⚡ electrical engineering

Safety-Critical Control via Recurrent Tracking Functions

Dit artikel introduceert Recurrente Tracking Functies (RTF's) als een oplossing voor het synthetiseren van veiligheidskritieke controllers voor hoog-orde niet-lineaire systemen, waarbij door het vervangen van monotoon verval door een eindige-tijd recurrentievoorwaarde veilige besturing mogelijk wordt gemaakt zonder de constructie van complexe Control Barrier Functies voor het volledige model.

Oorspronkelijke auteurs: Jixian Liu, Enrique Mallada

Gepubliceerd 2026-04-06

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Jixian Liu, Enrique Mallada

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 zeer complexe, zware machine bestuurt, zoals een vliegende drone of een robot met veel benen. Deze machine heeft duizenden bewegende onderdelen en is moeilijk te voorspellen. Je wilt dat deze machine veilig blijft (bijvoorbeeld: niet tegen een muur vliegen), maar het is bijna onmogelijk om een perfecte veiligheidsregelaar te bouwen die voor elke mogelijke situatie werkt.

Dit artikel van Jixian Liu en Enrique Mallada biedt een slimme oplossing voor dit probleem. Ze gebruiken een strategie die lijkt op het werken met een stuurman en een kapitein.

Hier is de uitleg in simpele taal, met behulp van analogieën:

1. Het Probleem: De "Te Complexe Kaart"

Stel je voor dat je een gigantische, ingewikkelde stad moet navigeren (de volledige machine, of FoM). Het is zo groot en complex dat het onmogelijk is om voor elke straat en elk hoekje een perfecte veiligheidskaart te tekenen. Als je probeert alles tegelijk te regelen, raak je in de war en faalt het systeem.

De oplossing die anderen vaak proberen, is een vereenvoudigde kaart te gebruiken (het RoM of "Reduced-Order Model"). Dit is alsof je alleen kijkt naar de hoofdstraten en de grote obstakels, en negeert hoe de wielen precies draaien of hoe de motor trilt.

Het probleem: Als je alleen naar de hoofdstraten kijkt, kun je een veilig pad plotten. Maar wat als de echte machine (met al die trillingen en details) niet precies doet wat de kaart zegt? Dan kun je toch tegen een muur vliegen.

2. De Oude Methode: De "Perfecte Dans"

Vroeger was de enige manier om dit veilig te maken om te eisen dat de machine perfect en onmiddellijk de kaart volgt.

De analogie: Stel je een danspartner voor. De oude regel was: "Je mag nooit een stapje naast je partner zetten. Als je afwijkt, moet je direct en continu terug naar de perfecte positie."
Het nadeel: Dit is extreem moeilijk te bereiken, vooral als de machine niet overal even krachtig is (zoals een robot met één motor die minder sterk is dan de andere). Het is alsof je eist dat een danser nooit struikelt, zelfs niet voor een seconde.

3. De Nieuwe Uitvinding: "Recurrente Tracking" (RTF)

De auteurs zeggen: "Wacht even, we hoeven niet perfect te zijn, zolang we maar binnen een bepaalde tijd weer op het goede spoor zitten."

Ze introduceren een nieuw concept: Recurrente Tracking Functions (RTF).

De analogie: Stel je voor dat je een hond aan een lange lijn hebt die een pad moet volgen.
- Oude regel: De hond mag nooit van het pad afwijken.
- Nieuwe regel (RTF): De hond mag wel even rennen, spelen of van het pad afwijken (transiënte afwijking), MAAR hij moet binnen een vastgestelde tijd (bijvoorbeeld 2 seconden) weer terug zijn op het veilige pad.
- Zolang de hond binnen die 2 seconden terugkeert, is hij veilig. Hij mag zelfs even de verkeerde kant op rennen, zolang hij maar niet te lang weg blijft.

4. Hoe werkt het in de praktijk?

De auteurs combineren twee dingen:

De veilige kaart (CBF): Een regeling voor de vereenvoudigde kaart die zegt: "Blijf binnen deze lijnen."
De terugkeer-regel (RTF): Een regeling voor de echte machine die zegt: "Het is oké om even af te wijken, zolang je maar snel genoeg terugkomt."

Ze bewijzen wiskundig dat als je deze twee combineert, de machine altijd veilig blijft, zelfs als hij even "dwaalt".

De sleutel: De machine moet sneller terugkeren naar het veilige pad dan dat hij de gevaarlijke muur nadert. Als je sneller terugkomt dan dat je in gevaar komt, ben je veilig.

5. Wat betekent dit voor de wereld?

Dit is een grote stap vooruit voor:

Vliegende drones: Die kunnen nu even uitwijken voor windstoten zonder dat de computer in paniek raakt, zolang ze maar snel terugvliegen.
Looprobots: Die kunnen struikelen of hinken, maar binnen een fractie van een seconde hun evenwicht herstellen zonder te vallen.
Stroomnetten: Die kunnen pieken in verbruik opvangen zonder dat het hele systeem crasht.

Samenvatting in één zin

In plaats van te eisen dat een complexe machine nooit een fout maakt, laten de auteurs toe dat hij even een fout maakt, zolang hij maar snel genoeg zichzelf corrigeert om veilig te blijven.

Het is alsof je zegt: "Je mag wel even struikelen, zolang je maar niet valt." En dankzij hun wiskundige bewijs weten we nu precies hoe snel je moet opstaan om niet te vallen.

Samenvatting: Veiligheidskritische Regeling via Recurrente Tracking-functies

1. Probleemstelling

Het artikel adresseert de uitdaging om veiligheidskritische controllers te ontwerpen voor hoog-orde niet-lineaire systemen (zoals drones, looprobots en complexe energienetwerken). De kern van het probleem ligt in de constructie van geldige Control Barrier Functions (CBF's).

Huidige beperkingen: Traditionele CBF-methoden vereisen vaak dat de systemen volledig geactiveerd zijn of dat er monotoon dalende Lyapunov-functies bestaan voor de trackingfouten. Voor complexe, niet-lineaire systemen is het vinden van dergelijke functies computationeel onhaalbaar of vereist het te sterke aannames.
Layered Control uitdaging: Een veelgebruikte aanpak is "layered control", waarbij een Reduced-Order Model (RoM) de veiligheidskritieke dynamica vastlegt en een Full-Order Model (FoM) de daadwerkelijke fysieke dynamica regelt. De overdracht van veiligheid van het RoM naar het FoM vereist echter dat de trackingfout tussen beide modellen exponentieel convergeert. Het ontbreken van systematische methoden om dit te garanderen voor ondergeactiveerde systemen beperkt de praktische toepasbaarheid.

2. Methodologie

De auteurs introduceren een nieuw raamwerk dat de strenge eisen voor monotoon dalende functies vervangt door een zwakkere, maar effectieve recurrente voorwaarde.

Recurrente Tracking-functies (RTF): In plaats van te eisen dat een tracking-functie continu daalt (monotoon), eist de RTF dat de functie binnen een uniforme tijdsperiode $\tau$ $τ$ recurrente afname toont. Dit betekent dat de trackingfout tijdelijk mag toenemen, zolang deze binnen een bepaalde tijd $\tau$ $τ$ weer onder een bepaalde drempel terugkeert.
- Voordeel: Voor systemen met exponentieel stabiele trackingfouten is elke norm van de trackingfout een geldige RTF. Dit elimineert de noodzaak om complexe, specifieke Lyapunov-functies te construeren.
Recurrente CBF (RCBF): Door een bestaande CBF voor het RoM te combineren met een RTF voor het FoM, construeren de auteurs een Recurrente Control Barrier Function ( $h_V$ ).
- De nul-super-niveau-set van deze functie ( $S_V$ ) is $\tau$ -recurrent: trajecten mogen deze set tijdelijk verlaten, maar moeten binnen tijd $\tau$ terugkeren.
- Cruciaal is dat de convergentiesnelheid van de trackingfout ( $\beta$ ) groter moet zijn dan de snelheid waarmee het systeem de veiligheidsgrens benadert ( $\alpha$ ). Hierdoor wordt gegarandeerd dat de fysieke staat nooit de onveilige regio bereikt, ondanks de tijdelijke afwijkingen in de tracking.
Robuustheid: Het raamwerk wordt uitgebreid naar scenario's met verstoringen (Input-to-State Safety, ISSf). Door de recurrente set te vergroten met een marge die afhankelijk is van de verstoring, blijft veiligheid gewaarborgd zelfs bij modelonzekerheid.

3. Belangrijkste Bijdragen

Het RTF-raamwerk: De formulering van RTF's als een relaxatie van standaard Lyapunov-afnamevoorwaarden. Het bewijs dat voor Lipschitz-continue systemen met exponentieel stabiele trackingfouten, elke norm van de fout een geldige RTF is.
Veiligheidsanalyse: Een theoretisch bewijs dat als de initiële staat binnen de recurrente set $S_V$ ligt, elke controller die aan de RTF-voorwaarde voldoet, veiligheid voor alle tijdstippen garandeert, zelfs als de trajecten tijdelijk de ideale set verlaten.
Numerieke Validatie: Een proof-of-concept experiment met een 2D dubbel-integrator systeem (een robot met obstakels). Dit toont aan dat:
- Zonder geldige RTF/CBF-combinatie het systeem onveilig wordt.
- Met de voorgestelde methode de trajecten veilig blijven, zelfs wanneer de trackingfout tijdelijk toeneemt.
- De trackingfout exponentieel convergeert en binnen de berekende ISS-bounds blijft.

4. Resultaten

De numerieke simulaties bevestigen de theoretische voorspellingen:

Wanneer de parameter $\alpha$ (snelheid van de CBF-grens) te hoog is gekozen ten opzichte van de trackingcapaciteit ( $\beta$ ), faalt de veiligheid (de robot botst).
Wanneer $\beta > \alpha$ en de initiële staat binnen de berekende set $S_V$ ligt, blijft de afstand tot obstakels ( $h(t)$ ) altijd positief, ondanks dat de trackingfout ( $\|\dot{e}\|$ ) tijdelijk fluctueert.
De methode werkt effectief zelfs bij het activeren van veiligheidsfilters die de snelheid aanpassen, waarbij de fouten gebonden blijven aan de berekende ISS-bounds.

5. Betekenis en Toekomstperspectief

Deze paper biedt een doorbraak in de schaalbaarheid van veiligheidskritieke regeling voor complexe systemen.

Praktische toepasbaarheid: Door de eis van monotoon dalende functies los te laten, wordt het mogelijk om CBF's toe te passen op systemen waar dit voorheen te moeilijk was (bijv. ondergeactiveerde robots).
Flexibiliteit: Het gebruik van eenvoudige normen in plaats van complexe constructies maakt de synthese van controllers veel toegankelijker.
Toekomst: De auteurs plannen om deze methoden te koppelen aan datagedreven verificatie en machine learning, zodat RTF's direct uit trajectdata kunnen worden geleerd zonder expliciete modellering. Ook experimentele validatie op fysieke robotplatforms staat op de agenda.

Kortom, dit werk biedt een robuust theoretisch fundament om veiligheid te garanderen in hoog-complexe systemen door tijdelijke fouten toe te staan, zolang ze binnen een strikt gedefinieerd tijdsvenster worden gecorrigeerd.