⚡ electrical engineering

ReLU Barrier Functions for Nonlinear Systems with Constrained Control: A Union of Invariant Sets Approach

Dit artikel presenteert een benaderings- en verificatiepipeline die gebruikmaakt van PWA-surrogaten met een Leaky ReLU-functie en een vereniging van invariante sets om veilige besturing voor niet-lineaire systemen met verzadigde input te garanderen, wat resulteert in grotere geverifieerde invariante sets dan traditionele lineaire ontwerpen.

Oorspronkelijke auteurs: Pouya Samanipour, Hasan A. Poonawala

Gepubliceerd 2026-03-17

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Pouya Samanipour, Hasan A. Poonawala

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 zelfrijdende auto of een robotarm bestuurt. Je wilt dat deze machine altijd veilig blijft, bijvoorbeeld binnen een bepaalde zone, en nooit tegen een muur botst. Dit noemen we "veiligheid certificeren".

Maar er is een groot probleem: deze machines hebben beperkingen. Hun motoren kunnen niet oneindig hard duwen; ze hebben een maximumsnelheid (dit noemen we verzadiging). Als je probeert een complexe, niet-lineaire beweging te berekenen (zoals een zwaaiende pendel), en je moet rekening houden met die motorlimieten, wordt de wiskunde zo ingewikkeld dat computers er jaren over doen om een antwoord te vinden.

De auteurs van dit artikel hebben een slimme oplossing bedacht. Ze gebruiken een combinatie van kunstmatige intelligentie (AI), wiskundige shortcuts en veiligheidscontroles. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De "Schets" in plaats van het "Meesterwerk" (Benadering)

Stel je voor dat je een zeer ingewikkeld landschap moet navigeren. Het echte landschap (de niet-lineaire dynamica) heeft duizenden kronkels en gaten. Het is te moeilijk om direct een perfecte route te plotten.

In plaats daarvan maken de auteurs een vereenvoudigde schets van het landschap. Ze gebruiken een speciaal type AI (een "ReLU-neuraal netwerk") dat het echte gedrag benadert alsof het bestaat uit rechte lijnen en vlakke stukken (dit noemen ze "Piecewise Affine" of PWA).

De analogie: Het is alsof je een foto van een berg maakt en die omzet in een laag-poly 3D-model met vlakke driehoekjes. Het ziet er minder realistisch uit, maar voor een computer is het veel makkelijker om over die vlakke driehoekjes te rekenen dan over de echte, ruwe berg.

2. De "Twee-Nevel" Veiligheidsmuur (Leaky ReLU)

Om te zorgen dat de robot veilig blijft, bouwen ze een onzichtbare muur (een "barrière"). Als de robot de muur raakt, moet er een kracht zijn die hem terugduwt.

Vroeger gebruikten wetenschappers een simpele, rechte lijn voor deze muur. Dat was veilig, maar vaak te conservatief: de muur stond te ver weg, waardoor de robot een klein gebiedje had om te bewegen.
De auteurs gebruiken nu een Leaky ReLU.

De analogie: Stel je voor dat de muur niet recht is, maar een schuine helling. Als je dicht bij de muur bent, duwt hij je zachtjes terug. Als je er ver vandaan bent, duwt hij harder. Deze "twee-helling" methode is flexibeler. Het laat de robot dichter bij de echte grenzen komen zonder het risico te lopen dat de muur instort.

3. Het "Puzzel" van de Veilige Gebieden (Union of Invariant Sets)

Soms helpt één enkele muur niet om het hele veilige gebied te dekken. Wat als je verschillende soorten muren probeert?

Muur A is goed voor de linkerhelft.
Muur B is goed voor de rechterhelft.

In plaats van te kiezen voor de beste van de twee, plakken ze ze samen. Ze nemen het grootste veilige gebied dat door Muur A wordt gegarandeerd, en voegen daar het grootste gebied van Muur B aan toe.

De analogie: Het is alsof je verschillende paraplu's hebt. Geen enkele paraplu dekt je hele lichaam, maar als je ze allemaal openhoudt en de schaduwgebieden samenvoegt, heb je een enorm veilig dak waar je onder kunt staan. Ze noemen dit de "Union of Invariant Sets" (UIS). Het mooie is: ze hoeven niet opnieuw te rekenen; ze plakken gewoon de resultaten van de eerdere berekeningen aan elkaar.

4. De "Stress-test" en de "Reparatiewerkplaats" (Verificatie & Update)

Nu hebben ze een mooie, veilige zone op hun schets (het 3D-model). Maar is het ook veilig in de echte wereld?
Ze voeren een stress-test uit. Ze kijken naar de randen van hun veilige zone in de echte, complexe wereld.

Het scenario: Stel dat de test laat zien dat op één specifieke plek de robot toch tegen de muur zou kunnen lopen omdat de "schets" daar net iets te optimistisch was.
De oplossing: In plaats van het hele model opnieuw te bouwen (wat lang duurt), maken ze alleen op die één kleine plek een reparatie. Ze zeggen: "Oké, op dit stukje is de werkelijkheid 5% anders dan onze schets." Ze voegen een kleine "onzekerheidszone" toe alleen daar.
De analogie: Het is alsof je een brug bouwt op papier. Je test hem en merkt dat één steunpilaar misschien iets te zwak is. In plaats van de hele brug af te breken, versterk je alleen die ene pilaar. De rest van de brug blijft staan.

Waarom is dit belangrijk?

Sneller: Omdat ze op de schets rekenen (lineaire wiskunde) in plaats van op de complexe realiteit, duurt het berekenen van de veilige zone seconden in plaats van uren.
Veiliger: Ze kunnen grotere gebieden veilig verklaren dan oude methoden, omdat ze flexibeler zijn met hoe ze de "muur" definiëren.
Robuuster: Als de computer een foutje vindt tijdens de test, repareren ze het lokaal in plaats van alles opnieuw te doen.

Kortom: De auteurs hebben een manier bedacht om complexe, onvoorspelbare robots veilig te sturen door eerst een simpele schets te maken, slimme "twee-helling" muren te bouwen, verschillende veilige gebieden aan elkaar te plakken, en alleen de plekken te repareren waar de schets niet helemaal klopte. Hierdoor kunnen robots sneller en veiliger leren bewegen.

Titel

ReLU Barrier Functions voor Niet-lineaire Systemen met Beperkte Besturing: Een Benadering via een Unie van Invariante Mengen

1. Probleemstelling

Het garanderen van veiligheid (safety) voor niet-lineaire dynamische systemen met polytopische invoerbeperkingen (zoals verzadiging van actuatoren) is een complex probleem. De belangrijkste uitdagingen zijn:

Admissibiliteit onder verzadiging: Bestaande methoden voor het synthetiseren van Control Barrier Functions (CBF) moeten garanderen dat er een geldige besturing bestaat die de toestand binnen een veilig gebied houdt, zelfs wanneer de besturing verzadigd is.
Conservatisme vs. Berekenbaarheid: Traditionele methoden gebruiken vaak lineaire "extended class-K" functies ( $\alpha(\cdot)$ ) om convexiteitsbehoud te garanderen. Dit leidt echter tot zeer conservatieve (kleine) veiligheidsgebieden. Niet-lineaire keuzes voor $\alpha(\cdot)$ kunnen grotere gebieden opleveren, maar maken het optimalisatieprobleem niet-convex en computatieel onhandelbaar.
Aannames: Veel datagedreven methoden vereisen een vooraf bekend veilig gebied of vertrouwen op dure verificatie van niet-convexe neurale netwerken.

2. Methodologie

De auteurs stellen een benaderings- en verificatie-pijplijn voor die de voordelen van convexe optimalisatie combineert met strikte garanties voor het oorspronkelijke niet-lineaire systeem. De aanpak bestaat uit vijf stappen:

Benadering (Surrogaatmodel):
De gesloten-lus niet-lineaire dynamica wordt benaderd door een Piecewise Affine (PWA) model. Dit wordt gedaan door een ReLU-neuraal netwerk te gebruiken, waarvan de structuur equivalent is aan een continue PWA-functie.
Synthese (Convex Optimalisatie):
Er wordt een CBF gesynthetiseerd voor het PWA-surrogaatmodel via Lineaire Programmering (LP). In plaats van een lineaire $\alpha(\cdot)$ te gebruiken, introduceren de auteurs een Leaky ReLU-functie met twee hellingen. Dit reduceert het conservatisme ten opzichte van lineaire functies, maar behoudt de convexiteit van het probleem door de keuze van $\alpha$ te parametriseren.
Vergroting (Union of Invariant Sets - UIS):
Om het veiligheidsgebied verder te vergroten zonder extra convexiteitsverlies, wordt de Unie van Invariante Mengen (UIS) methode gebruikt.
- Het systeem wordt opgelost voor meerdere lineaire $\alpha$ -waarden (elk een convex LP-probleem).
- De resulterende invariante sets worden gecombineerd via max-compositie van de bijbehorende barrier-functies: $h(x) = \max_i h_i(x)$ .
- Dit resulteert in een gecertificeerde set die de unie is van alle individuele sets, wat wiskundig bewezen is als invariante en asymptotisch stabiel, zonder extra optimalisatiekosten.
Verificatie (Facet-wise Check):
De voorwaarde voor het PWA-model moet worden vertaald naar het oorspronkelijke niet-lineaire systeem. Dit gebeurt door de CBF-conditie te verifiëren op de facetten (grensvlakken) van de nul-niveau set van de barrier-functie.
- Met behulp van Farkas' lemma wordt de besturing $u$ geëlimineerd om te controleren of er een geldige besturing bestaat binnen de verzadigingsgrenzen die de trajectorieën veilig houdt.
- Deze verificatie is exact en lokaal beperkt tot de facetten, wat zeer efficiënt is.
Lokale Onzekerheidsupdate:
Als de verificatie faalt (een tegenvoorbeeld wordt gevonden), wordt geen nieuw model getraind. In plaats daarvan wordt de onzekerheid lokaal in de betreffende cel van het PWA-model bijgewerkt met de afwijking tussen het echte systeem en het surrogaat. Het LP-probleem wordt vervolgens opnieuw opgelost met deze lokale robustificatie.

3. Belangrijkste Bijdragen

Leaky ReLU Surrogaat voor $\alpha(\cdot)$ : Een tweehelling-ontwerp dat de bilineaire niet-convexiteit vermijdt die vaak optreedt bij niet-lineaire $\alpha$ -functies, maar wel minder conservatief is dan lineaire keuzes.
Unie van Invariante Mengen (UIS): Een methode om meerdere LP-oplossingen (voor verschillende $\alpha$ -waarden) te combineren via max-compositie. Dit levert een gecertificeerd veilig gebied op dat nooit kleiner is dan het beste individuele resultaat, zonder extra optimalisatiekosten.
Benaderings-Verificatie Pijplijn: Een robuust framework dat convexe synthese op PWA-surrogaten koppelt aan facet-gebaseerde verificatie en lokale onzekerheidsupdates. Dit zorgt voor strikte veiligheidsgaranties voor niet-lineaire systemen met invoerbeperkingen.

4. Resultaten

De methode is getest op drie simulatiescenario's:

Omgekeerde Slinger (Inverted Pendulum): Met inputverzadiging. De UIS-methode leverde een strikt groter invariante set op dan de traditionele lineaire $\alpha$ -benadering, met een tractabele rekentijd.
Barrière Certificaat Verificatie: Vergelijking met bestaande methoden (zoals SyntheBC en SMT-basismethoden). De voorgestelde methode bereikte een vergelijkbare dekking als SyntheBC maar met een veel kleiner neurale netwerk (20 neurons vs. 256) en aanzienlijk kortere rekentijd (80s vs. >315s).
Wagen-Pols (Cart-Pole): Een 4D niet-lineair systeem met inputverzadiging. De methode slaagde erin een gecertificeerd invariante set te vinden, wat de schaalbaarheid naar hogere dimensies aantoont.

Tabel I in het paper toont aan dat de totale rekentijd (synthese + verificatie) acceptabel is (bijv. ~1466 seconden voor het 4D Cart-Pole systeem), terwijl de verkregen veiligheidsgebieden aanzienlijk groter zijn dan bij lineaire ontwerpen.

5. Betekenis en Conclusie

Dit paper biedt een belangrijke doorbraak in het veld van veiligheidskritieke besturing:

Overbrugt de kloof: Het verbindt de efficiëntie van convexe optimalisatie (via PWA-surrogaten) met de noodzaak van niet-lineaire dynamica en verzadigingsbeperkingen.
Efficiëntie: Door gebruik te maken van UIS en lokale updates, wordt vermijding van dure niet-convexe training of globale onzekerheidsmodellen bereikt.
Praktische toepasbaarheid: De methode is schaalbaar (paralleliseerbaar) en levert grotere veiligheidsgebieden op dan bestaande lineaire benaderingen, wat essentieel is voor robuuste robotica en autonome systemen.

De auteurs concluderen dat hun aanpak conservatisme reduceert zonder in te leveren op de berekenbaarheid, en dat toekomstig werk gericht zal zijn op verdere schaalbaarheid naar nog hogere dimensies en integratie met voorspellende besturing (MPC).