Funnel Control Under Hard and Soft Output Constraints (extended version)

Este artigo propõe um método de controle em funil para sistemas não lineares incertos que, através de um planejamento online de funis, garante o cumprimento de restrições de saída rígidas (segurança) e flexíveis (desempenho), sendo validado por uma simulação de um robô móvel que rastreia um objeto em movimento dentro de um espaço seguro delimitado.

O essencial

Imagine que você está dirigindo um carro autônomo em uma cidade movimentada. Você tem dois objetivos principais:

1. Segurança (Restrições "Duras"): O carro nunca pode bater em nada, sair da estrada ou entrar em zonas proibidas. Isso é inegociável. Se o carro estiver prestes a bater, ele deve frear ou desviar, não importa o que aconteça.
2. Desempenho (Restrições "Suaves"): Você quer que o carro siga uma rota específica, mantenha uma velocidade confortável e chegue ao destino o mais rápido e suavemente possível. Isso é o ideal, mas não é mais importante que a segurança.

O problema é: e se a rota ideal (desempenho) levar o carro para dentro de uma parede (segurança)? O que o carro deve fazer?

A maioria dos sistemas antigos tentava seguir a rota ideal até o último segundo, o que poderia causar acidentes, ou era tão conservador que o carro andava devagar demais para evitar qualquer risco.

A Solução Proposta neste Artigo: O "Funil Inteligente"

Os autores deste artigo criaram um novo método de controle chamado Controle de Funil sob Restrições Duras e Suaves. Eles usam uma metáfora visual muito clara: um funil.

1. O Funil de Segurança vs. O Funil de Desempenho

Pense em dois funéis de papel:

• O Funil Duro (Vermelho): É pequeno e rígido. Representa a área segura onde o robô/carro pode estar. Se o robô sair daqui, é um desastre.
• O Funil Suave (Azul): É o caminho ideal que o robô gostaria de seguir para fazer seu trabalho perfeitamente.

O Cenário Normal:
Quando a estrada está livre, os dois funéis se sobrepõem. O robô fica no meio dos dois, seguindo a rota perfeita e, ao mesmo tempo, estando seguro. Tudo ótimo.

O Cenário de Conflito:
Imagine que o Funil Suave (a rota ideal) tenta levar o robô para dentro de uma parede (o Funil Duro). Eles se chocam.

• Sistemas antigos: Ficariam confusos ou tentariam seguir a rota ideal e bateriam na parede.
• O Método dos Autores: Eles criam um "Funil Consistente" (um novo funil verde) que é desenhado online (em tempo real).

2. Como o "Funil Consistente" Funciona (A Magia)

O sistema tem um "arquiteto" que desenha esse funil verde na hora:

• Regra de Ouro: O Funil Verde sempre fica dentro do Funil Vermelho (Segurança). O robô nunca sai da zona segura.
• O Truque: Se o Funil Azul (Desempenho) tentar entrar no Funil Vermelho, o Funil Verde cresce ou se move para abraçar o Funil Azul, mas nunca ultrapassa o limite Vermelho.
  • Se a rota ideal é possível, o Funil Verde segue a rota ideal.
  • Se a rota ideal é perigosa, o Funil Verde "empurra" a rota ideal para o lado, mantendo o robô o mais próximo possível do ideal, mas sempre dentro da segurança.

É como se você estivesse dirigindo e, ao ver um buraco na pista (o conflito), você desviasse suavemente para a faixa ao lado (respeitando a segurança), em vez de tentar atravessar o buraco ou parar o carro completamente.

3. A Recuperação (O Robô se Ajusta)

O que acontece quando o obstáculo some?
O sistema é inteligente. Assim que o Funil Azul (rota ideal) volta a ser compatível com o Funil Vermelho (segurança), o Funil Verde se contrai rapidamente de volta para a rota ideal. O robô volta a seguir o caminho perfeito, mas sem nunca ter perdido o controle ou violado a segurança.

4. Por que isso é especial?

• Não precisa de um mapa perfeito: O robô não precisa saber exatamente como o mundo funciona (não precisa saber o peso exato do carro, a força do vento, etc.). Ele é "robusto" e se adapta a surpresas.
• Simples e Rápido: Ao contrário de outros métodos complexos que exigem supercomputadores para calcular milhões de opções por segundo, este método é leve e pode rodar em computadores comuns de robôs.
• Segurança Primeiro: A prioridade é clara. A segurança é absoluta; o desempenho é flexível.

Resumo da Ópera

Imagine que você está guiando um robô para pegar uma bola que está se movendo.

• Sem este método: O robô tenta ir direto pela linha reta (desempenho) e bate em uma caixa de ferramentas (segurança).
• Com este método: O robô vê a caixa. Ele desvia um pouco para não bater (respeitando a restrição dura), mas continua indo na direção da bola o mais rápido possível. Assim que a caixa passa, ele volta instantaneamente para a linha reta perfeita.

Os autores provaram matematicamente que isso funciona para robôs complexos (como braços robóticos e carros autônomos) e mostraram em simulações que o robô consegue seguir objetos em movimento dentro de uma área segura, mesmo quando a trajetória ideal tenta levá-lo para fora dessa área.

Em suma: É um sistema de navegação que diz: "Faça o seu melhor para seguir o plano, mas se o plano for perigoso, ajuste-se instantaneamente para sobreviver, e volte ao plano assim que for seguro."

Resumo técnico

Resumo Técnico: Controle de Funil sob Restrições de Saída Rígidas e Suaves

1. Problema e Motivação

O artigo aborda o desafio de controlar sistemas não lineares incertos (especificamente sistemas Euler-Lagrangianos) que possuem restrições de saída variantes no tempo. O problema central reside na distinção e gestão simultânea de dois tipos de restrições que podem entrar em conflito:

• Restrições Rígidas (Hard Constraints): Representam requisitos de segurança (ex.: limites físicos de uma área de operação, colisão). Estas devem ser sempre respeitadas.
• Restrições Suaves (Soft Constraints): Representam requisitos de desempenho (ex.: precisão no rastreamento de trajetória, tempo de assentamento). Estas devem ser respeitadas apenas quando não conflitam com as restrições rígidas.

A literatura existente (como Controle de Funil - FC, Controle de Desempenho Prescrito - PPC e Funções de Barreira) geralmente assume que as restrições de desempenho e segurança são compatíveis. No entanto, em cenários reais, a trajetória desejada pode levar o sistema para fora da zona de segurança, criando um conflito. O objetivo deste trabalho é desenvolver uma estratégia de controle que garanta a segurança absoluta (restrições rígidas) enquanto tenta maximizar o desempenho (restrições suaves), resolvendo conflitos dinamicamente.

2. Metodologia Proposta

Os autores propõem uma abordagem em duas etapas principais:

A. Planejamento Online de Funil Consistente com Restrições (CCF)
O primeiro passo é projetar um "Funil Consistente com Restrições" (Constraint Consistent Funnel - CCF) que sirva como limite dinâmico para a saída do sistema.

• Mecanismo de Planejamento: O método utiliza sinais de modificação ($\phi_L, \phi_U$) que são ativados online quando as restrições suaves e rígidas se tornam incompatíveis.
• Lógica de Conflito:
  • Se as restrições são compatíveis, o funil é definido pela interseção das zonas de segurança e desempenho.
  • Se as restrições se tornam incompatíveis (ex.: a trajetória desejada sai da caixa de segurança), o sinal de modificação aumenta, expandindo o limite do funil suave em direção ao limite rígido.
  • O sistema prioriza sempre a restrição rígida. A restrição suave é violada temporariamente, mas o sistema garante que a saída permaneça estritamente dentro dos limites de segurança.
• Recuperação: Assim que o conflito é resolvido (a trajetória desejada volta a ser compatível com a segurança), os sinais de modificação decaem exponencialmente, permitindo que o funil se contraia de volta para a zona de desempenho desejada.
• Suavização: O artigo também propõe uma versão suavizada (usando funções tanh e aproximações logarítmicas) para evitar descontinuidades no sinal de controle, embora a versão original seja contínua, mas não suave.

B. Projeto do Controlador Robusto (PPC)
Uma vez definido o CCF online, um controlador baseado no método de Controle de Desempenho Prescrito (PPC) é utilizado.

• Características: O controlador é de baixa complexidade, livre de modelo (model-free) e robusto a incertezas e perturbações externas.
• Mecanismo: Utiliza uma transformação de erro não linear que mapeia o erro de rastreamento (normalizado em relação ao funil) de um espaço limitado $(-1, 1)$ para um espaço ilimitado. O controle é projetado para manter a variável transformada limitada, o que garante matematicamente que a saída do sistema permaneça dentro do CCF planejado.
• Aplicação: O método é aplicado a sistemas Euler-Lagrangianos, uma classe que inclui robôs móveis, manipuladores robóticos e veículos aéreos.

3. Contribuições Principais

1. Gestão de Conflitos Dinâmicos: É o primeiro trabalho a integrar restrições rígidas e suaves variantes no tempo sob uma estrutura de controle baseada em funis, permitindo que o sistema priorize a segurança sobre o desempenho quando necessário.
2. Abordagem Livre de Modelo e sem Otimização: Diferente de métodos baseados em Funções de Barreira de Controle (CBF) que frequentemente exigem a solução de Programação Quadrática (QP) em tempo real e conhecimento exato da dinâmica, a proposta é livre de otimização e não requer conhecimento preciso dos parâmetros do sistema (massa, atrito, etc.).
3. Garantias Teóricas Rigorosas: O artigo fornece uma prova de estabilidade que garante:
   • A saída do sistema permanece estritamente dentro das restrições rígidas para todo $t \geq 0$.
   • A recuperação exponencial das restrições suaves assim que o conflito cessa.
   • A limitação de todos os sinais de malha fechada.
4. Flexibilidade de Assunções: O método relaxa a necessidade de as restrições serem compatíveis no instante inicial ($t=0$), permitindo que o sistema comece em uma condição que viola o desempenho, mas respeita a segurança.

4. Resultados de Simulação

Os resultados foram validados através da simulação de um robô móvel em um plano 2D que deve rastrear um objeto em movimento.

• Cenário: O robô deve permanecer dentro de uma "caixa" de segurança (restrição rígida) enquanto tenta seguir uma trajetória circular (restrição suave).
• Comportamento Observado:
  • Quando a trajetória desejada exigia que o robô saísse da caixa de segurança, o controlador ajustou automaticamente o funil, permitindo que o robô violasse a restrição de desempenho (afastando-se da trajetória desejada) para não violar a restrição de segurança.
  • O robô permaneceu estritamente dentro dos limites da caixa de segurança em todos os momentos.
  • Assim que a trajetória desejada voltou a ser compatível com a segurança, o robô recuperou o rastreamento da trajetória original.
• Parâmetros: A simulação demonstrou como o ganho de recuperação ($k_c$) afeta a velocidade com que o sistema retorna ao desempenho ideal após um conflito.

5. Significado e Impacto

Este trabalho é significativo porque preenche uma lacuna crítica na teoria de controle de sistemas não lineares: a capacidade de lidar com especificações de segurança e desempenho conflitantes de forma robusta e computacionalmente eficiente.

• Segurança Crítica: Oferece uma solução prática para aplicações onde a segurança é inegociável (ex.: robótica colaborativa, veículos autônomos), garantindo que o sistema nunca entre em estados perigosos, mesmo que isso signifique sacrificar temporariamente a precisão da tarefa.
• Eficiência Computacional: Ao evitar a necessidade de resolver problemas de otimização online (como em métodos QP/CBF), o método é mais adequado para sistemas com recursos computacionais limitados ou com dinâmicas muito rápidas.
• Generalidade: A aplicação a sistemas Euler-Lagrangianos torna a técnica amplamente aplicável a uma vasta gama de sistemas físicos reais.

Em resumo, o artigo propõe um marco teórico e prático para o controle de sistemas incertos sob restrições complexas, garantindo que a segurança seja sempre a prioridade máxima, sem sacrificar a capacidade de recuperação de desempenho quando as condições permitirem.