⚡ electrical engineering

On maximal positive invariant set computation for rank-deficient linear systems

Dit artikel presenteert een robuust algoritme dat de Schur-decompositie gebruikt om de maximaal positief invariante set voor lineaire systemen met rangtekort, veroorzaakt door statische feedback, efficiënt te berekenen in zowel polyhedrale als beperkte-zonotooprepresentaties.

Oorspronkelijke auteurs: Bogdan Gheorghe, Daniel Ioan, Cristian Flutur, Ionela Prodan, Florin Stoican

Gepubliceerd 2026-03-19

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Bogdan Gheorghe, Daniel Ioan, Cristian Flutur, Ionela Prodan, Florin Stoican

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 Muur" en de Slimme Omweg

Over het berekenen van de veiligste zone voor robots en systemen

Stel je voor dat je een robot bestuurt die door een drukke stad moet rijden. De robot mag niet tegen gebouwen aanrijden (dat zijn de grenzen of constraints) en hij moet op een veilige manier stoppen. De vraag is: "Vanuit welke plekken in de stad kan de robot nog veilig stoppen, zonder ooit de grenzen te overschrijden?"

Het antwoord op die vraag is een Maximaal Positief Invariant (MPI) set. In het Nederlands zouden we dit kunnen noemen: "De Grootste Veilige Zone". Als de robot zich binnen deze zone bevindt, kan hij altijd een route vinden om veilig te blijven, ongeacht wat er gebeurt.

Het Probleem: De "Vastgelopen" Robot

Normaal gesproken berekenen ingenieurs deze veilige zone door stap voor stap terug te rekenen: "Als ik hier sta, waar moet ik dan geweest zijn om hier veilig te komen?" Ze herhalen dit steeds totdat ze de volledige zone hebben gevonden.

Maar er is een probleem. Soms kiezen ingenieurs een besturingsmethode (zoals een slimme feedback-regelaar) die de robot zo instelt dat hij snel tot stilstand komt. Wiskundig gezien betekent dit dat de robot "vastloopt" in een lagere dimensie.

De Analogie: Stel je voor dat je een auto hebt die normaal gesproken over de hele weg kan rijden (3D ruimte). Maar door een speciale remtechniek wordt de auto plotseling gedwongen om alleen maar in een rechte lijn te rijden, alsof hij op een spoor zit. De auto kan niet meer links of rechts.
In de wiskunde noemen we dit een rang-tekort (rank-deficient). De matrix die de beweging beschrijft, is niet meer "volledig".

Dit zorgt voor een groot probleem bij het berekenen van de veilige zone:

De standaard berekeningsmethode probeert de robot in de volledige ruimte te verplaatsen.
Omdat de robot nu "vastzit" op een lijn, probeert de computer te delen door nul of werkt hij met onmogelijke projecties.
Het resultaat is dat de berekening vastloopt, onnauwkeurig wordt, of oneindig lang duurt. Het is alsof je probeert een 3D-kaart te tekenen, maar je pen alleen maar in één richting kan bewegen.

De Oplossing: De "Schur-Transformatie" als Magische Spiegel

De auteurs van dit paper (Bogdan Gheorghe en collega's) hebben een slimme oplossing bedacht. Ze gebruiken een wiskundige techniek die Schur-decompositie heet.

De Analogie van de Magische Spiegel:
Stel je voor dat je de robot in een kamer hebt staan die vol staat met spiegels. De standaard methode probeert de robot in de hele rommelige kamer te bewegen, wat lastig is omdat de robot nu "vastzit".

De auteurs zeggen: "Laten we de kamer eerst draaien met een magische spiegel (de Schur-decompositie)."

Door deze rotatie zie je ineens dat de kamer uit twee delen bestaat:
1. Een deel waar de robot nog steeds vrij kan bewegen (de veilige, werkende delen).
2. Een deel waar de robot vastzit (de delen met de nul-eigenwaarden).

In plaats van de hele rommelige kamer te berekenen, doen ze dit:

Verkleinen: Ze negeren tijdelijk het deel waar de robot vastzit. Ze berekenen de veilige zone alleen voor het deel waar de robot nog kan bewegen (de "reduced" zone). Dit is veel sneller en makkelijker, alsof je een plattegrond tekent van alleen de rechte lijn.
Terugbrengen: Zodra ze de veilige zone voor dat kleine deel hebben, "spiegelen" ze dit resultaat terug naar de oorspronkelijke kamer.
Aanpassen: Ze kijken dan welke regels er gelden voor de eerste paar seconden (voordat de robot helemaal vastzat) en voegen die toe aan de kaart.

Waarom is dit belangrijk?

Dit paper is niet zomaar een wiskundig raadsel. Het heeft grote gevolgen voor de praktijk:

Snelheid: De nieuwe methode is veel sneller. In de tests zagen ze dat bij complexe systemen (zoals een ketting van veren en gewichten) de oude methode uren kon duren of vastliep, terwijl hun nieuwe methode het in een fractie van een seconde deed.
Veiligheid: Het zorgt ervoor dat systemen zoals zelfrijdende auto's, drones of industriële robots ook dan veilig kunnen worden bestuurd als de ingenieurs kiezen voor een besturingsmethode die de robot extreem snel laat stoppen (wat vaak wenselijk is).
Twee talen: Ze laten zien dat je dit zowel kunt doen met "polyhedra" (vormen die lijken op doosjes met vlakke zijden) als met "constrained zonotopes" (een iets complexere, maar krachtigere vorm van wiskundige blokken). Ze hebben een algoritme gemaakt dat beide talen spreekt.

Samenvatting in één zin

De auteurs hebben een slimme wiskundige truc bedacht om de "veilige zone" van robots te berekenen, zelfs als die robots door hun eigen besturingssysteem in een "vastgeklemd" toestand terechtkomen, waardoor ze veel sneller en veiliger kunnen werken dan voorheen mogelijk was.

De kernboodschap: Als de robot vastloopt, draai de kamer dan om, los het probleem op in het deel waar hij nog beweegt, en zet het resultaat weer terug. Zo blijft de robot veilig, zelfs als hij "vastzit".

Titel: Berekening van de Maximaal Positief Invariante (MPI) Set voor Rang-deficiënte Lineaire Systemen

Auteurs: Bogdan Gheorghe, Daniel Ioan, Cristian Flutur, Ionela Prodan, en Florin Stoican.

1. Probleemstelling

In het domein van de regeltechniek, en specifiek binnen Model Predictive Control (MPC), is de berekening van de Maximaal Positief Invariante (MPI) set cruciaal. Deze set definieert het grootste gebied in de toestandsruimte waarbinnen het systeem veilig kan opereren zonder dat de constraints (beperkingen) op toestanden en ingangen worden geschonden. De MPI-set wordt doorgaans gebruikt als een terminale set in MPC om recursieve haalbaarheid en stabiliteit te garanderen.

De standaardmethode voor het berekenen van de MPI-set is een iteratieve terugwaartse bereikbaarheidsprocedure:
$\Omega_{k+1} = A_{\circ}^{-1}\Omega_k \cap \mathcal{X}$
waarbij $A_{\circ} = A + BK$ de gesloten-lus dynamiekmatrix is en $\mathcal{X}$ de toegestane toestandsruimte.

Het kernprobleem:
Bij veel syntheses van statische feedback (bijvoorbeeld via de Riccati-vergelijking of dead-beat regeling) kunnen één of meer gesloten-lus eigenwaarden op nul worden geplaatst. Dit leidt tot een rang-deficiënte matrix $A_{\circ}$ .

Wanneer $A_{\circ}$ singulier is, wordt de dynamiek geprojecteerd op een lager dimensionale deelruimte.
Standaard algoritmen voor het berekenen van de MPI-set (zowel voor polyhedrale als constrained-zonotope representaties) worden numeriek instabiel of falen volledig in dit geval, omdat ze veronderstellen dat de matrix inverteerbaar is of dat de dynamiek de volledige dimensie behoudt.
Bestaande methoden zijn inefficiënt of niet toepasbaar voor deze specifieke, maar veelvoorkomende, situatie.

2. Methodologie

De auteurs stellen een robuust algoritme voor dat de singulariteit van de matrix expliciet adresseert door gebruik te maken van de Schur-decompositie.

Stappen van de methode:

Schur-decompositie: De gesloten-lus matrix $A_{\circ}$ wordt ontbonden in $A_{\circ} = USU^T$ , waarbij $S$ een reële Schur-vorm is (bovendriehoekig).
Blokkering: De matrix $S$ $S$ wordt zo geordend dat de blokken met nul-eigenwaarden (nilpotente blokken) in de onderste rechterhoek ( $S_{22}$ $S_{22}$ ) worden geplaatst, en de blokken met niet-nul eigenwaarden in de linkerbovenhoek ( $S_{11}$ $S_{11}$ ).
- $S = \begin{bmatrix} S_{11} & S_{12} \\ 0 & S_{22} \end{bmatrix}$
- $S_{22}$ is nilpotent van graad $p+1$ (d.w.z. $S_{22}^{p+1} = 0$ ).
Dimensiereductie: In plaats van te werken in de volledige $n$ $n$ -dimensionale ruimte, wordt de berekening van de MPI-set gereduceerd tot de deelruimte geassocieerd met $S_{11}$ $S_{11}$ (dimensie $d_1$ $d_{1}$ ).
- De dynamiek in deze gereduceerde ruimte is $z_{k+1} = S_{11}z_k$ .
- De MPI-set $\Phi_z$ wordt berekend voor deze gereduceerde dynamiek en de corresponderende projectie van de constraints.
Lifting en Intersectie: Het resultaat wordt teruggeprojecteerd naar de oorspronkelijke ruimte. De uiteindelijke MPI-set $\Phi_x$ $Φ_{x}$ wordt gevormd door de intersectie van twee delen:
- Deel 1 ( $\Phi_x^{[1]}$ ): De constraints die gelden voor de eerste $p$ iteraties (waar de nilpotente dynamiek nog actief is).
- Deel 2 ( $\Phi_x^{[2]}$ ): De constraints die gelden voor $k \geq p$ , waarbij de dynamiek volledig in de $S_{11}$ -deelruimte zit. Dit deel wordt "gelift" via een transformatiematrix $T$ die de koppeling tussen de deelruimtes beschrijft.

Representaties:
Het algoritme is geïmplementeerd voor twee soorten verzamelrepresentaties:

Polyhedra: Gedefinieerd door lineaire ongelijkheden ( $Fx \leq \theta$ ).
Constrained Zonotopen (CZ): Een compacte verzameling gedefinieerd door een centrum, generatormatrix en lineaire gelijkheidsconstraints. CZ's zijn bijzonder efficiënt voor intersecties en lineaire transformaties.

3. Belangrijkste Bijdragen

Analyse van Singuliere Systemen: Het artikel identificeert en formaliseert het probleem van MPI-berekening bij rang-deficiënte systemen, een situatie die vaak optreedt bij optimale regeling maar vaak wordt genegeerd in de literatuur.
Nieuw Algoritme: Een nieuw, wiskundig gefundeerd algoritme (gebaseerd op Schur-decompositie) dat de berekening splitst in een gereduceerde ruimte en een correctiefase voor de nilpotente dynamiek.
Unificatie van Representaties: Het bewijs dat de methode zowel werkt voor polyhedrale als constrained-zonotope representaties, waarbij de onderliggende meetkunde identiek is, maar de rekenmethodiek verschilt.
Efficiëntie: Het vermijden van de numerieke instabiliteit en de enorme rekenlast die optreedt bij het proberen de standaard iteratie uit te voeren op de volledige, singuliere matrix.

4. Resultaten en Evaluatie

De auteurs testen hun methode op twee voorbeelden:

Numeriek Voorbeeld ( $R^6$ ):
- Een systeem met een feedbackwinst die eigenwaarden op 0 plaatst.
- De methode berekende de MPI-set in slechts 0,4 seconden.
- Het resultaat toonde aan dat de set correct wordt bepaald door de intersectie van de tijdsafhankelijke constraints (voor $k < p$ ) en de gereduceerde set.
CSE Voorbeeld (Coupled Spring Experiment):
- Een systeem met variabele dimensie (tot $R^{20}$ en hoger) bestaande uit gekoppelde massa's.
- Vergelijking: Standaard methode vs. voorgestelde rang-deficiënte methode.
- Iteraties: Bij hogere dimensies ( $\ell \geq 8$ ) explodeert het aantal benodigde iteraties ( $\bar{k}$ ) voor de standaard methode, terwijl de rang-deficiënte methode een gematigde toename vertoont.
- Rekentijd: De standaard methode wordt computatieel onhaalbaar voor hogere dimensies, terwijl de voorgestelde methode efficiënt blijft.
- Complexiteit: Het aantal ongelijkheden nodig om de polyhedrale set te beschrijven is aanzienlijk lager bij de rang-deficiënte methode (bijvoorbeeld 704 vs. 1496 voor $\ell=10$ ).

5. Betekenis en Conclusie

Dit artikel biedt een essentiële oplossing voor een veelvoorkomend maar onderbelicht probleem in de geavanceerde regeltechniek. Veel moderne MPC-implementaties gebruiken feedbackwinsten die leiden tot rang-deficiënte systemen (bijvoorbeeld voor snelle afstelling of dead-beat regeling). Zonder deze methode zouden deze systemen geen correcte terminale sets kunnen genereren, wat leidt tot een verlies van stabiliteitsgaranties of recursieve haalbaarheid.

De voorgestelde aanpak:

Maakt het mogelijk om MPI-sets exact te berekenen voor singuliere systemen.
Verhoogt de rekenefficiëntie aanzienlijk voor hogedimensionale systemen.
Is compatibel met geavanceerde verzamelrepresentaties (constrained zonotopen) die nodig zijn voor complexe systemen.

De auteurs planeren in de toekomst deze framework uit te breiden naar de Maximaal Output Admissible Set (MOAS), waarschijnlijk met behulp van een SVD-decompositie.