⚡ electrical engineering

$\mathcal{L}_1$ -Certified Distributionally Robust Planning for Safety-Constrained Adaptive Control

Dit artikel presenteert een hiërarchisch raamwerk dat $\mathcal{L}_1$ -adaptieve regeling combineert met distributie-robuste modelvoorspellende regeling om veilige planning voor autonome systemen te garanderen onder gelijktijdige onzekerheid in het systeem en de omgeving.

Oorspronkelijke auteurs: Astghik Hakobyan, Amaras Nazarians, Aditya Gahlawat, Naira Hovakimyan, Ilya Kolmanovsky

Gepubliceerd 2026-03-31

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Astghik Hakobyan, Amaras Nazarians, Aditya Gahlawat, Naira Hovakimyan, Ilya Kolmanovsky

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 bestuurt in een drukke stad. Je wilt dat deze auto veilig blijft, maar er zijn twee grote problemen:

De auto is niet perfect: De software denkt dat de auto precies doet wat hij moet doen, maar in werkelijkheid is de motor misschien iets minder krachtig dan gedacht, of de banden zijn een beetje versleten. Dit noemen we modelonzekerheid.
De wereld is onvoorspelbaar: Er zijn andere auto's, voetgangers en obstakels die zich onverwacht kunnen bewegen. Dit noemen we omgevingsonzekerheid.

De meeste bestaande systemen kiezen voor één van twee strategieën: of ze zijn extreem voorzichtig (zoals een ouderwetse grootouder die nooit harder dan 30 km/u rijdt), of ze vertrouwen puur op data en leren van ervaring, maar dan kunnen ze verrast worden door iets nieuws.

Dit paper stelt een slimme oplossing voor: een tweelaags systeem dat de beste van beide werelden combineert. Laten we het uitleggen met een analogie.

De Analogie: De Navigator en de Fysiotherapeut

Stel je voor dat de auto twee mensen heeft die samenwerken: een Navigator en een Fysiotherapeut.

1. De Navigator (De DR-MPC Planner)

De Navigator zit in de voorste stoel. Hij kijkt naar de kaart en bedenkt de route.

Het probleem: Hij weet niet precies waar de andere auto's (obstakels) gaan zijn.
De oplossing: In plaats van te zeggen "Die andere auto is precies hier", zegt de Navigator: "Die auto zit ergens in dit gebiedje." Hij tekent een onzekerheidsbol (een wiskundige 'wolk') rondom de positie van de obstakels.
De strategie: Hij plant een route die veilig is, zelfs als de obstakels ergens binnen die onzekerheidsbol zitten. Hij is dus voorbereid op het slechtst mogelijke scenario binnen die wolk, maar niet zo bang dat hij de hele stad niet meer in kan.

2. De Fysiotherapeut (De L1-Adaptive Controller)

De Fysiotherapeut zit in de bestuurdersstoel en houdt de handen op het stuur.

Het probleem: De auto (de motor, de banden) doet niet precies wat de Navigator verwacht. Misschien is de auto zwaarder dan gedacht of heeft hij een lekkende rem.
De oplossing: De Fysiotherapeut is supersnel. Hij voelt direct als de auto afwijkt van het geplande pad. Hij corrigeert het stuur direct en krachtig om de auto weer op koers te houden.
De magische certificering: Het slimme aan deze Fysiotherapeut is dat hij niet alleen corrigeert, maar ook bewijst hoe ver de auto maximaal kan afwijken. Hij zegt tegen de Navigator: "Ik garandeer dat de auto nooit meer dan 1 meter van het geplande pad afwijkt, zelfs als de motor gekke dingen doet."

Hoe werken ze samen? (Het "Certificaat")

Hier komt de magie van dit onderzoek:

De Navigator plant een route en zegt: "Ik heb een veiligheidszone getekend rondom de obstakels. Als de auto binnen deze zone blijft, zijn we veilig."
De Fysiotherapeut zegt: "Geen probleem! Ik garandeer dat de auto, door mijn snelle correcties, altijd binnen die zone blijft. Hier is mijn certificaat (een wiskundig bewijs) dat de afwijking klein genoeg is."
Omdat de Navigator dit certificaat heeft, kan hij met vertrouwen plannen. Hij hoeft niet bang te zijn dat de auto uit de hand loopt door technische gebreken, en hij is ook voorbereid op de onvoorspelbare wereld.

Waarom is dit zo speciaal?

Geen "Gokken" nodig: Veel moderne systemen leren van duizenden voorbeelden. Maar als je in een nieuwe situatie komt (bijvoorbeeld een sneeuwstorm), kunnen die systemen falen. Dit systeem gebruikt wiskundige garanties. Het "weet" dat het veilig is, zonder dat het duizenden keren in de sneeuw heeft moeten rijden.
Snelheid: De Fysiotherapeut (L1-controller) is zo snel dat hij onmiddellijk ingrijpt bij storingen, waardoor de auto niet hoeft te wachten tot de Navigator opnieuw een route berekent.
Veiligheid: Het systeem combineert voorzichtigheid (voor de omgeving) met snelheid en aanpassing (voor de auto zelf).

Samenvatting in één zin

Dit onderzoek presenteert een slimme manier om robots en auto's veilig te laten rijden door een slimme planner die rekening houdt met onzekerheid in de wereld, te koppelen aan een snelle regelaar die garandeert dat de machine zelf nooit uit de hand loopt, zelfs niet als de machine niet perfect werkt.

Het is alsof je een auto hebt die niet alleen een perfecte routeplanner heeft, maar ook een onzichtbare, supersnelle piloot die de auto altijd precies op het spoor houdt, zodat je nooit hoeft te vrezen voor een crash.

Titel: L1-gecertificeerde Distributie-robuste Planning voor Veiligheidsbeperkte Adaptieve Controle

1. Probleemstelling

Het operationeel veilig houden van autonome systemen onder onzekerheid blijft een fundamentele uitdaging. Realistische systemen zijn onderhevig aan twee soorten onzekerheid:

Epistemische onzekerheid: Onvolledige kennis van het systeemmodel (bijv. niet gemodelleerde dynamica, parameterfouten).
Aleatorische onzekerheid: Exogene willekeurige verstoringen en onzekerheid in de omgeving (bijv. bewegende obstakels).

Bestaande methoden kampen met een fundamenteel compromis:

Robuuste controle (worst-case analyse) garandeert stabiliteit maar leidt vaak tot te conservatief gedrag.
Stochastische controle (gemiddelde-case) is minder conservatief maar mist vaak robuustheidsgaranties bij verdelingsverschuivingen (distribution shifts).
Data-gedreven methoden presteren goed empirisch maar missen formele veiligheidsbewijzen.

Een specifiek probleem bij Distributionally Robust Model Predictive Control (DR-MPC) is dat het aannames doet over "ambiguïteitsverzamelingen" (verzamelingen van mogelijke verdelingen). Hoewel omgevingsonzekerheid via data kan worden geschat, is het onmogelijk om meerdere onafhankelijke steekproeven te nemen uit de tijdsvariabele toestandsverdeling van het systeem zelf op elk moment. Hierdoor kunnen bestaande DR-MPC-methoden de veiligheid van het gesloten-luissysteem niet garanderen als het systeemmodel onnauwkeurig is.

2. Methodologie

De auteurs stellen een hiërarchisch raamwerk voor dat DR-MPC (planning) koppelt aan L1-adaptieve controle (adaptatie) via "distributie-certificaten".

A. Hiërarchische Architectuur:

DR-MPC Planner (Bovenlaag):
- Genereert een nominale trajectopdracht op basis van een nominaal model.
- Lost een optimalisatieprobleem op met Distributionally Robust Chance Constraints (DR-CC).
- Deze constraints zorgen ervoor dat de kans op het binnendringen van een onveilig gebied (bijv. een botsing) onder een drempelwaarde $\beta$ blijft, zelfs voor de "slechtst mogelijke" verdeling binnen een Wasserstein-ambiguïteitsverzameling.
- De omgevingsonzekerheid wordt gemodelleerd via data-gedreven verzamelingen (op basis van eindige steekproeven).
L1-Adaptieve Controle (Onderlaag):
- Volgt de nominale trajectopdracht.
- Compenseert online voor modelonzekerheid (niet-gematchte drift en diffusie).
- Cruciaal: De L1-controller levert een online certificaat dat de afstand (in de zin van de Wasserstein-afstand) tussen de ware toestandsverdeling en de nominale verdeling begrenst.
- Dit gebeurt zonder dat er extra steekproeven nodig zijn van de systeemverdeling; de grens wordt theoretisch afgeleid uit de controller-parameters.

B. Theoretische Koppeling:

De totale onzekerheid in het gezamenlijke systeem-omgevingsruimte wordt gemodelleerd als een som van twee radii:
- $\rho_x$ : De door L1-AC gecertificeerde straal voor de systeemonzekerheid.
- $\rho_z$ : De straal voor de omgevingsonzekerheid, afgeleid via concentratie-onzekerheidsverdelingen (concentration inequalities) op basis van data.
De planner gebruikt een totale ambiguïteitsstraal $\rho_y = \rho_x + \rho_z$ . Als de planner een haalbare oplossing vindt, garandeert dit dat de ware gesloten-luissysteemverdeling binnen de veilige verzameling blijft.

C. Tractabele Reformulering:

Het DR-MPC-probleem bevat complexe kansbeperkingen. De auteurs gebruiken Wasserstein-dualiteit om deze om te zetten naar een Conditional Value-at-Risk (CVaR) beperking onder de nominale verdeling.
Deze CVaR-beperking wordt vervolgens benaderd via Monte Carlo-steekproeven van het systeem en de omgeving, wat leidt tot een computatievriendelijk probleem dat opgelost kan worden met standaard optimalisatietechnieken.

3. Belangrijkste Bijdragen

Hiërarchisch Framework: Een nieuwe architectuur die planning en adaptatie koppelt via een gezamenlijke Wasserstein-ambiguïteitsverzameling. De systeemradius wordt online gecertificeerd zonder steekproeven, terwijl de omgevingsradius via data wordt verkregen.
Gesloten-lus Distributie-certificering: Een mechanisme dat bewijsbaar stagewise-veiligheid garandeert voor het ware systeem, zelfs onder gelijktijdige model- en omgevingsonzekerheid.
Tractabele Reformulering: Een geometrie-onafhankelijke herschrijving van DR-CC's met behulp van CVaR en Wasserstein-dualiteit, wat een steekproefgebaseerde implementatie mogelijk maakt.

4. Resultaten

De methode is geëvalueerd via simulaties van trajectvolging met dynamische obstakels, waarbij de ware systemen niet-gematchte niet-lineaire onzekerheden bevatten die niet in het planningsmodel zaten. Drie methoden werden vergeleken:

DR-MPC (Nominaal): Pland met onzekerheid, maar geen adaptatie.
DR-MPC (Ware Dynamica): Past de controller direct toe op het onzekere systeem zonder adaptatie.
DR-MPC + L1 (Voorgesteld): Combineert planning met L1-adaptatie.

Kernbevindingen uit de experimenten (100 runs):

DR-MPC (Nominaal): Hield de veiligheid, maar presteerde slecht in termen van volgkosten (tracking cost) omdat het conservatief was.
DR-MPC (Ware Dynamica): Leidde tot ernstige degradatie. Bijvoorbeeld, in een cirkelvormig scenario resulteerde dit in een faalkans van 86% (botsingen of instabiliteit) door ongemodelleerde dynamica.
DR-MPC + L1:
- Elimineerde bijna alle fouten (faalkans < 1% in alle scenario's).
- Hield de volgprestaties dicht bij het nominale basisniveau.
- De L1-controller compenseerde effectief voor de modelfouten, waardoor het systeem dicht bij de geplande nominale baan bleef en de theoretische veiligheidsgaranties geldig bleven.

5. Betekenis en Conclusie

Dit paper lost een kritiek gat op in de veilige besturing van autonome systemen: het ontbreken van een mechanisme om de veiligheidsgaranties van een planner te "certificeren" wanneer het systeemmodel onnauwkeurig is.

Innovatie: Door L1-adaptieve controle te gebruiken als een "certificeringslaag", kunnen planners vertrouwen op de aannames die ze maken over de systeemverdeling, zelfs zonder directe steekproeven van die verdeling.
Praktische Toepassing: De methode maakt het mogelijk om veilige, minder conservatieve trajecten te plannen in dynamische omgevingen, zelfs als het systeem zelf niet perfect gemodelleerd is.
Toekomst: De auteurs wijzen op de noodzaak om dit uit te breiden naar volledig niet-lineaire dynamica en garanties voor recursieve haalbaarheid (recursive feasibility) te ontwikkelen.

Kortom, de studie demonstreert dat de combinatie van robuuste planning (voor omgevingsonzekerheid) en snelle adaptieve controle (voor modelonzekerheid) een krachtige en theoretisch onderbouwde oplossing biedt voor veilige autonome besturing.