⚡ electrical engineering

Set-Based Value Function Characterization and Neural Approximation of Stabilization Domains for Input-Constrained Discrete-Time Systems

Dit artikel presenteert een nieuw kader voor het schatten van stabilisatiedomeinen van niet-lineaire, ingangsbeperkte discrete-tijdsystemen door waarde-functies op metrische ruimten van compacte verzamelingen te karakteriseren en deze te benaderen met een op natuurkundige principes gebaseerd neuraal netwerk.

Oorspronkelijke auteurs: Mohamed Serry, S. Sivaranjani, Jun Liu

Gepubliceerd 2026-04-02

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Mohamed Serry, S. Sivaranjani, Jun Liu

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 zeer lastige auto bestuurt in een donker, golvend landschap. Je doel is om de auto veilig naar een specifieke plek (een "doelwit") te brengen, maar je hebt twee grote problemen:

De auto heeft een gebrekkige stuurbekrachtiging (de motor is niet perfect).
Je mag het stuur niet te hard draaien (er zijn grenzen aan wat je kunt doen, de "input constraints").

De grote vraag voor ingenieurs is: Vanaf welke plekken in dit landschap kun je de auto nog veilig naar het doelwit sturen zonder dat hij omvalt of vastloopt? Dit gebied noemen we in de vakwereld de "Stabilisatiegebied" (Domain of Stabilization).

In het verleden was het vinden van dit gebied als het zoeken naar een naald in een hooiberg, vooral als de auto niet rechtuit rijdt (niet-lineair) en je beperkingen hebt.

Dit paper van Mohamed Serry en zijn collega's introduceert een slimme nieuwe manier om dit gebied te vinden en een "autonome chauffeur" te bouwen die het doet. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De oude manier: Het tekenen van lijnen

Vroeger probeerden mensen dit op te lossen door een "veiligheidskrant" te tekenen rondom het doelwit. Als je binnen die lijnen zat, was je veilig. Maar vaak was die lijn veel te klein. Ze waren bang dat ze de auto kwijt zouden raken als ze buiten die lijn kwamen, terwijl je in werkelijkheid nog wel veilig had kunnen blijven. Het was te conservatief.

2. De nieuwe manier: Een "Zenuwstelsel" voor de auto

De auteurs gebruiken een slimme combinatie van wiskunde en kunstmatige intelligentie (Neurale Netwerken).

Stap A: De "Waardekaart" (Value Function)
Stel je voor dat je een kaart tekent van het landschap. Op elke plek in dit landschap staat een getal.

Hoe dichter je bij het doelwit bent, hoe lager het getal (bijvoorbeeld 0).
Hoe verder weg je bent, hoe hoger het getal.
Als je op een plek staat waar je nooit het doelwit kunt bereiken, staat er een oneindig groot getal.

Deze kaart heet een "Waardefunctie". Als je deze kaart perfect hebt, weet je precies waar je veilig bent: overal waar het getal niet oneindig is.

Stap B: De "Regel van de Verstandigste Chauffeur" (Bellman-vergelijking)
Hoe maak je zo'n kaart? Je gebruikt een simpele regel: "Als ik hier sta, wat is de beste zet die ik kan doen om mijn positie op de kaart te verbeteren?"
In de wiskunde heet dit een Bellman-vergelijking. Het is als een spelletje waarbij je elke stap berekent: "Als ik hier ben en ik draai het stuur een beetje, kom ik dan dichter bij het doel of verder weg?"

Stap C: De Kunstmatige Intelligentie (Neuraal Netwerk)
Het probleem is dat dit landschap zo complex is dat je de kaart niet handmatig kunt tekenen. Het zou te veel tijd kosten.
Daarom gebruiken ze een Neuraal Netwerk. Denk hierbij aan een computer die is getraind als een super-intelligent kind dat de regels van het spel heeft geleerd.

In plaats van alleen data te laten kijken (zoals een gewone AI die rijdt op basis van voorbeelden), geven ze de AI de wiskundige regels (de Bellman-vergelijking) als "fysica" mee.
De AI moet niet alleen de kaart tekenen, maar ook bewijzen dat de kaart klopt volgens de regels van de natuurkunde en de limieten van het stuur.

3. Het resultaat: Een groter veiligheidsgebied

In hun experimenten (met twee voorbeelddoelen, een 2D en een 3D systeem) zagen ze iets moois:

De oude methoden (lineaire benaderingen) tekenden een klein, veilig cirkeltje rond het doelwit.
Hun nieuwe AI-methode tekende een veel groter, onregelmatig gebied dat precies paste bij de werkelijkheid. Het zag precies waar de auto echt nog kon worden gered.

Bovendien leerde de AI niet alleen de kaart, maar ook hoe te sturen. Zodra de AI de kaart heeft geleerd, kan hij voor elke positie in dat grote gebied zeggen: "Draai het stuur nu naar links, niet naar rechts," om de auto veilig naar huis te brengen.

Samenvatting in één zin

Dit paper presenteert een slimme manier om met behulp van een "wiskundig getrainde" computer te ontdekken hoe groot het veilige gebied is voor een lastig bestuurbare machine, en hoe je die machine precies moet besturen om veilig thuis te komen, zelfs als je beperkingen hebt.

Het is alsof je niet meer gissen doet over hoe ver je kunt rijden, maar een perfecte, dynamische kaart hebt die je precies vertelt waar je veilig bent en hoe je daar moet rijden.

Titel

Set-gebaseerde karakterisering van waardenfuncties en neurale benadering van stabilisatiedomeinen voor ingangs-beperkte discrete-tijdsystemen.

1. Probleemstelling

Het ontwerp van stabiliserende regelaars voor niet-lineaire systemen met ingangsbeperkingen (input constraints) is een fundamenteel probleem in de regeltheorie. Een cruciale uitdaging is het nauwkeurig schatten van het Stabilisatiedomein (Domain of Stabilization - DOS): de verzameling van alle beginvoorwaarden die asymptotisch naar een gewenst evenwichtspunt of een doelset kunnen worden gestuurd.

Bestaande methoden hebben beperkingen:

Lineaire benaderingen en Lyapunov-functies: Deze leveren vaak lokaal geldige resultaten die conservatief zijn (het geschatte domein is kleiner dan het werkelijke DOS).
Wiskundige optimalisatie (Dynamic Programming): Hoewel theoretisch exact, vereist dit een discretisatie van de toestandsruimte, wat leidt tot een exponentiële toename in rekencomplexiteit (de "curse of dimensionality").
Neurale netwerken (Data-driven): Bestaande methoden die neurale Lyapunov-functies leren, garanderen vaak niet de maximaliteit van het geschatte DOS en vereisen zware formele verificatie om correctheid te bewijzen.

Het paper richt zich op discrete-tijdsystemen met ingangsbeperkingen, waarbij de doelstelling is om een nauwkeurige schatting van het DOS te verkrijgen samen met een bijbehorende stabiliserende regelaar, zonder de rekenlast van volledige state-discretisatie.

2. Methodologie

De auteurs introduceren een nieuw raamwerk dat twee kerncomponenten combineert: een theoretische karakterisering via set-gebaseerde waardenfuncties en een physics-informed neural network (PINN) benadering.

A. Set-gebaseerde Waardenfuncties

In plaats van waardenfuncties te definiëren op individuele toestanden $x \in \mathbb{R}^n$ , definiëren de auteurs functies op de metrische ruimte van compacte verzamelingen $\mathcal{K}(\mathbb{R}^n)$ .

Definitie: De waardenfunctie $V(X)$ voor een verzameling $X$ wordt gedefinieerd als de som van de minimale kosten over de bereikbare verzamelingen (reachable sets) $R(X, k)$ :
$V(X) = \sum_{k=0}^{\infty} \Psi(R(X, k))$
waarbij $\Psi(X) = \inf_{y \in X} \alpha(y)$ en $\alpha$ een functie is die de afstand tot de doelset $A$ meet.
Karakterisering: Het DOS wordt exact gekarakteriseerd als de verzameling van toestanden $x$ waarvoor $V(\{x\}) < \infty$ . Een getransformeerde versie $W(X) = 1 - \exp(-V(X))$ heeft de eigenschap dat het DOS overeenkomt met de sub-niveau-sets waar $W < 1$ .
Bellman-type vergelijkingen: De auteurs leiden functionele vergelijkingen af (Zubov-type) die deze waardenfuncties moeten voldoen. Cruciaal is dat deze vergelijkingen geen expliciete infimum-operatoren over de ingangen bevatten in de vorm die moeilijk te leren is, maar eerder een structuur hebben die geschikt is voor numerieke benadering via bereikbare verzamelingen.

B. Physics-Informed Neural Network (PINN) Framework

Om deze waardenfuncties te benaderen, wordt een neurale netwerk-architectuur gebruikt die de afgeleide functionele vergelijkingen direct in het trainingsproces integreert.

Benadering van bereikbare verzamelingen: Omdat het exact berekenen van $R(X, k)$ moeilijk is, worden deze benaderd door een eindige verzameling van gesimuleerde trajecten (sampled trajectories).
Verliesfunctie: Het trainingsdoel is het minimaliseren van een gecombineerde verliesfunctie:
1. Data-gedreven verlies: Het verschil tussen de NN-uitvoer en een eind-horizon benadering van de waardenfunctie.
2. Physics-informed verlies: Het residu van de Bellman-type vergelijking (voor $W$ ). De NN wordt gedwongen om de relatie tussen de huidige set en de volgende bereikbare set (onder invloed van de dynamica) te respecteren.
Structuur: De NN leert de mapping $x \mapsto W(\{x\})$ . De auteurs nemen aan dat singleton sets $\{x\}$ en hun bereikbare beelden $F(\{x\})$ kunnen worden ingebed in een eindig-dimensionale ruimte (bijv. via hyper-rectangles), wat de berekening van de loss mogelijk maakt.

C. Regelaar Synthese

Na het trainen van de NN wordt een stabiliserende regelaar afgeleid door een grid-based zoekopdracht uit te voeren die de ingangsbeperkingen respecteert en de afname van de geleerde waardenfunctie garandeert.

3. Belangrijkste Bijdragen

Nieuwe Theoretische Kader: Introductie van waardenfuncties gedefinieerd op de ruimte van compacte verzamelingen, wat een exacte karakterisering van het DOS mogelijk maakt voor ingangs-beperkte systemen.
Afleiding van Functionele Vergelijkingen: Het afleiden van Bellman-type (Zubov-type) vergelijkingen voor deze set-gebaseerde functies, inclusief bewijzen voor uniciteit en continuïteit.
PINN Framework: Een praktische implementatie die de theoretische vergelijkingen gebruikt als "physics" in de loss-functie van een neurale netwerk, waardoor de NN de stabilisatiedynamica leert zonder pure data-fitting.
Constructieve Regelaar: Een methode om een stabiliserende feedback-regelaar te extraheren uit de geleerde waardenfunctie, die geldig is binnen het geschatte domein.

4. Resultaten

De methode is getest op twee numerieke voorbeelden (een 2D en een 3D niet-lineair systeem) met ingangsbeperkingen.

Vergelijking: De geschatte DOSs via de NN-methode zijn aanzienlijk minder conservatief dan die verkregen via klassieke kwadratische Lyapunov-analyse (ellipsen).
Nauwkeurigheid: De geschatte domeinen komen zeer dicht in de buurt van de theoretische DOS (de 1-subniveau-sets van de waarde $W$ ), met geschatte waarden van $\omega_2 \approx 0.97$ (dicht bij de theoretische grens van 1).
Stabilisatie: Gesimuleerde gesloten-lus trajecten tonen aan dat de afgeleide regelaar systemen vanuit het volledige geschatte domein succesvol naar de oorsprong stuurt, terwijl de ingangsbeperkingen worden gerespecteerd.
Efficiëntie: De trainings- en datageneratietijden waren redelijk (5-15 minuten op een standaard laptop), wat de haalbaarheid van de aanpak aangeeft.

5. Betekenis en Toekomstperspectief

Dit paper biedt een brug tussen de rigoureuze theoretische garanties van waardenfunctie-methoden en de schaalbaarheid van machine learning.

Significantie: Het lost het probleem op van het schatten van maximale stabilisatiedomeinen voor niet-lineaire systemen met beperkingen, een gebied waar eerdere methoden vaak tekortschoten of te zwaar waren.
Toekomstig Werk: De auteurs plannen om dit kader uit te breiden met formele verificatie (bijv. met $\alpha,\beta$ -CROWN of SMT-oplossers) om wiskundig bewezen garanties te geven voor de geleerde regelaars. Ook wordt gewerkt aan uitbreiding naar systemen met toestandsbeperkingen en verstoringen, en het versoepelen van de voorwaarden waaronder de waardenfuncties gegarandeerd Control Lyapunov Functies zijn.

Samenvattend biedt dit werk een krachtige, nieuwe aanpak voor het ontwerp van robuuste regelaars voor complexe niet-lineaire systemen, waarbij de beperkingen van traditionele methoden worden overwonnen door een slimme combinatie van set-theorie en deep learning.