💻 computer science

Online Learning-Enhanced High Order Adaptive Safety Control

Dit artikel presenteert een efficiënte, online leergestuurde adaptieve veiligheidscontrole voor hoge-orde systemen, gebaseerd op Neural ODEs, die de veiligheid van een nano-quadcopter garandeert zelfs onder complexe, tijdsvariërende verstoringen zoals wind van 18 km/u.

Oorspronkelijke auteurs: Lishuo Pan, Mattia Catellani, Thales C. Silva, Lorenzo Sabattini, Nora Ayanian

Gepubliceerd 2026-04-15

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Lishuo Pan, Mattia Catellani, Thales C. Silva, Lorenzo Sabattini, Nora Ayanian

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 heel klein, kwetsbaar drone-vliegtuigje bestuurt. Het moet een rondje vliegen rond een obstakel, zoals een boom of een muur, en het moet op elke seconde precies weten: "Ik mag niet te dichtbij komen, anders crasht ik."

In de robotica noemen we dit een veiligheidscontrole. De meeste moderne drones gebruiken een slimme wiskundige formule (een "CBF" of Control Barrier Function) om dit te doen. Het is alsof je een onzichtbaar veiligheidsnet hebt dat de drone vertelt: "Hou je hierbinnen, dan ben je veilig."

Het probleem:
Deze formules werken perfect... zolang de drone zich precies voordoet zoals de ingenieurs hebben bedacht. Maar in de echte wereld is dat zelden zo.
Stel je voor dat de drone een last draagt die hij niet verwacht, of dat er een plotselinge windvlaag van 18 km/u op komt zetten. De drone wordt dan uit zijn evenwicht geduwd. De oude veiligheidsformule denkt nog steeds dat de drone zich als een perfect, statisch object gedraagt. Het resultaat? De drone denkt dat hij veilig is, terwijl hij in feite tegen de boom vliegt. De "veiligheid" is een leugen geworden omdat het model niet klopt.

De oplossing van dit papier:
De onderzoekers hebben een slimme oplossing bedacht die we NODE-HO-aCBF kunnen noemen. Laten we het vergelijken met een ervaren piloot met een slim bijrijder.

De Basis (De Nominaal Model): Dit is de "theoretische piloot". Hij kent de regels en de basisfysica van de drone. Hij zegt: "Normaal gesproken vlieg ik zo."
De Leerling (Het Neuronale Netwerk): Dit is de "bijrijder" die continu kijkt naar wat er echt gebeurt. Als de wind de drone naar links duwt, ziet de bijrijder dit direct. Hij zegt tegen de piloot: "Hé, we worden naar links geduwd, dat staat niet in je boekje!"
De Symbiose (Hybride aanpak): In plaats van de hele drone opnieuw te leren vliegen (wat veel tijd en data kost), leert de bijrijder alleen het verschil tussen wat er zou moeten gebeuren en wat er echt gebeurt. Dit noemen ze een "residu".

Hoe werkt het in de praktijk?
Stel je voor dat je een drone bestuurt in een storm.

Oude methode: De drone probeert de wind te negeren omdat zijn formule dat niet kent. Hij vliegt recht de boom in.
Nieuwe methode (deze paper): De drone merkt de eerste windvlaag. Zijn "bijrijder" (de AI) leert direct: "Oh, bij deze snelheid duwt de wind mij 2 meter naar links." De drone past zijn vluchtpad terwijl hij vliegt aan. Hij leert van zijn fouten en wordt veiliger, seconde na seconde.

De "Neural ODE" (De slimme rekenmachine):
Een groot probleem bij AI is dat het vaak traag is of vastloopt als de tijd tussen metingen onregelmatig is (zoals in de echte wereld). De onderzoekers gebruiken een techniek genaamd Neural ODE.

Analogie: Stel je voor dat je een auto rijdt. De meeste AI's kijken alleen naar de foto's die je elke seconde maakt. Deze Neural ODE kijkt echter naar het verloop van de rit. Hij begrijpt dat als je nu hard remt, je over 0,5 seconde op een andere snelheid zit, zelfs als je de camera net even hebt weggedraaid. Dit maakt het systeem extreem snel en flexibel, zelfs als de data niet perfect is.

Wat hebben ze bewezen?
Ze hebben dit getest met een heel klein drone-vliegtuigje (slechts 38 gram, lichter dan een ei!). Ze lieten hem vliegen in een kamer met een enorme ventilator die wind van 18 km/u blies.

De oude systemen (zonder leerfunctie) botsten of vlogen onveilig.
De systemen die wel leerden, maar alleen "offline" (vooraf ingeladen met data), deden het goed, maar waren niet flexibel genoeg voor nieuwe windvlagen.
Deze nieuwe methode: De drone leerde terwijl hij vloog. Na de eerste windvlaag wist hij precies hoe hij moest compenseren. Hij bleef veilig, zelfs als de wind veranderde.

Kortom:
Dit papier introduceert een drone-besturingssysteem dat niet alleen "slim" is, maar ook leerzaam. Het combineert de zekerheid van wiskundige regels met de aanpassingsvermogen van moderne AI. Het is alsof je een drone geeft die niet alleen de regels kent, maar ook leert van de wind, zodat hij nooit meer tegen een muur vliegt, hoe stormachtig het ook wordt.

Titel: Online Learning-Enhanced High Order Adaptive Safety Control

Auteurs: Lishuo Pan, Mattia Catellani, Thales C. Silva, Lorenzo Sabattini, Nora Ayanian.
Publicatie: IEEE Robotics and Automation Letters (Preprint, April 2026).

1. Probleemstelling

Control Barrier Functions (CBF's) zijn een krachtig modelgebaseerd hulpmiddel om de veiligheid van robotische systemen formeel te garanderen door een veilige verzameling (safe set) invariant te houden. Echter, de effectiviteit van CBF's in de praktijk is sterk afhankelijk van de nauwkeurigheid van het dynamisch model.

Onnauwkeurigheid: In real-world scenario's (zoals drones met veranderende ladingen of onder invloed van wind) treden vaak modelmismatches en externe verstoringen op.
Veiligheidsrisico: Als het model onnauwkeurig is, kunnen de veiligheidsgaranties van een CBF falen, wat leidt tot botsingen of onveilige toestanden.
Beperkingen van bestaande methoden:
- Robuuste CBF's: Vereisen kennis van de bovengrenzen van onzekerheid en leiden vaak tot te conservatieve controllers.
- Aanpassende CBF's (aCBF's): Bestaande methoden vereisen vaak offline training of sterke aannames (zoals lineaire residu-modellen met bekende matrices). Ze kunnen vaak niet omgaan met tijdsvariërende, niet-lineaire residu's buiten de trainingsverdeling.
- Pure leer-methoden: Vereisen vaak grote hoeveelheden data en offline training, wat onpraktisch is voor snelle online adaptatie.

Het doel van dit werk is een controller te ontwikkelen die veiligheidsgaranties kan handhaven en verbeteren online, zelfs onder complexe, tijdsvariërende modelverstoringen, zonder uitgebreide offline training of sterke aannames over de aard van de verstoringen.

2. Methodologie

De auteurs stellen een Learning-Enhanced High Order Adaptive Control Barrier Function (NODE-HO-aCBF) voor. De kern van de aanpak is een hybride architectuur die een nominaal model combineert met een leercomponent.

Hybride Model (KNODE):
- Het systeemmodel wordt opgebouwd als: $\dot{x} = f(x) + g(x)u + \hat{d}_\theta(x)$ .
- Hierbij is $f(x) + g(x)u$ het bekende nominale model en $\hat{d}_\theta(x)$ een residu-model geschat door een Neural Network met parameters $\theta$ .
- Ze gebruiken Knowledge-based Neural ODEs (KNODE). In plaats van de toestand direct te leren, leert het netwerk de dynamica (de afgeleide) direct. Dit maakt het mogelijk om data met verschillende tijdsintervallen te verwerken (cruciaal voor real-time systemen) en behoudt de fysica van het systeem.
High-Order CBF (HOCBF) Formulering:
- Voor de meeste mechanische systemen (zoals quadrotors) is de relatieve graad van de veiligheidsfunctie groter dan 1. Daarom wordt een HOCBF gebruikt.
- De auteurs generaliseren de standaard aCBF naar een High Order Adaptive CBF.
- De Lie-afgeleide van het geschatte residu ( $\hat{d}_\theta$ ) wordt expliciet opgenomen in de CBF-beperkingen van de kwadratische programmering (QP). Dit zorgt ervoor dat de controller rekening houdt met de onbekende dynamica tijdens het berekenen van de veilige stuurbeweging.
Online Leerproces:
- De controller draait op 100 Hz.
- Een FIFO-queue (First-In-First-Out) slaat recente toestand-stuurpaar data op.
- Het neurale netwerk wordt online getraind op deze data om het residu $\hat{d}_\theta$ te verfijnen.
- Het systeem ondersteunt zowel een "offline" modus (vooraf trainen op verzamelde data) als een "online" modus (leren tijdens de vlucht zonder voorafgaande training).

3. Belangrijkste Bijdragen

NODE-HO-aCBF Framework: Een nieuwe architectuur die CBF's combineert met Neural ODEs om veiligheidsgaranties te behouden onder complexe, tijdsvariërende modelverstoringen.
Online Adaptatie zonder Offline Training: Het systeem kan residu's online leren en aanpassen zonder dat er eerst uitgebreide offline vluchtdata nodig is (hoewel het dit wel kan gebruiken).
Generalisatie naar Hoge Orde: De methode generaliseert adaptieve CBF's naar systemen met een relatieve graad > 1, wat essentieel is voor mechanische systemen zoals drones.
Data-efficiëntie: Door gebruik te maken van een nominaal model en alleen de residu's te leren, is de methode veel data-efficiënter dan pure leer-methoden.

4. Resultaten

Simulaties:

Scenario's: Getest met een dubbele integrator onder drie soorten residu's: "Aantrekkend", "Afstotend" en "Tijdsvariërend".
Vergelijking: De NODE-HO-aCBF werd vergeleken met standaard HOCBF, HO-aCBF (met lineaire aanpassing) en andere baselines.
Uitkomsten:
- Standaard HOCBF en HO-aCBF faalden vaak bij tijdsvariërende of niet-lineaire residu's (veiligheidsschendingen).
- De NODE-HO-aCBF (zowel online als offline) slaagde erin om veilig te blijven en zich aan te passen.
- De online versie toonde een iets langzamere convergentie ("learning delay") aan het begin, maar presteerde uiteindelijk beter dan de offline versie bij sterk veranderende omstandigheden omdat het continu bijleert.
- De methode was minder gevoelig voor tuning dan de HO-aCBF-baselines, die sterke aannames over de structuur van de onzekerheid vereisten.

Fysieke Experimenten:

Platform: Een nano-quadcopter van slechts 38 gram (Crazyflie 2.1).
Omgeving: De drone vloog tegen een turbulente wind van 18 km/u (gegenereerd door een ventilator).
Resultaten:
- Baseline controllers (HOCBF en HO-aCBF) konden de wind niet compenseren en kwamen in onveilige situaties terecht of botsten met het obstakel.
- De Online NODE-HO-aCBF verbeterde de veiligheid direct "on-the-fly". Na het ervaren van de wind eenmaal, paste de drone zich aan en bleef op een veilige afstand.
- De Offline NODE-HO-aCBF (vooraf getraind) presteerde vanaf het begin uitstekend.
- Kwantitatief gezien hadden de auteurs' methoden de kleinste afstanden tot de veiligheidsgrens en de minst variabele trajecten in de gestabiliseerde fase, vergeleken met alle andere methoden.

5. Betekenis en Impact

Dit werk is significant omdat het een brug slaat tussen modelgebaseerde veiligheidscontrole en datagedreven leren.

Robuustheid: Het biedt een oplossing voor het probleem dat CBF's in de praktijk vaak falen door modelonvolkomenheden.
Real-time toepasbaarheid: Het bewijst dat complexe, niet-lineaire aanpassingen mogelijk zijn op zeer beperkte hardware (38g drone) met hoge frequentie (100Hz).
Toekomstperspectief: De methode is cruciaal voor toekomstige toepassingen zoals zwermen van drones die dicht bij elkaar moeten vliegen in dynamische omgevingen, waar vooraf bekende modellen vaak ontoereikend zijn.

Samenvattend biedt deze paper een robuust framework dat de theoretische veiligheid van CBF's verenigt met de flexibiliteit van online leren, waardoor robots veiliger kunnen opereren in onvoorspelbare, real-world omgevingen.