veiligheidsdrempel wordt overschreden. Het kan niet terugkeren naar de DNN, wat voorkomt dat het systeem instabiel wordt door te vaak te wisselen.

C. Stabiliteitsbewijs

De auteurs bewijzen wiskundig dat het gehele systeem uniform exponentieel stabiel is, zelfs tijdens het schakelmoment tussen de DNN en de RAC, mits de verstoringen binnen de compensatiecapaciteit van de RAC blijven.

3. Belangrijkste Bijdragen

Hiërarchisch Veiligheidsframework: Een nieuwe architectuur die DNN's combineert met robuuste regeling, bewaakt door twee veiligheidslagen met verschillende autoriteit, in lijn met ISO/IEC TR 5469 (AI-functionaliteit en veiligheid).
Model-vrije Implementatie: Het systeem vereist geen expliciete kennis van de complexe actuatorketens (hydraulica, mechanica) of wiel-grondinteracties. Het behandelt het systeem als een "black box".
Aanpasbare Prestatiegrenzen: De controlefouten (overshoot, steady-state error) kunnen worden aangepast via twee verschillende niveaus van veiligheidslagen, wat flexibiliteit biedt voor verschillende toepassingen.
Garantie van Stabiliteit: Het framework garandeert uniform exponentiële stabiliteit voor het gehele systeem, inclusief de overgangsfase, ondanks de aanwezigheid van een black-box leermodel en externe verstoringen.

4. Resultaten en Experimentele Validatie

De methode werd getest op een 6.000 kg zware PMSM-aangedreven Skid-Steer WMR (Multi-Purpose Deployer) met een vijf-traps actuatormechanisme.

Experiment 1 (DNN alleen): De robot volgde een cirkelvormig pad met hoge precisie onder nominale omstandigheden. De trackingfouten bleven binnen de strikte veiligheidsgrenzen, wat de hoge nauwkeurigheid van de getrainde DNN bevestigde.
Experiment 2 (RAC alleen): Bij geïntroduceerde verstoringen (8% extra toerental) handhaafde de RAC de stabiliteit en bleef de fout binnen de bredere veiligheidsgrenzen. De nauwkeurigheid was lager dan bij de DNN, maar de robuustheid was gewaarborgd.
Experiment 3 (Synthese): De robot volgde een S-vormig pad. Bij $t = 82$ $t = 82$ seconden werd een ernstige verstoring (15% toename) geïntroduceerd.
- De DNN faalde en de fout overschreed de lage veiligheidsdrempel.
- Het systeem schakelde onmiddellijk en permanent over naar de RAC.
- De robot bleef veilig rijden, hoewel met iets minder nauwkeurigheid, en werd niet afgesloten omdat de verstoring binnen de compensatiecapaciteit van de RAC bleef.
- Dit demonstreerde de effectiviteit van de schakellogica en de hiërarchische beveiliging.

De resultaten tonen aan dat de DNN uitstekende prestaties levert in normale omstandigheden, terwijl de RAC fungeert als een veilige "fail-safe" bij storingen, waardoor de robot operationeel blijft tot onderhoud mogelijk is.

5. Significantie

Dit onderzoek opent de weg voor de bredere toepassing van leeralgoritmen (AI) in zware industriële robots. Het lost het fundamentele dilemma op tussen de hoge prestaties van data-gedreven methoden en de strenge veiligheidsvereisten van zware machines. Door een hiërarchisch systeem te gebruiken dat de "black-box" aard van DNN's omkleedt met wiskundig bewezen robuuste regeling en veilige afschakelmechanismen, kunnen fabrikanten voldoen aan internationale normen (zoals ISO 3691) zonder in te leveren op de voordelen van machine learning. Dit maakt autonome operatie in onvoorspelbare, gevaarlijke omgevingen (mijnen, tunnels) veiliger en haalbaarder.