⚡ electrical engineering

Robust Data-Driven Nash Equilibrium Seeking under Partial-Decision Information

Dit artikel stelt een robuust, datagedreven raamwerk voor dat gedecentraliseerd zoeken naar het Nash-evenwicht mogelijk maakt in multi-agent-systemen met onbekende lineaire of niet-lineaire dynamica, exogene verstoringen en gedeeltelijke beslissingsinformatie door stabiliserende controllers direct te synthetiseren uit ruisige input-toestandgegevens via semi-definiete programma's.

Oorspronkelijke auteurs: Linqi Wang, Yifei Li, Wenjie Liu, Yuzhou Wei, Gang Wang, Lihua Xie

Gepubliceerd 2026-06-23

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Linqi Wang, Yifei Li, Wenjie Liu, Yuzhou Wei, Gang Wang, Lihua Xie

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 een groep drones voor die in een perfecte formatie proberen te vliegen terwijl ze windstoten ontwijken, maar met een twist: geen van de drones kan direct zien wat de anderen doen. Ze kunnen alleen praten met hun directe buren, en ze weten niet precies hoe de fysica van hun eigen motoren of de wind hen beïnvloedt. Ze hebben ook strikte regels te volgen, zoals: "iedereen moet op exact 30 meter hoogte blijven."

Dit artikel presenteert een slimme nieuwe manier voor deze drones (of elke groep agenten) om de perfecte, stabiele opstelling te vinden—een Nash-evenwicht—zonder dat ze een handleiding, een blauwdruk of een kristallen bol nodig hebben.

Hier is de uitsplitsing van hun oplossing met behulp van eenvoudige analogieën:

1. Het Probleel: Het "Blinde Orkest"

Normaal gesproken, om een groep agenten tot een gezamenlijke strategie te laten komen, heb je twee dingen nodig:

De Regels: Hoe het systeem beweegt (de wiskunde van de drone).
De Partituur: Wat iedereen op dit moment doet.

In dit artikel speelt het "orkest" in het donker.

Gedeelde Informatie: Elke drone hoort alleen zijn buren, niet de hele band.
Onbekende Dynamiek: Ze weten hun eigen gewicht, motorvermogen of hoe de wind hen duwt, niet.
Storingen: Er is externe ruis (wind) die de boel verstoort.
Strikte Regels: Ze moeten aan specifieke beperkingen voldoen (zoals het behouden van een vaste hoogte).

Als ze zouden proberen de wiskunde te raden of om een volledige lijst van ieders bewegingen te vragen, zou het systeem falen of te traag zijn.

2. De Oplossing: De "Data-gestuurde Detective"

In plaats van eerst de fysica te proberen te begrijpen, zeggen de auteurs: "Laten we gewoon kijken wat er gebeurt als we op de knoppen drukken."

Ze stellen een framework voor dat werkt als een detective die een misdaad oplost door naar het bewijs (data) te kijken, in plaats van de geschiedenis van de crimineel (het model) te kennen.

De Vier Zuilen van het Framework

De auteurs hebben een "controlesysteem" gebouwd met vier verschillende instrumenten die samenwerken:

De "Doelberekenaar" (NE-model):
Stel je voor dat elke drone een rekenmachine heeft die constant vraagt: "Ben ik tevreden met mijn huidige positie ten opzichte van mijn buren?" Zo niet, dan berekent hij een "spijt-score" (regret score). Deze rekenmachine gebruikt een speciale wiskundige truc (KKT-condities) om ervoor te zorgen dat ze niet zomaar willekeurig bewegen, maar bewegen richting een specifieke, stabiele overeenstemming waarbij niemand zijn mening wil veranderen.
Het "Fluisternetwerk" (Communicatieprotocol):
Omdat een drone de verre drones niet kan zien, moet hij raden wat de verre drones aan het doen zijn. De auteurs hebben een "fluisternetwerk" gecreëerd. Elke drone vraagt aan zijn buren: "Wat denk jij dat de anderen aan het doen zijn?" en geeft die gok vervolgens door. Na verloop van tijd worden deze gokken nauwkeurig genoeg zodat elke drone effectief de positie van de hele groep "kent", ook al heeft hij alleen met zijn buren gepraat.
Het "Windschild" (Intern Model):
De wind (storing) is irritant. Om dit te elimineren, gebruikt het systeem een "Intern Model". Denk aan dit als een noise-cancelling koptelefoon voor de drone. Als de wind in een voorspelbaar patroon blaast (zoals een constante windvlaag of een golf), bouwt de drone een mentale kopie van dat patroon en duwt hij er perfect tegenin, waardoor de vlucht vloeiend blijft.
De "Data-gestuurde Piloot" (De Controller):
Dit is het magische deel. Normaal gesproken heb je de exacte vergelijkingen van de drone nodig om de code te schrijven die de drone bestuurt. Hier gebruiken de auteurs Semi-Definite Programma's (SDP's).

De Analogie: Stel je voor dat je een robot wilt leren lopen. In plaats van een natuurkundeboek voor de robot te schrijven, laat je hem gewoon 50 keer lopen terwijl je de data opneemt. Je voert die rommelige, ruizige video vervolgens in een computerprogramma dat zegt: "Oké, op basis van deze 50 pogingen, is dit het exacte patroon van het indrukken van de knoppen dat het beste werkte."
Het artikel bewijst dat zelfs als de data ruizig is (zoals een trillende camera), deze methode garandeert dat de drones uiteindelijk zullen stoppen met wiebelen en zullen landen in de perfecte formatie.

3. De "Niet-lineaire" Twist

Het artikel pakt ook een moeilijkere versie aan: wat als de drones vreemde, niet-lineaire eigenschappen hebben (zoals een motor die anders reageert als hij warm wordt)?

Ze gebruiken een techniek genaamd "Lifting". Stel je voor dat je een 2D-tekening van een curve neemt en deze uitrekt naar 3D zodat het een rechte lijn wordt. Dit stelt hen in staat om dezelfde data-gestuurde wiskunde toe te passen op complexe, golvende systemen, zolang die golvingen aan bepaalde voorspelbare regels voldoen (zoals "begrensd" of "glad" te zijn).

4. De Resultaten: Bewijs in de Simulatie

De auteurs hebben dit getest in twee scenario's:

UAV-netwerk: Zes drones die specifieke doelpunten proberen te bereiken terwijl ze op een vaste hoogte blijven, ondanks de wind.
Rotary-Wing Formatie: Vijf helikopters met complexe, niet-lineaire fysica die proberen te coördineren.

De Uitkomst:

De drones vonden succesvol de perfecte formatie (het Nash-evenwicht).
Ze negeerden de wind en bleven op de juiste hoogte.
Cruciaal: Hun prestaties waren bijna identiek aan die van een "perfect" systeem dat wel alle natuurkundige vergelijkingen kende. De data-gestuurde methode werkte net zo goed zonder dat daar een handleiding voor nodig was.

Samenvatting

Dit artikel gaat over het leren aan een groep vreemden om in perfecte synchronisatie te dansen zonder choreograaf, zonder het tempo van de muziek te kennen, en zonder de andere dansers te zien. Ze doen dit door:

Te luisteren naar hun directe buren om de bewegingen van de hele ruimte te raden.
Hun eigen stappen op te nemen om het ritme gaandeweg te leren.
Een "noise-cancelling" truc te gebruiken om de wind te negeren.
Te vertrouwen op de verzamelde data om hen naar de perfecte, stabiele dansformatie te leiden.

Het artikel beweert dat dit wiskundig werkt en bewijst het met computersimulaties, waarmee wordt aangetoond dat je niet de "regels van de fysica" hoeft te kennen om complexe, verbonden systemen te besturen—je hebt alleen goede data en het juiste algoritme nodig.

Technische Samenvatting: Robuuste Data-gedreven Nash-evenwicht Zoektocht onder Partiële Beslissingsinformatie

Probleemformulering
Dit artikel behandelt de uitdaging van gedecentraliseerd Nash-evenwicht (NE) zoeken in multi-agentsystemen die worden gekenmerkt door onbekende lineaire (en vervolgens niet-lineaire) dynamica, exogene verstoringen, gelijkheidsbeperkingen en partiële beslissingsinformatie. In deze setting streven agenten ernaar om lokale kwadratische kostenfuncties te minimaliseren onder lineaire gelijkheidsbeperkingen. Echter, in tegenstelling tot standaard speltheoretische opstellingen, hebben agenten geen directe toegang tot de beslissingen van alle andere agenten; zij beschikken enkel over lokale schattingen afgeleid van een verbonden communicatiegrafiek. Bovendien is de systeemdynamica onbekend en zijn de agenten onderhevig aan verstoringen gegenereerd door bekende exosystemen (voor het lineaire geval) of constante verstoringen (voor het niet-lineaire geval). Het doel is om gedecentraliseerde controllers te ontwerpen die de systeemoutputs naar het unieke beperkte NE sturen zonder te vertrouwen op expliciete systeemidentificatie.

Methodologie
Het voorgestelde kader herformuleert het probleem van het beperkte NE-zoeken als een coöperatief outputreguleringsprobleem. Dit wordt bereikt via een verenigde architectuur die vier kerncomponenten integreert:

NE-model: Een dynamisch systeem wordt geïntroduceerd om een surrogaat voor de trackingfout te genereren. Dit model maakt gebruik van lokale schattingen van het beslissingsprofiel en incorporeert Karush-Kuhn-Tucker (KKT) condities om gelijkheidsbeperkingen af te handelen. De reguleringsfout wordt gedefinieerd op basis van de pseudo-gradiënt van de kostenfunctie en de Lagrange-multiplicatoren.
Communicatieprotocol: Om partiële beslissingsinformatie aan te pakken, wordt een consensus-gebaseerd communicatieprotocol toegepast. Agenten wisselen lokale schattingen van het beslissingsprofiel uit om de onbeschikbare componenten van de globale beslissingsvector te reconstrueren die nodig zijn voor de gradiëntevaluatie.
Intern Model: Om exogene verstoringen te onderdrukken, wordt het principe van het interne model toegepast. Voor lineaire systemen houdt dit een dynamisch intern model in dat wordt gedreven door de exosysteemmatrix $E_i$ . Voor constante verstoringen reduceert dit tot een integraalregelstructuur.
Data-gedreven Synthese: In plaats van systeemmatrices ( $A_i, B_i, C_i, D_i$ $A_{i}, B_{i}, C_{i}, D_{i}$ ) te identificeren, worden de controllers direct gesynthetiseerd vanuit ruizige input-state data die offline zijn verzameld.
- Lineair geval: Het probleem wordt gegoten in een semi-definiet programma (SDP). Door gebruik te maken van de Fundamental Lemma en het factoriseren van de onbekende verstoringdata, leiden de auteurs condities af (betreffende matrices $P_i, S_i$ en scalairen $\tau_i, \chi_i, \alpha_i$ ) die closed-loop stabiliteit en asymptotische convergentie naar het NE garanderen. De haalbaarheid van deze SDP's waarborgt de existentie van een stabiliserende winst $K_i$ die uitsluitend uit data wordt berekend.
- Niet-lineair geval: Het kader wordt uitgebreid naar een klasse van niet-lineaire systemen met constante verstoringen. De niet-lineariteiten worden afgehandeld via een "gelifte" representatie en begrensd door kwadratische ongelijkheden (S-procedure). De synthese omvat het oplossen van Lineaire Matrix Ongelijkheden (LMI's) die rekening houden met de niet-lineaire termen en meetruis.

Belangrijkste Bijdragen
Het artikel levert drie belangrijke bijdragen:

Verenigd Kader: Het ontwikkelt een controlekader dat een NE-model, een communicatieprotocol, een intern model en een data-gedreven controller integreert. Dit herformuleert het NE-zoekprobleem tot een coöperatief outputreguleringsprobleem, waarbij gelijkheidsbeperkingen en partiële beslissingsinformatie expliciet worden afgehandeld.
Robuuste Lineaire Synthese: Voor onbekende lineaire systemen onderhevig aan verstoringen van bekende exosystemen, stelt het een data-gedreven ontwerp methode voor op basis van SDP's. Deze methode garandeert closed-loop stabiliteit en asymptotische convergentie naar het beperkte NE met enkel gebruik van ruizige offline input-state data, zonder exacte systeemmatrices te vereisen.
Niet-lineaire Extensie: Het breidt de directe data-gedreven aanpak uit naar een klasse van niet-lineaire systemen met constante verstoringen. Door integrale regeling te combineren met kwadratische restricties op niet-lineariteiten, biedt het artikel gedecentraliseerd data-gedreven NE-zoeken met garanties voor asymptotische convergentie.

Resultaten
De effectiviteit en robuustheid van de voorgestelde methode worden gevalideerd door numerieke simulaties:

UAV Netwerk (Lineair): Een netwerk van zes onbemande luchtvaartuigen met onbekende lineaire dynamica en windverstoringen (gegenereerd door een exosysteem) werd gesimuleerd. De agenten convergeerden succesvol naar het beperkte NE (waarbij een specifieke hoogte werd behouden terwijl individuele waypoints werden gevolgd) met behulp van controllers gesynthetiseerd uit ruizige offline data. Vergelijkingen toonden prestaties die vergelijkbaar zijn met een model-gebaseerde controller met exacte systeemmatrices.
Rotary-Wing Formatie (Niet-lineair): Een formatie van vijf rotorsystemen met heterogene niet-lineaire dynamica (met sinusvormige termen) en constante verstoringen werd getest. De data-gedreven controller bracht de outputs succesvol naar het beperkte NE, waarbij de reguleringsfouten asymptotisch naar nul convergeren.

Betekenis en Claims
Het artikel positioneert het werk als een oplossing voor fundamentele uitdagingen in dynamische spelen waarbij systeemmodellen onbeschikbaar zijn, verstoringen aanwezig zijn en informatie incompleet is.

Onderscheid van bestaand werk: De auteurs verduidelijken dat hun resultaten geen eenvoudige combinatie zijn van bestaande methoden. In tegenstelling tot eerdere data-gedreven spelbenaderingen (bijv. Wang et al., 2026b) die zich richtten op onbeperkte spelen met uitgelijnde structuren, behandelt dit werk gelijkheidsbeperkingen en partiële beslissingsinformatie, wat de expliciete incorporatie van KKT-dynamica en gedistribueerde protocollen vereist.
Modelonafhankelijkheid: In tegen tegenstelling tot model-gebaseerde benaderingen (bijv. Guo en De Persis, 2021; Romano en Pavel, 2025), opereert dit kader zonder exacte systeemmatrices. Het faciliteert dynamische exosystemen voor lineaire gevallen en breidt uit naar niet-lineaire systemen met constante verstoringen, wat de toepasbaarheid van data-gedreven NE-zoeken vergroot.
Robuustheid: Het kader houdt expliciet rekening met meetruis en externe verstoringen, en biedt formele garanties voor stabiliteit en convergentie in de aanwezigheid van deze onzekerheden.

Het artikel sluit af met de opmerking dat toekomstig werk zich zal richten op ongelijkheidsbeperkingen, tijdvariërende dynamica en volledig onbekende exosysteemmatrices.