⚡ electrical engineering

Data-Driven Reachability of Nonlinear Lipschitz Systems via Koopman Operator Embeddings

Dit paper introduceert een data-gedreven reachability-framework voor niet-lineaire Lipschitz-systemen dat de Koopman-operator en zonotopen combineert om conservatieve over-approximaties te verminderen en strikte veiligheidsgaranties te behouden, wat resulteert in nauwkeurigere voorspellingen dan bestaande methoden.

Oorspronkelijke auteurs: Alireza Naderi Akhormeh, Ahmad Hafez, Abdulla Fawzy, Amr Alanwar

Gepubliceerd 2026-04-02

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Alireza Naderi Akhormeh, Ahmad Hafez, Abdulla Fawzy, Amr Alanwar

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 autonome auto bestuurt die door een drukke stad rijdt. Je wilt weten: "Als ik nu deze richting op ga, kan ik dan binnen de komende 10 seconden ergens tegen een boom of een ander voertuig aanrijden?"

Dit noemen we bereikbaarheidsanalyse. Het is het tekenen van een onzichtbare 'veiligheidsbel' rondom de auto die aangeeft waar hij zou kunnen zijn. Als die bel te groot is, denk je: "Oh nee, die auto kan overal zijn, ik moet heel voorzichtig zijn." Als de bel te klein is, denk je: "Die auto is veilig," en dan botst hij misschien toch.

Dit artikel van Alireza Naderi Akhormeh en zijn team lost een groot probleem op bij het maken van die veiligheidsbel voor complexe, niet-lineaire systemen (zoals een auto die scherp moet draaien of een chemische reactor).

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. Het Probleem: De "Kromme Lijn" en de "Rechte Lijn"

Stel je voor dat je een bal probeert te gooien. Als de lucht stil is, is het een rechte lijn. Maar als er wind is en de bal rolt over een helling, wordt het een kromme, onvoorspelbare baan.

De oude methode: Om veilig te zijn, tekenen robot-ontwikkelaars vaak een heel grote, ronde bel rondom de bal. Ze gaan ervan uit dat de bal misschien helemaal naar de maan kan vliegen, alleen maar om zeker te zijn dat hij niet tegen een muur botst. Dit noemen ze conservatief. Het is veilig, maar het is ook onhandig. De auto moet heel langzaam rijden omdat de "veiligheidsbel" zo groot is dat hij overal bang voor is.
Het probleem: Bij lange voorspellingen (bijvoorbeeld 10 seconden in de toekomst) wordt die bel zo gigantisch dat het nuttig is om te stoppen. Het is alsof je zegt: "Over 10 seconden kan de bal overal zijn, dus we kunnen niks zeggen."

2. De Oplossing: De "Magische Spiegel" (De Koopman-operator)

De auteurs gebruiken een slimme wiskundige truc genaamd de Koopman-operator.

Stel je voor dat je de werkelijkheid (de kromme lijn van de bal) in een magische spiegel kijkt. In de echte wereld is de beweging krom en chaotisch. Maar in de spiegel (de "lifted space" of verheven ruimte) ziet het eruit alsof de bal zich perfect rechtlijnig beweegt!

Hoe werkt dat? Ze nemen de gegevens van de auto (snelheid, richting, stuurbewegingen) en vertalen ze naar een nieuwe taal. In die nieuwe taal gedraagt de auto zich alsof hij een simpele, rechte lijn volgt.
Het voordeel: Het is veel makkelijker om te voorspellen waar een rechte lijn naartoe gaat dan waar een kromme lijn naartoe gaat.

3. Het Nieuwe Systeem: De "Twee-voetige" Voorspeller

Maar er is een addertje onder het gras. De magische spiegel is niet perfect. Soms is de afbeelding in de spiegel net iets anders dan de echte bal. Dit noemen ze de residuele fout (de restfout).

De auteurs hebben een slim systeem bedacht dat twee dingen doet:

De Rekenmachine: Ze gebruiken de "magische spiegel" om de rechte lijn te voorspellen. Dit is snel en nauwkeurig.
De Veiligheidsnet: Ze meten hoeveel de spiegel afwijkt van de werkelijkheid op basis van oude meetgegevens. Ze maken een klein, extra veiligheidsnetje om de voorspelling heen dat precies groot genoeg is om die afwijking op te vangen.

De analogie:
Stel je voor dat je een schatting maakt van hoe ver je kunt springen.

Oude methode: Je zegt: "Ik kan misschien wel tot aan de maan springen, dus ik spring maar niet." (Te groot, te bang).
Nieuwe methode: Je gebruikt een simulator die zegt: "Je springt ongeveer 2 meter." Maar omdat je weet dat je soms een beetje struikelt, voeg je een extra 10 centimeter toe aan je veiligheidszone. Je zegt: "Ik kan maximaal 2,10 meter."
Het resultaat? Je bent veilig, maar je mag wel een stuk verder springen dan met de oude methode.

4. Waarom is dit belangrijk?

In het papier laten ze zien dat hun methode werkt met echte data (van een race-autootje genaamd JetRacer) en met simulaties.

Korter en strakker: Hun veiligheidsbel is veel strakker rondom de echte baan van de auto.
Langer vooruitkijken: Ze kunnen veel verder in de toekomst kijken (bijvoorbeeld 10 seconden) zonder dat de bel enorm groot wordt.
Veiligheid: Ondanks dat ze de bel kleiner maken, garanderen ze wiskundig dat de auto nooit buiten die bel komt. Het is een gegarandeerde over-dekking.

Samenvatting in één zin

De auteurs hebben een slimme manier bedacht om complexe, kromme bewegingen van robots om te zetten in simpele, rechte lijnen (met een extra veiligheidsnetje voor de foutjes), zodat robots veiliger en sneller kunnen rijden zonder onnodig bang te zijn voor dingen die ze nooit zullen bereiken.

Het is alsof je van een ingewikkelde, kronkelige bergweg een rechte snelweg maakt om je route te plannen, maar je houdt wel een reservebandje bij de hand voor als de weg toch een beetje glibberig is.

Titel

Data-gedreven bereikbaarheidsanalyse van niet-lineaire Lipschitz-systemen via Koopman-operator embeddings.

1. Probleemstelling

Het veiligheidsverificeren van robotische systemen in dynamische en onzekere omgevingen is een fundamentele vereiste. Traditionele, modelgebaseerde methoden vereisen vaak nauwkeurige dynamische modellen en conservatieve onzekerheidsbeschrijvingen, wat moeilijk te realiseren is voor complexe systemen in de echte wereld. Als gevolg hiervan worden deze methoden vaak te conservatief, vooral bij lange voorspellingshorizonten.

Data-gedreven benaderingen zijn een veelbelovend alternatief, maar bestaande methoden (zoals zonotopische analyse op basis van lineaire regressie) kampen met de volgende beperkingen:

Overmatige conservatisme: Bij niet-lineaire systemen groeien de bereikbaarheidssets (reachable sets) vaak te snel op door de linearisatie-approximatie, wat leidt tot onnauwkeurige en te grote over-approximaties.
Moeilijkheid bij lange horizonten: De fouten stapelen zich op bij langere voorspellingshorizonten.
Beperkte modelvorm: Veel data-gedreven methoden gaan uit van Lineaire Tijd-Invariante (LTI) systemen, wat onvoldoende is voor sterk niet-lineaire of niet-affiene systemen.

Het doel is een framework te ontwikkelen dat formele veiligheidsgaranties biedt (d.w.z. dat de echte trajecten gegarandeerd binnen de berekende set liggen) terwijl het minder conservatief is dan bestaande methoden, zelfs bij aanwezigheid van meetruis en onbekende dynamiek.

2. Methodologie

Het paper stelt een nieuw data-gedreven framework voor dat de Koopman-operator theorie combineert met zonotopische representaties voor bereikbaarheidsanalyse.

A. Koopman-operator Embedding

In plaats van het niet-lineaire systeem direct te modelleren, wordt het systeem "gelift" naar een hogedimensionale ruimte van observabelen (lifted space) via een lift-functie $\psi$ .

Niet-lineair naar Lineair: In deze verhoogde ruimte evolueren de dynamieken ongeveer lineair.
State-Input Afhankelijkheid: Een cruciale innovatie is het gebruik van lift-functies die afhankelijk zijn van zowel de toestand ( $x$ ) als de input ( $u$ ). Dit contrasteert met traditionele LTI Koopman-modellen en biedt een nauwkeurigere linearisatie voor niet-affiene systemen.
Data-gedreven identificatie: De Koopman-matrix ( $K$ ) wordt direct geschat uit gemeten toestand-input trajecten via Kleinste-Kwadraten (Least Squares) regressie, zonder kennis van de onderliggende differentiaalvergelijkingen.

B. Berekening van Bereikbaarheidssets

Het proces verloopt als volgt:

Lifting: De initiële toestand en inputs worden gemapt naar de verhoogde ruimte.
Propagatie: De bereikbaarheidssets worden berekend in de verhoogde ruimte door convexe zonotopen (een efficiënte set-representatie) door de geïdentificeerde lineaire dynamica te propageren.
Projectie: De sets worden teruggeprojecteerd naar de oorspronkelijke toestandruimte.
Foutcompensatie (Residuals): Om de onzekerheid door modelfouten (door de lift-approximatie, ruis en identificatiefouten) te dekken, wordt een residual set toegevoegd.
- De methode berekent multi-stap voorspelfouten over alle beschikbare data-trajecten.
- Deze fouten worden gebundeld tot een over-approximatie (zonotoop) die de modelleringstfouten dekt.
- Een dekkingstraal (covering radius) argument wordt gebruikt om deze foutgrenzen uit te breiden van de dataset naar het hele bereik van de toestandruimte, gebaseerd op de Lipschitz-continuïteit van het systeem.

C. Formele Garantie

Het paper bewijst wiskundig dat de resulterende sets een garandeerde over-approximatie zijn van de echte bereikbaarheidssets ( $\bar{X}_k \subseteq R'_k$ ). Dit betekent dat de werkelijke systeemtoestanden nooit buiten de berekende sets zullen vallen, mits de ruis binnen de gespecificeerde grenzen blijft.

3. Belangrijkste Bijdragen

Nieuw Framework: Introductie van een data-gedreven bereikbaarheidsframework voor niet-lineaire, niet-affiene Lipschitz-systemen, gebaseerd op Koopman-embeddings.
Geavanceerde Lift-functies: Ontwikkeling van een identificatiebenadering met toestand- en input-afhankelijke observabelen, wat leidt tot een nauwkeurigere lineaire representatie dan standaard LTI-modellen.
Scalable Over-approximation: Berekening van schaalbare bereikbaarheidssets via zonotopen in de verhoogde ruimte, met projectie terug naar de oorspronkelijke ruimte, waarbij zowel procesruis als linearisatiefouten expliciet worden gemodelleerd.
Validatie: Uitgebreide validatie op benchmark-systemen en een echt autonoom voertuig, met bewijs van superieure prestaties ten opzichte van bestaande methoden.

4. Resultaten

De methode is getest op drie scenario's:

Affien Lipschitz-systeem (CSTR): Een continue geroerde tankreactor. De voorgestelde methode leverde aanzienlijk minder conservatieve (smallere) sets op dan CORA (een modelgebaseerde tool) en een standaard data-gedreven LS-methode, vooral bij langere tijdsintervallen.
Niet-affien Lipschitz-systeem: Een complex niet-lineair systeem. Ook hier presteerde de Koopman-methode beter dan de LS-basismethode en de modelgebaseerde CORA-benadering.
Autonoom Voertuig (JetRacer): Een echt experiment met een race-robot. De resultaten toonden aan dat de voorgestelde methode veel nauwkeurigere voorspellingen gaf voor de positie en koers van het voertuig over langere horizonten vergeleken met de LS-methode.

In alle gevallen was de over-approximatie significant strakker (minder conservatief) dan bestaande data-gedreven en modelgebaseerde methoden, zonder in te boeten aan de formele veiligheidsgaranties.

5. Betekenis en Impact

Dit onderzoek is significant omdat het de kloof overbrugt tussen data-gedreven systeemidentificatie en formele verificatie.

Veiligheid: Het biedt een manier om veiligheidskritieke systemen te verifiëren zonder een perfect analytisch model te hoeven hebben, wat essentieel is voor robots in onvoorspelbare omgevingen.
Efficiëntie: Door gebruik te maken van de lineariteit in de verhoogde ruimte en zonotopen, blijft de berekening computatie-efficiënt, zelfs voor complexe niet-lineaire systemen.
Toekomstgericht: De methode maakt het mogelijk om langere voorspellingshorizonten te gebruiken met betrouwbare resultaten, wat cruciaal is voor complexe planning en controle in autonome systemen.

Kortom, het paper levert een robuust, schaalbaar en minder conservatief alternatief voor de veiligheidsanalyse van niet-lineaire systemen, puur gebaseerd op gemeten data.