Physics-Informed Neural Networks for Nonlinear Output Regulation

1. Probleemstelling

Het paper behandelt het niet-lineaire output-regelingsprobleem voor systemen waarbij zowel de plant-toestand ($x$) als de exosysteem-toestand ($w$) bekend zijn (full-information setting). Het doel is het ontwerpen van een feedback-regelwet zodat de systeemoutput asymptotisch een referentietrajectorie volgt of verstoringen afwijst die worden gegenereerd door een exosysteem.

• Theoretische Uitdaging: Het oplossen van dit probleem vereist het vinden van twee afbeeldingen: een steady-state toestandsmanifold $\pi(w)$ en een feedforward-input $c(w)$. Deze afbeeldingen moeten voldoen aan de Regulatorvergelijkingen (REs), een stelsel van partiële differentiaalvergelijkingen (PDEs) gekoppeld aan algebraïsche constraints (Isidori-Byrnes-vergelijkingen).
• Beperkingen van Bestaande Methoden:
  • Analytisch: Exacte oplossingen zijn zelden beschikbaar voor niet-lineaire systemen.
  • Benadering (Galerkin/Taylor): Deze methoden schalen slecht met niet-lineariteit, zijn alleen geldig in kleine omgevingen van de oorsprong, of vereisen complexe hogere-orde expansies.
  • Vorige Neuronale Netwerkbenaderingen: Eerdere NN-gebaseerde oplossingen leunden op data-fitting met ondiepe modellen en misten het vermogen om te generaliseren over verschillende systeemparameters of beginvoorwaarden zonder hertraining.

2. Methodologie

De auteurs stellen een Physics-Informed Neural Network (PINN)-kader voor om de Regulatorvergelijkingen direct op te lossen, waarbij de noodzaak voor gelabelde datasets of vooraf berekende trajectoires wordt omzeild.

Kernconcept

In plaats van een tijdsafhankelijk traject te leren, leert het netwerk een steady-state operator die exosysteem-toestanden $w$ direct afbeeldt op de vereiste plant-toestanden $\pi(w)$ en regelinputs $c(w)$.

Architectuur en Training

• Netwerkstructuur: Een volledig verbonden neuronale netwerk ($n_\xi$) met vier verborgen lagen en $\approx 8 \times 10^4$ parameters. Het neemt de exosysteem-toestand $w$ als input en geeft benaderingen $\hat{\pi}(w)$ en $\hat{c}(w)$ als output.
• Verliesfunctie: De training is onzelftoezichtend. De verliesfunctie $J$ minimaliseert de residuen van de Regulatorvergelijkingen en dwingt randvoorwaarden af:
  $$J = J_{PDE} + \lambda \cdot J_{BC}$$
  • $J_{PDE}$: De gemiddelde kwadratische fout van de PDE-residuen ($L_s\hat{\pi} - f(\hat{\pi}, \hat{c}, w)$) en algebraïsche constraints ($h(\hat{\pi}, w)$).
  • $J_{BC}$: Een strafterm voor randvoorwaarden (bijv. actuatorlimieten).
  • Automatische Differentiatie: Wordt gebruikt om Lie-afgeleiden ($L_s\pi$) te berekenen met betrekking tot de netwerkinput $w$, waardoor het netwerk de fysica van de exosysteem-dynamica "begrijpt".
• Generalisatiestrategie: Het netwerk wordt getraind door een familie van dynamische systemen te bemonsteren (variërende exosysteem-beginvoorwaarden en parameters zoals frequentie $\Omega$). Dit dwingt het netwerk om een algemene oplossingsoperator te leren in plaats van een specifiek geval.

3. Casestudie: Helikopter Verticale Landing

Om de aanpak te valideren, pasten de auteurs de methode toe op een niet-lineaire benchmark: het synchroniseren van de verticale dynamiek van een helikopter met een harmonisch oscillerend platform.

• Systeemdynamica: Gemodelleerd als een star lichaam met ondergeactiveerde, multi-input niet-lineaire dynamica (hoofdrotorstuwkracht, staartrotorstuwkracht en rotorhellingen).
• Exosysteem: Een harmonische oscillator die een verticale sinusvormige referentie genereert met onbekende frequentie en amplitude.
• Regulatorvergelijkingen: Het probleem werd gereduceerd tot het oplossen voor steady-state rol- en hellingshoeken ($\pi_\phi, \pi_\theta$) en een specifieke regelinput ($c_b$) die voldoen aan de gekoppelde PDEs afgeleid uit Newton-Euler-vergelijkingen.
• Constraints: De oplossing moet de actuatorlimieten respecteren (bijv. $|u_b| \leq 0.3491$).

4. Belangrijkste Resultaten

Het kader werd getest op een consument-GPU met een simulatiehorizon van 30 seconden.

• Hoge-Fideliteit Reconstructie: De PINN reconstrueerde succesvol de zero-error manifold met hoge nauwkeurigheid. De geleerde afbeeldingen ($\pi(w), c(w)$) vingen het door het exosysteem geïnduceerde oscillerende gedrag correct op.
• Generalisatie:
  • De regelaar behield een lage volgfout over een breed scala aan exosysteemfrequenties en beginvoorwaarden, inclusief configuraties die niet tijdens de training waren gezien (out-of-distribution).
  • In "in-distribution" en "out-of-distribution" scenario's was de residuale volgfout ongeveer twee ordes van grootte kleiner dan het referentiesignaal.
• Herstel Trim-voorwaarde: Wanneer de exosysteem-toestand nul was (geen verstoring), herstelde het netwerk correct de bekende "trim"-voorwaarde (steady hover-inputs) voor de helikopter, wat de fysieke consistentie van de oplossing valideert.
• Prestatiemetrics:
  • Training: Voltooid in een paar minuten.
  • Inferentie: Lichtgewicht forward pass geschikt voor real-time embedded implementatie.
  • Fout: De mediaan absolute verticale volgfout was $\approx 0.031$ m, waarbij de meeste fouten verwaarloosbaar waren. Divergentie trad alleen op in extreme, sterk niet-lineaire regio's (hoge frequentie/amplitude), toegeschreven aan het ontwerp van de feedback-stabilisator in plaats van het onvermogen van de PINN om de REs op te lossen.

5. Betekenis en Bijdragen

• Data-efficiënt Oplossen: Demonstreert dat complexe niet-lineaire PDEs in de regeltheorie kunnen worden opgelost zonder enorme datasets, uitsluitend vertrouwend op de wiskundige structuur van het systeem (physics-informed).
• Operator Learning: De aanpak verschuift van het oplossen van een enkel geval naar het leren van een oplossingsoperator die generaliseert over een familie van systemen, waardoor het robuust is voor parametervariaties.
• Real-time Haalbaarheid: De methode overbrugt de kloof tussen theoretische niet-lineaire regeling (die vaak computationeel onbetaalbaar is) en praktische implementatie, en biedt een computationeel efficiënte weg naar real-time regeling op embedded hardware.
• Brede Toepasbaarheid: Hoewel getest op een helikopter, is de methodologie toepasbaar op elk niet-lineair systeem waarbij het output-regelingsprobleem een oplossing toestaat, mits de Regulatorvergelijkingen kunnen worden geformuleerd.

6. Beperkingen en Toekomstig Werk

• Full-Information Aanneming: De huidige methode veronderstelt dat de exosysteem-toestand $w$ beschikbaar is voor feedback. Toekomstig werk heeft als doel dit uit te breiden naar partial-information settings (het schatten van $w$).
• Feedback Stabilisatie: Het paper richt zich op het oplossen van de REs (feedforward). De stabiliteit van het gesloten-lust-systeem berust op een aparte feedback-versterking, die empirisch werd afgestemd. Toekomstig werk zou geavanceerde stabiliserende feedback-ontwerpen kunnen integreren om het haalbare bedrijfsgebied te vergroten.
• Plant-onzekerheid: Het uitbreiden van het kader om families van plants met parametrische onzekerheid te verwerken (randomiseren van plant-parameters tijdens training) is een voorgestelde richting.