⚡ electrical engineering

Data-Driven Safe Output Regulation of Strict-Feedback Linear Systems with Input Delay

Dit artikel presenteert een data-gestuurd regelingskader voor systemen met een strikte feedbackstructuur en inputvertraging, waarbij Koopman-operator-theorie en Control Barrier Functions (CBF's) worden gecombineerd om veiligheid en trajectvolging te garanderen zonder dat de systeemparameters vooraf bekend hoeven te zijn.

Oorspronkelijke auteurs: Zhenxu Zhao, Ji Wang, Weiyao Lan

Gepubliceerd 2026-02-10

📖 3 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Zhenxu Zhao, Ji Wang, Weiyao Lan

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

De "Onzichtbare Rijders" en de "Slimme Verkeersregelaar"

Stel je voor: je bent een verkeersregelaar die een groep zelfrijdende auto's moet aansturen die in een perfecte rij (een 'platoon') moeten rijden. Maar er is een probleem. Je hebt te maken met een chaotische situatie:

De Onzichtbare Vertraging: De auto's reageren niet direct op jouw commando. Er zit een vertraging in de verbinding (de input delay). Het is alsof je een commando geeft, maar de auto pas drie seconden later luistert.
De Onbekende Auto's: Je weet eigenlijk niets over de auto's zelf. Hoe zwaar zijn ze? Hoe snel remmen ze? Je hebt geen handleiding.
De Onzichtbare Wind: Er waait een onvoorspelbare wind (externe verstoringen) die de auto's uit hun baan probeert te duwen.
De Blinde Vlek: Je kunt niet in de auto's kijken. Je ziet alleen de afstand tussen de auto's (de output), maar je weet niet precies hoe hard de motor draait of hoe de bestuurder zich voelt.

Het doel: Zorg dat de auto's op de juiste afstand blijven en – nog belangrijker – bots nooit.

Hoe lost dit onderzoek dat op?

De onderzoekers hebben een systeem ontworpen dat werkt in drie slimme stappen:

1. De "Detective" (Data-driven Identification)

Omdat we de handleiding van de auto's niet hebben, sturen we ze eerst een klein beetje heen en weer zonder dat ze direct op de rij hoeven te letten. Terwijl ze dat doen, "luisteren" we heel goed naar wat ze doen.
Met een wiskundige truc genaamd de Koopman-operator (denk aan een super-vergrootglas) kijken we naar de bewegingen en trekken we daaruit de verborgen regels. We ontdekken zelf: "Ah, deze auto weegt 1500 kilo en reageert met 1,2 seconden vertraging!" We leren de regels van het spel terwijl we het spel spelen.

2. De "Onzichtbare Voorspeller" (The Observer)

Omdat we niet in de auto kunnen kijken, bouwen we een "digitale tweeling" in onze computer. Deze digitale auto kijkt naar wat de echte auto doet en zegt: "Ik zie dat de echte auto een beetje naar links zwiept, dus de bestuurder zal wel een windvlaag hebben gevoeld." Zo kunnen we de onzichtbare krachten (zoals de wind) toch "zien" en erop anticiperen.

3. De "Veiligheidsgordel" (Control Barrier Functions)

Dit is het belangrijkste deel. In plaats van alleen maar te zeggen "rij op 5 meter afstand", bouwen we een onzichtbare, magnetische barrière om de auto's heen.
Zelfs als onze berekeningen een beetje fout zitten (omdat we de auto nog aan het leren zijn), zorgt deze barrière ervoor dat de auto nooit de "gevarenzone" inrijdt. Het is een soort wiskundig vangnet dat zegt: "Ik weet niet precies hoe hard de wind waait, maar ik weet wel dat ik de auto nú moet afremmen om een botsing te voorkomen."

De Samenvatting in Jip-en-janneke-taal

Dit papier beschrijft een systeem dat leert van ervaring, voorspelt wat er onzichtbaar gebeurt en altijd de veiligheid voorop stelt.

Het is als een ervaren chauffeur die in het donker rijdt, met een auto die hij nog nooit heeft gereden, terwijl de wind hard waait. Hij leert de auto kennen door even te experimenteren, gebruikt zijn gevoel om de wind te voelen, en rijdt extreem voorzichtig om te garanderen dat hij nooit een aanraking maakt met de auto voor hem.

Waarom is dit belangrijk?
In de toekomst zullen robots, drones en zelfrijdende auto's in de echte wereld moeten werken. Daar zijn de regels niet perfect en de omstandigheden niet voorspelbaar. Dit onderzoek geeft de wiskundige garantie dat die machines veilig kunnen blijven, zelfs als ze nog aan het leren zijn.

Technische Samenvatting: Data-Driven Safe Output Regulation van Strict-Feedback Lineaire Systemen met Input-vertraging

1. Probleemstelling

Het onderzoek richt zich op het probleem van output regulation (het nauwkeurig volgen van een referentietraject en het onderdrukken van externe verstoringen) voor lineaire systemen met een strict-feedback structuur. De kernuitdaging is dat het systeem te maken heeft met drie grote onbekende factoren:

Onbekende systeemparameters: Bijna alle parameters van de plant ( $A, B, G$ ) zijn onbekend.
Onbekende externe verstoringen: De dynamica van de verstoringen ( $S_d, P_d$ ) is niet bekend.
Input-vertraging (Input Delay): Er is een onbekende vertraging ( $D$ ) tussen het controlesignaal en de werkelijke actie van de plant, wat het systeem gedrag laat vertonen als een transport-PDE (Partiële Differentiaalvergelijking).

Daarnaast moet de controle veiligheid garanderen (safety-critical control): de systeemtoestanden moeten strikt binnen een vooraf gedefinieerde veilige set blijven, zelfs tijdens het leerproces (identificatie).

2. Methodologie

De auteurs combineren verschillende geavanceerde technieken om dit probleem op te lossen:

Koopman Operator Theorie & Krylov DMD: Om de systeemdynamica te extraheren uit louter meetgegevens (zonder een model te hebben), wordt de Koopman-operator gebruikt. Via Krylov Dynamic Mode Decomposition (DMD) wordt een Hankel-matrix geconstrueerd om de eigenwaarden en eigenvectoren (Koopman-modi) van het systeem te identificeren. Dit maakt het mogelijk om de onbekende matrices $A$ en $S_d$ te reconstrueren.
Batch Least-Squares Identification (BaLSI): Voor de parameters die direct gerelateerd zijn aan de input-kanaal en de vertraging ( $b$ en $D$ ), wordt de BaLSI-methode gebruikt om deze in eindige tijd exact te identificeren.
Control Barrier Functions (CBF) & Backstepping:
- Er wordt een backstepping-transformatie gebruikt om de strict-feedback structuur om te zetten in een vorm die geschikt is voor regeling.
- CBF's worden geïntegreerd om veiligheidsrestricties af te dwingen. Er wordt een "high-relative-degree" CBF-ontwerp gebruikt om de veiligheid te waarborgen ondanks de aanwezigheid van de input-vertraging.
Observer Design (voor Output-Feedback): In het geval dat niet alle toestanden meetbaar zijn (alleen de output), wordt een uitgebreide observer ontworpen die de onbekende toestanden en verstoringen schat op basis van de geïdentificeerde parameters.

3. Belangrijkste Bijdragen

Integratie van Veiligheid en Data-Driven Regeling: Het is een van de eerste werken die Koopman-operator/DMD-gebaseerde identificatie combineert met CBF's voor continue-tijd systemen met input-vertraging.
Robuustheid tegen Onzekerheid: In tegenstelling tot eerdere methoden die slechts een klein aantal parameters schatten, kan dit framework bijna de gehele plant (inclusief verstoringen en vertragingen) identificeren.
Output-Feedback Capaciteit: Het framework werkt niet alleen met volledige toestandsinformatie, maar kan ook functioneren wanneer alleen de output (de staat die het verst van de input verwijderd is) beschikbaar is.
Veiligheid bij Initiële Onveiligheid: Het algoritme bevat een mechanisme ( $\varsigma(t)$ ) dat het systeem in staat stelt om vanuit een onveilige toestand binnen een vooraf ingestelde tijd naar de veilige regio te "redden".

4. Resultaten

De theoretische resultaten (bewezen in de bijlagen) tonen aan dat:

Eindige-tijd identificatie: De onbekende parameters worden in een eindige tijd ( $t_f$ ) exact geïdentificeerd.
Exponentiële convergentie: De fout tussen de output en het referentietraject convergeert exponentieel naar nul.
Strikte Veiligheid: De systeemtoestanden blijven gegarandeerd binnen de veilige set, ongeacht de initiële onzekerheid of de onbekende parameters.

Validatie: De effectiviteit is aangetoond via een simulatie van vehicle platooning (een konvooi van voertuigen). De simulaties laten zien dat de voertuigen de gewenste afstand behouden, de snelheid stabiel blijft en de onbekende parameters (massa, vertraging, demping) correct worden geschat, zelfs wanneer de voertuigen aanvankelijk te dicht op elkaar rijden (onveilige toestand).

5. Betekenis

Dit werk is van groot belang voor de ontwikkeling van autonome systemen (zoals zelfrijdende auto's of drones) die moeten opereren in complexe, onvoorspelbare omgevingen. Het biedt een wiskundig rigoureus kader waarmee systemen kunnen leren van data terwijl ze tegelijkertijd strikte veiligheidsgaranties handhaven, wat essentieel is voor de publieke acceptatie en operationele betrouwbaarheid van autonome technologieën.