⚡ electrical engineering

Online Data-Driven Reachability Analysis using Zonotopic Recursive Least Squares

Dit artikel presenteert een datagestuurd reachability-analyseframework dat gebruikmaakt van Exponentially Forgetting Zonotopic Recursive Least Squares (EF ZRLS) om tijdsvariërende systeemmodellen recursief te schatten uit online ruizige metingen, wat de berekening van minder conservatieve forward reachable sets mogelijk maakt voor zowel lineaire tijdsvariërende als niet-lineaire Lipschitz-systemen zonder dat voorafgaande modelkennis of offline experimenten vereist zijn.

Oorspronkelijke auteurs: Alireza Naderi, Amr Hegazy, Amr Alanwar

Gepubliceerd 2026-08-12

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Alireza Naderi, Amr Hegazy, Amr Alanwar

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 probeert te voorspellen waar een wegrollende winkelwagen naartoe zal rijden. In de wereld van engineering en robotica wordt dit reachability analysis (bereikbaarheidsanalyse) genoemd. Dit is een veiligheidscontrole die de vraag stelt: "Als we hier beginnen, en de wind waait een beetje, of de wielen slippen een beetje, waar zou dit object dan terecht kunnen komen?" Als we een grote, veilige bubbel rond al die mogelijke toekomstige locaties kunnen tekenen, kunnen we ervoor zorgen dat de wagen nooit een drukke straat of een kwetsbaar bloemperk in rijdt.

Traditioneel probeerden ingenieurs deze bubbel te tekenen door een perfecte wiskundige formule op te schrijven voor hoe de wagen beweegt. Ze moesten de exacte massa van de wagen weten, de wrijving van de wielen en de kracht van de wind. Maar in de echte wereld veranderen dingen. Een wagen kan een nieuw wiel krijgen, of de grond kan nat worden. Als je wiskundige formule zelfs maar een klein beetje fout is, kan je veiligheidsbubbel te klein zijn, en kan er een ramp gebeuren. Daarom zoeken wetenschappers naar een slimmere manier: een methode die de regels van het spel leert door simpelweg te kijken hoe de wagen rolt, zonder vooraf een perfecte formule nodig te hebben. Dit artikel gaat over het bouwen van die "kijken-en-leren" veiligheidsbubbel in realtime, zelfs wanneer de wagen zijn gedrag onderweg verandert.

Het Grote Idee van het Papier: Het "Vergetelijke" Veiligheidsnet

De auteurs, Alireza Naderi en zijn team, hebben een nieuwe methode ontwikkeld om deze veiligheidsbubbels te tekenen met behulp van alleen live data. In plaats van te proberen de volledige geschiedenis van de beweging van de wagen te onthouden (wat traag en rigide kan zijn), gebruikt hun methode een slimme truc genaamd Exponentially Forgetting Zonotopic Recursive Least Squares (EF-ZRLS).

Beschouw deze methode als een zeer slimme, lichtelijk vergeetachtige detective. Stel je voor dat je probeert de snelheid van een auto te raden die constant van motor wisselt.

De Oude Manier (Batch Least Squares): De oude detective zou wachten tot het einde van de dag, elke snelheidsmeting van de ochtend verzamelen en dan een enorme berekening uitvoeren om de snelheid te raden. Als de auto rond het middaguur van motor wisselt, zou de berekening van de detective fout zijn omdat hij ochtenddata mengt met middagdata.
De Nieuwe Manier (EF-ZRLS): De nieuwe detective kijkt alleen naar de laatste paar minuten. Als de auto sneller gaat, werkt de detective zijn schatting onmiddellijk bij en "vergeet" hij de oude, lagere snelheid. Dit stelt hem in staat om een auto te volgen die constant van motor wisselt of op verschillende wegen rijdt.

Het "Zonotopic"-gedeelte van de naam is slechts een chique geometrische vorm (zoals een uitgerekte, meerdimensionale ruit) die wordt gebruikt om de veiligheidsbubbel te tekenen. Het is efficiënt en zorgt ervoor dat de wiskunde niet te zwaar wordt voor computers om in realtime te verwerken.

Hoe het Werkt: Het Verschuivende Venster

De kern van hun ontdekking is een "sliding window" (verschuivend venster) benadering. Terwijl het systeem (zoals een robot of een auto) beweegt, pakt de methode constant de meest recente datapunten — zeg, de laatste 5 seconden aan beweging — en gebruikt deze om de huidige "persoonlijkheid" (het wiskundige model) van het systeem te schatten.

Omdat het systeem mogelijk ruis bevat (sensoren kunnen een beetje onnauwkeurig zijn) of verandert (de robot kan een zware doos oppakken), raadt de methode niet zomaar één enkel getal voor de snelheid of richting. In plaats daarvan berekent het een verzameling van alle mogelijke modellen die de gebeurtenissen zouden kunnen verklaren. Het is alsoك zeggen: "De auto kan ergens tussen de 10 en 12 mph rijden, en het kan tussen de 5 en 7 graden draaien." Deze verzameling bevat gegarandeerd het werkelijke gedrag van het systeem, zelfs met de ruis.

Zodra ze deze "verzameling van mogelijke modellen" hebben, gebruiken ze deze om te voorspellen waar het systeem naartoe gaat. Ze tekenen een nieuwe veiligheidsbubbel rond de voorspelde toekomstige posities. Als het systeem plotseling verandert (zoals wanneer de robot die zware doos oppakt), treedt het "vergeten"-gedeelte van hun algoritme in werking, de oude data wordt weggegooid en de bubbel wordt opnieuw getekend om bij de nieuwe realiteit te passen.

Wat Ze Hebben Gevonden: Betere Veiligheid, Minder Wachten

Het team heeft hun idee op drie verschillende manieren getest, en de resultaten waren veelbelovend:

De Veranderende Lijn: Ze simuleerden een systeem waarbij de regels in de loop van de tijd licht veranderden. De oude methode (die alle gegevens uit het verleden gebruikt) slaagde er niet in om de veiligheidsbubbel groot genoeg te houden, wat betekende dat het dacht dat het systeem veiliger was dan het in werkelijkheid was. De nieuwe methode hield de bubbel echter perfect op maat, waardoor de veiligheid gewaarborgd bleef terwijl het systeem veranderde.
De Wankele Robot: Ze testten het op een simulatie van een chemische reactor (een complex, wankel systeem). De nieuwe methode creëerde een veiligheidsbubbel die nauwkeuriger en minder conservatief was dan de oude methode, wat betekent dat het minder ruimte verspilde terwijl het nog steeds veilig bleef.
De Echte Robotauto: Ze namen een echte autonome racewagen (een JetRacer) en lieten deze rondrijden. In één test voegden ze een gewicht van 2 kg toe aan de auto om een plotselinge verandering te simuleren. De oude methode raakte in de war en slaagde er niet in het pad van de auto correct te voorspellen. De nieuwe methode paste zich echter direct aan, herberekende de veiligheidsbubbel terwijl de auto zwaarder werd, en voorspelde succesvol waar de auto naartoe zou gaan.

Waarom Dit Belangrijk Is

Het meest opwindende deel van dit papier is dat het geen "trainingsfase" nodig heeft. Je hoeft niet uren aan data op te nemen voordat je het veiligheidssysteem kunt gebruiken. Het werkt online, wat betekent dat het leert en de veiligheidsbubbel bijwerkt terwijl de robot daadwerkelijk beweegt.

Dit is een enorme doorbraak voor zaken als zelfrijdende auto's of medische robots. Als een zelfrijdende auto een ijslaag raakt, of een robotarm een zwaar gereedschap oppakt, moet het systeem nu meteen weten dat de regels van zijn beweging zijn veranderd. Deze nieuwe methode stelt de computer in staat om te zeggen: "Oké, de regels zijn veranderd, laten we de veiligheidsbubbel onmiddellijk opnieuw tekenen," zonder dat alles vanaf nul opnieuw berekend hoeft te worden.

De auteurs hebben bewezen dat hun methode werkt via simulaties en experimenten in de echte wereld, waarbij ze lieten zien dat het robuust is, minder conservatief is (het verspilt dus minder ruimte) en in staat is om systemen te verwerken die van gedachten veranderen tijdens het bewegen. Het is een stap naar het maken van autonome systemen die niet alleen slim zijn, maar ook aanpasbaar en veilig in een rommelige, veranderende wereld.

Technische Samenvatting: Online Data-gestuurde Bereikbaarheidsanalyse met behulp van Zonotopische Recursieve Kleinste Kwadraten

1. Probleemstelling

Moderne cyber-fysieke systemen (CPS) vereisen formele veiligheidsverificatie om te garanderen dat ze geen onveilige toestanden bereiken. Bereikbaarheidsanalyse is een primaire techniek hiervoor, die streeft naar het berekenen van de verzameling van alle toestanden die een systeem kan bereiken, gegeven onzekere begincondities, inputs en procesruis.

Klassieke modelgebaseerde benaderingen vertrouwen op nauwkeurige, vooraf gedefinieerde analytische dynamica. Echter, in veel real-world scenario's is het construeren van een exact systeemmodel niet triviaal of zelfs onmogelijk vanwege complexe, onbekende of tijdvariërende dynamica. Daartegenover staan bestaande data-gestuurde benaderingen die vaak grote hoeveelheden vooraf verzamelde offline data vereisen om een consistente set modellen te construeren. Deze batch-methoden hebben moeite met systemen waarvan de modellen in de loop van de tijd veranderen (tijdvariërende dynamica) of wanneer offline dataverzameling onhaalbaar is. Bovendien vormen hoogdimensionale systemen een uitdaging voor de schaalbaarheid van methoden die Hamilton-Jacobi partiële differentiaalvergelijkingen oplossen.

Dit artikel adresseert de uitdaging van het berekenen van over-benaderde bereikbare verzamelingen voor discrete-tijd systemen waarbij:

Het systeemmodel onbekend is.
Alleen online, ruisgevoelige input-toestandmetingen beschikbaar zijn.
De systeemdynamica tijdvariërend (Lineair Tijdvariërend of LTV) of niet-lineair (Lipschitz-continu) kan zijn.
Er geen vooraf opgenomen offline datasets beschikbaar zijn voor initiële modelidentificatie.

2. Methodologie

Het voorgestelde framework bestaat uit twee hoofdonderdelen: een recursieve parameterschattingsmethode en een data-gestuurd bereikbaarheids-propagatiealgoritme.

2.1 Exponentieel Vergetende Zonotopische Recursieve Kleinste Kwadraten (EF-ZRLS)

Om de onbekende, tijdvariërende systeemmodellen uit ruisgevoelige data te schatten, stellen de auteurs de EF-ZRLS methode voor. In tegen tegenstelling tot standaard Recursieve Kleinste Kwadraten (RLS die een enkel punt schat, schat EF-ZRLS een verzameling modellen (gerepresenteerd als een matrix-zonotoop) die gegarandeerd de ware systeemparameters bevat.

Set-gebaseerde Schatting: De methode onderhoudt een tijdvariërende matrix-zonotoop $\mathcal{M}_k = \langle C_k, G_k \rangle$ , waarbij $C_k$ de centrummatrix is en $G_k$ de generator-matrix. De ware parametermatrix $\theta_{tr,k}$ ligt gegarandeerd binnen deze verzameling.
Omgaan met Ruis en Variaties: De methode houdt rekening met:
- Meetruis ( $v_k$ ): Begrensd door een bekende zonotoop.
- Parametervariaties ( $\delta \theta_k$ ): Er wordt vanuit gegaan dat het model langzaam tijdvariërend is, waarbij veranderingen begrensd worden door een bekende zonotoop.
Exponentieel Vergeten: Een vergetingsfactor $\lambda \in (0, 1]$ wordt geïntroduceerd. Deze factor vermindert exponentieel de invloed van historische data op de covariantie-update, waardoor de estimator kan adapteren aan tijdvariërende dynamica.
Optimale Gain: De auteurs leiden een optimale correctie-gain $K_k^*$ af die de trace van de covariantie-matrix minimaliseert (de grootte van de geschatte set), wat zorgt voor de meest nauwkeurige over-benadering gegeven de ruisgrenzen.
Vector versus Matrix Vorm: De methode is geformuleerd voor multi-output regressiemodellen met behulp van matrix-zonotopen, waardoor de computationele overhead van conversie naar vector-permutatievormen (die de dimensionaliteit verhogen via Kronecker-producten) wordt vermeden.

2.2 Data-gestuurde Bereikbaarheidsanalyse

Gebruikmakend van de geschatte tijdvariërende verzameling modellen, berekent het framework forward reachable sets voor twee klassen systemen:

Lineaire Tijdvariërende (LTV) Systemen:
- Het systeem wordt gemodelleerd als $x_{k+1} = A_{tr,k}x_k + B_{tr,k}u_k + w_k$ .
- Het algoritme (Algoritme 1) werkt de modelset recursief bij met behulp van EF-ZRLS.
- Om het gebrek aan nieuwe data tijdens de voorspellingshorizon op te vangen, neemt de methode aan dat de modelvariatie begrensd is door een bekende constante ( $\sigma_{AB}$ ) en breidt de modelset dienovereenkomstig uit.
- Een ruimtelijke generalisatiefoutterm ( $Z_\epsilon$ ) wordt toegevoegd om de dichtheid van de data ten opzichte van de continue state-input ruimte te compenseren.
Niet-lineaire Lipschitz Systemen:
- De niet-lineaire functie $f(x_k, u_k)$ wordt benaderd via een eerste-orde Taylor-expansie rond een linearisatiepunt, wat resulteert in een tijdvariërend lineair model plus een Lagrange-restterm $L(z_k)$ .
- De EF-ZRLS schat de tijdvariërende parameters van het gelineariseerde model.
- De restterm $L(z_k)$ wordt over-benaderd met een zonotoop ( $Z_L$ ) afgeleid van de data in een sliding window, waarbij gebruik wordt gemaakt van de Lipschitz-continuïteitsaanname.
- Een extra foutterm ( $Z_{\bar{\epsilon}}$ ) houdt rekening met de Lipschitz-constante en de datadichtheid.

3. Belangrijkste Bijdragen

Het artikel beschrijft vier primaire bijdragen:

EF-ZRLS Methode: Een nieuwe set-gebaseerde recursieve estimator voor tijdvariërende multi-output regressiemodellen met begrensde ruis. Het artikel vestigt de optimaliteit van de estimator en leidt de optimale correctie-gain af (Theorema 1).
LTV Bereikbaarheidsalgoritme: Een algoritme (Algoritme 1) om over-benaderde bereikbare verzamelingen te berekenen voor discrete-tijd LTV-systemen onderhevig aan begrensde procesruis en modelvariaties (Theorema 2).
Niet-lineaire Lipschitz Bereikbaarheidsalgoritme: Een uitbreiding (Algoritme 2) om over-benaderde bereikbare verzamelingen te berekenen voor een klasse van discrete-tijd niet-lineaire Lipschitz-systemen (Theorema 3).
Validatie: Uitgebreide validatie via numerieke simulaties en een real-world experiment op een autonoom voertuig, waarbij de voorgestelde methode wordt afgezet tegen bestaande batch Least Squares (LS) benaderingen.

4. Resultaten en Evaluatie

De auteurs evalueren de voorgestelde methode tegen een batch LS-benadering (uit referentie [2]) aan de hand van drie scenario's:

LTV Systeem (Statische Parameters): In een scenario zonder parameterveranderingen convergeert de voorgestelde EF-ZRLS naar dezelfde bereikbare verzameling als de batch LS-methode na een voldoende aantal iteraties, wat de consistentie van de recursieve benadering valideert.
LTV Systeem (Tijdvariërende Parameters): Wanneer systeemparameters in de loop van de tijd veranderen, faalt de batch LS-methode om de ware bereikbare verzamelingen te over-benaderen (omdat deze steunt op statische offline data). In contrast hiermee slaagt de voorgestelde EF-ZRLS erin de veranderende dynamica te volgen en een geldige over-benadering te behouden.
Niet-lineair Lipschitz Systeem (CSTR): Toegepast op een Continuous Stirred Tank Reactor-model, levert de voorgestelde methode minder conservatieve bereikbare verzamelingen op dan de batch LS-methode. Dit wordt toegeschreven aan de recursieve update van het gelineariseerde model en de lokale schatting van de Lagrange-restterm, terwijl de batch-methode een globale restterm berekent over de gehele offline dataset.
Real-World Experiment (Autonoom Voertuig): Met behulp van een JetRacer robot werd de methode getest onder twee condities:
1. Statische Omgeving: De methode produceerde minder conservatieve verzamelingen dan de batch LS-methode zonder dat daarvoor vooraf verzamelde data nodig waren.
2. Dynamische Omgeving (Payload Verandering): Een payload van 2 kg werd aan het voertuig toegevoegd, wat een modelwijziging simuleert. De voorgestelde methode bleef robuust en geldig, terwijl de batch LS-methode faalde in het over-benaderen van de bereikbare verzamelingen.

5. Betekenis en Claims

Het artikel claimt dat het voorgestelde framework een significante vooruitgang biedt in de veiligheidsanalyse voor systemen waar nauwkeurige modellen niet beschikbaar zijn of tijdvariërend zijn. De belangrijkste punten van betekenis zijn:

Online Operatie: De methode werkt uitsluitend op basis van real-time data, waardoor de noodzaak voor vooraf opgenomen offline experimenten vervalt. Dit is cruciaal voor systemen waarbij de dynamica evolueert of offline data moeilijk te verzamelen is.
Robuustheid tegen Tijdvariantie: Door gebruik te maken van exponentieel vergeten en set-gebaseerde schatting, blijft de methode robuust onder langzaam variërende dynamica, een beperking van statische batch-identificatiemethoden.
Verminderde Conservatisme: De aanpak produceert minder conservatieve over-benaderingen van de bereikbare verzameling vergeleken met bestaande technieken, met name voor niet-lineaire systemen, door gebruik te maken van lokale data-updates in plaats van globale offline benaderingen.
Schaalbaarheid: Het gebruik van zonotopen en matrix-formuleringen biedt een betere schaalbaarheid voor hoogdimensionale systemen vergeleken met methoden die Hamilton-Jacobi PDE's oplossen.

De auteurs concluderen dat hoewel de methode effectief is, toekomstig werk zich zal richten op het uitbreiden van de EF-ZRLS naar het gebruik van adaptieve vergetingsfactoren ( $\lambda$ ) om de conservativiteit van de geschatte modelsets verder te reduceren.