Technische Samenvatting: Identificatie van het menselijk model als een dynamische actuator

Probleemformulering

Het artikel behandelt de uitdaging om de respons van een menselijke piloot te karakteriseren als een dynamische actuator binnen een closed-loop controlesysteem. Wanneer een menselijke piloot interageert met een fysiek voertuig (bijv. een vliegtuig of ruimtevaartuig), introduceren hun reactietijd en responscharacteristics dynamiek die de algehele systeemstabiliteit en prestaties beïnvloeden. Dit is cruciaal voor veiligheidsanalyses, zoals het berekenen van "H-V" (Hoogte-Snelheid) diagrammen voor helikopters, waarbij de omvang van onveilige vluchtregimes direct afhangt van de reactievermogens van de piloot.

Bestaande literatuur heeft grotendeels vertrouwd op laag-orde, lineaire, tijdsinvariante modellen die in het frequentiedomein zijn geïdentificeerd, meestal gebruikmakend van single-input, single-output (SISO) aannames. Een significante beperking in eerdere benaderingen (bijv. [5]) is dat ze vaak pilotmodellen aanpassen aan de ruwe commando's van de piloot (bijv. joystickverplaatsing) in plaats van aan de resulterende voertuigrespons. De auteurs stellen dat een pilotmodel geëvalueerd moet worden op basis van het vermogen om een gewenste voertuigtoestand te bereiken (bijv. hoogtevolging), in plaats van simpelweg de inputcommando's te repliceren.

Methodologie

De auteurs stellen een tijd-domein methode voor om dynamische menselijke pilotmodellen te schatten met behulp van geconstreerde trajectoptimalisatie. De kern van de methodologie omvat de volgende stappen:

1. Systeemmodellering:

   • Voertuigdynamica: Gemodelleerd als $\dot{x}_v = f_v(x_v, u_v)$, waarbij $x_v$ de voertuigtoestand is en $u_v$ de controle-input.
   • Pilotdynamica: Gemodelleerd als een dynamisch systeem $\dot{x}_p = f_p(x_p, u_p; \theta)$ en $y_p = h_p(x_p; \theta)$, waarbij $\theta$ de onbekende parameters vertegenwoordigt die geschat moeten worden.
   • Gezamenlijk Systeem: De piloot en het voertuig zijn gekoppeld in een gezamenlijke toestandsvector $x = [x_v, x_p]^T$. De input van de piloot wordt gedefinieerd als de fout tussen de gewenste doelwaarde $\hat{y}$ en de huidige voertuigoutput $y_v$.

2. Gegevensverzameling:

   • Gegevens worden verzameld via een vluchtsimulator waarbij een piloot een voertuig manoeuvreert naar een visuele marker die een doelpositie representeert.
   • Het systeem registreert de voertuigoutput $y_v(t)$ en de joystickcommando's van de piloot over een eindig horizontaal tijdsinterval $[0, T]$ in discrete tijdstappen.
   • De methode vereist geen directe observatie van de interne systeemtoestanden ($x$); in plaats daarvan wordt een impliciete formulering gebruikt.

3. Optimalisatiekader:

   • Het identificatieprobleem wordt geformuleerd als een geconstreerd optimalisatieprobleem om de parametervector $\theta$ en de toestands-traject $X$ te vinden die de fout tussen de gemeten outputs en de door het model voorspelde outputs minimaliseren.
   • Doelfunctie: Minimaliseer de gekwadrateerde $L_2$-norm van het verschil tussen de gemeten outputfout ($\delta Y$) en de modeloutputfout ($H$), uitgaande van Gaussische ruis.
   • Constraints (Beperkingen):
     • Dynamische Consistentie: Het toestands-traject moet voldoen aan de gezamenlijke systeemdynamica $\dot{x} = f(x; \hat{y}, \theta)$. Dit wordt afgedwongen met een discrete differentiematrix $D$ om de tijdsafgeleide te benaderen.
     • Fysieke/Taak-constraints: Ongelijkheidscriteria ($g(X, \theta)$) worden toegepast om fysieke realiteit te waarborgen, zoals het beperken van de joystickverplaatsing en het garanderen van de stabiliteit van het pilotmodel (bijv. via de Routh-Hurwitz criteria).
   • Multi-Trial Aggregatie: Het kader maakt het mogelijk om simultaan een enkel, gemeenschappelijk model $\theta$ te schatten over meerdere experimentele proeven ($M$), waarbij rekening wordt gehouden met natuurlijke variaties in menselijke prestaties.

4. Implementatie:

   • De optimalisatie wordt opgelost met de Non-Linear Programming (NLP) solver IPOPT in MATLAB.
   • Automatische differentiatie wordt gebruikt om de constraint Jacobian en de Hessian te berekenen.

Experimentele Resultaten

De voorgestelde methode werd gevalideerd met behulp van een quadcopter drone-simulatiescenario:

• Taak: De piloot kreeg de taak om een quadcopter van een hover-toestand naar een rustpositie op een specifieke doelafstand ($\hat{y}$) te bewegen.
• Voertuigmodel: Een 6-toestandsmodel gericht op de pitch-as dynamica, inclusclusief propellerstuwkracht en rotatiesnelheden.
• Pilotmodel: Een 3e-orde, single-input, single-output lineair systeem gedefinieerd door zes parameters ($\theta \in \mathbb{R}^6$). Stabiliteitsbeperkingen werden afgedwongen om te garanderen dat het model Hurwitz blijft.
• Data: Drie onafhankelijke runs werden opgenomen voor een doel van 10m en drie runs voor een doel van 20m.
• Resultaat: Een enkel model werd geschat dat de data van alle zes de runs succesvol beschrijft.
  • De geschatte modelparameters resulteerden in een stabiel systeem.
  • Figuur 5 in het artikel laat zien dat de respons van het geschatte model (rode en gele lijnen) convergeert naar de doelposities, waarbij het nauw overeenkomt met de empirische data (blauwe lijnen) voor beide doelafstanden.
  • De resultaten geven aan dat het model robuust is tegen natuurlijke variaties in menselijke controle over verschillende proeven en doelafstanden heen.

Belangrijkste Bijdragen en Betekenis

Het artikel claimt de volgende bijdragen:

1. Tijd-domein Identificatie: In tegenstelling tot eerdere werken die vertrouwen op frequentiedomein-benaderingen, lost deze methode het model volledig op in het tijddomein met behulp van trajectoptimalisatie.
2. Output-Centrische Regularisatie: De methode integreert voertuigdynamica direct in het schattingsproces. In plaats van het model aan te passen aan pilotcommando's, past het de model aan op de resulterende voertuigrespons. Dit fungeert als een regularisatie, wat ervoor zorgt dat het geïdentificeerde model in staat is de gewenste taak te volbrengen (bijv. een doelhoogte bereiken) in plaats van alleen inputsignalen na te bootsen.
3. Multi-Trial Robuustheid: De formulering maakt het mogelijk om meerdere gegevenscollecties te aggregeren om een enkel, gemeenschappelijk dynamisch model te vinden, wat de inherente natuurlijke variabiliteit van menselijke prestaties effectief afhandelt.
4. Generaliseerbaarheid: De aanpak is ontworpen om gemakkelijk te generaliseren naar multi-input, multi-output (MIMO) en niet-lineaire pilotmodellen, waardoor het toepasbaar is op een breed scala aan vluchtoperaties.

De auteurs concluderen dat deze methode een robuust kader biedt voor het karakteriseren van menselijke piloten als actuatoren, wat essentieel is voor nauwkeurige dynamische analyse van bemande voertuigen en veiligheidskritische berekeningen zoals H-V diagrammen. Toekomstig werk omvat experimenten met MIMO pilot-scenario's.