⚡ electrical engineering

Feedback Linearisation with State Constraints

Este artigo propõe um método para lidar com restrições de estado em Linearização por Retroalimentação através do aumento da dinâmica do sistema antes da linearização e do emprego de um controlador de comutação para resolver os graus relativos mal definidos resultantes nas fronteiras das restrições.

Autores originais: Songlin Jin, Yuanbo Nie, Morgan Jones

Publicado 2026-07-07

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Songlin Jin, Yuanbo Nie, Morgan Jones

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está dirigindo um carro de corrida de alto desempenho (um sistema não linear complexo) que você deseja conduzir perfeitamente ao longo de uma pista sinuosa. Você tem uma ferramenta poderosa chamada Linearização por Feedback (FBL). Pense na FBL como um volante mágico que, quando você o gira, cancela instantaneamente toda a física estranha e imprevisível do carro (como a resistência do vento ou as peculiaridades do motor) e faz com que o carro se comporte como um carro de brinquedo simples e previsível movendo-se em linha reta. Isso torna fácil dirigir usando regras simples e padrão.

O Problema: As Paredes Invisíveis
No entanto, a vida real tem regras. Seu carro deve permanecer dentro das guardrails (restrições de estado). O problema de usar esse "volante mágico" (FBL) é que, embora ele torne o carro fácil de dirigir, ele também deforma o mapa. De repente, as guardrails simples e retas da pista real tornam-se um labirinto 3D confuso e retorcido no seu mapa digital. Tentar manter o carro dentro das guardrails usando as regras do "carro de brinquedo" torna-se mais difícil do que simplesmente dirigir o carro real! As regras simples não funcionam mais porque as "paredes" tornaram-se curvas complexas e não lineares.

A Solução: Adicionando um "Motorista Sombra"
Os autores deste artigo propõem um contorno inteligente. Em vez de tentar dirigir o carro enquanto olha para o mapa deformado e confuso, eles sugerem adicionar um Motorista Sombra (um novo conjunto de variáveis) ao sistema de controle do carro antes de aplicar o volante mágico (FBL).

A Variável de Folga (O Amortecedor): Imagine que o Motorista Sombra segura um elástico esticável entre o carro e a guardrail. Enquanto o carro estiver longe da parede, o elástico está frouxo. À medida que o carro se aproxima da parede, o elástico fica tenso. O trabalho do Motorista Sombra é gerenciar essa tensão.
Aumentando o Sistema: Eles "anexam" matematicamente este Motorista Sombra ao carro. Agora, em vez de apenas dirigir o carro, o volante mágico (FBL) dirige o Motorista Sombra. Como o Motorista Sombra é projetado para reagir ao elástico, o carro é fisicamente impedido de cruzar a guardrail. Se o carro tentar atingir a parede, a tensão do Motorista Sombra se ajusta automaticamente para pará-lo, tornando a "parede" impossível de atravessar.
O Controlador Integral: Para garantir que o Motorista Sombra não fique sobrecarregado ou aja de forma errática, eles adicionam um componente de "memória" (um controlador integral). Isso é como um copiloto que lembra o quanto o carro foi empurrado e suaviza gentilmente a direção, garantindo que o carro permaneça dentro dos limites seguros sem dar solavancos.

O Soluço: A Zona "Embaçada"
Existe uma parte complicada. Quando o carro chega exatamente na borda da guardrail (o limite), a matemática que descreve o Motorista Sombra torna-se "embaçada" ou indefinida. É como tentar calcular a velocidade de um carro que acabou de parar; os números ficam confusos, e o volante mágico pode parar de funcionar corretamente.

A Correção: Mudando de Marcha
Para corrigir isso, os autores introduzem uma Estratégia de Troca (Switching Strategy). Imagine que o carro possui dois modos de direção diferentes:

Modo A: Usado quando o carro está em segurança no meio da estrada.
Modo B: Usado quando o carro chega perigosamente perto da guardrail.

O sistema verifica constantemente a "zona embaçada". Se o carro chegar muito perto da borda onde a matemática fica confusa, o sistema muda instantaneamente para o outro modo de direção, que é projetado especificamente para essa situação complicada. Assim que o carro volta para a segurança, ele retorna ao modo anterior. Isso permite que o carro contorne as guardrails de forma justa sem nunca bater ou perder o controle.

O Resultado
O artigo prova que este método funciona. Eles testaram o método em um carro simples (um sistema de entrada única) e em um mais complexo (como o famoso sistema de Lorenz, frequentemente usado para modelar o clima caótico).

Sem o método deles: O carro atravessa as guardrails porque as regras de direção padrão falham quando restrições são adicionadas.
Com o método deles: O carro permanece perfeitamente dentro das guardrails, segue o caminho desejado e nunca viola as regras, tudo isso sem precisar de um supercomputador para resolver problemas matemáticos complexos em tempo real.

Em Resumo
O artigo nos ensina como pegar uma ferramenta de direção poderosa, mas rígida (FBL), e modificá-la com um "Motorista Sombra" e um "Trocador de Marchas". Isso nos permite dirigir sistemas complexos e caóticos com segurança dentro de limites estritos, mantendo-os no caminho sem que a matemática quebre quando chegam perto demais da borda.

Resumo Técnico: Linearização por Realimentação com Restrições de Estado

Formulação do Problema

A Linearização por Realimentação (FBL - Feedback Linearisation) é uma técnica madura para transformar sistemas de controle não lineares afins em entrada em sistemas lineares, permitindo o uso de métodos de projeto linear como a alocação de polos. No entanto, uma limitação significativa surge ao lidar com restrições de estado. Embora a FBL linearize com sucesso a dinâmica do sistema, ela frequentemente transforma restrições de estado simples no sistema não linear original em restrições não lineares complexas no domínio linearizado. Essa transformação diminui a principal vantagem da FBL, pois controlar o sistema linear resultante sob essas restrições complexas torna-se tão difícil quanto controlar o sistema não linear original.

Abordagens existentes para este problema tipicamente dependem de métodos baseados em otimização (por exemplo, Controle Preditivo Baseado em Modelo - MPC) ou Desigualdades Matrizes Lineares (LMIs), que impõem cargas computacionais significativas inadequadas para aplicações online. Outros métodos são frequentemente restritos a restrições do tipo "caixa" (box constraints). O artigo aborda o desafio de projetar um controlador FBL que garanta a satisfação das restrições de estado sem exigir otimização online, sendo aplicável a restrições variantes no tempo em geral.

Metodologia

A metodologia proposta segue um fluxo de trabalho de três etapas: Aumentação de Estado, Modificação do Controlador Integral e Implementação de FBL com Comutação.

1. Aumentação de Estado e Captura de Restrições

O núcleo da abordagem envolve a aumentação da dinâmica do sistema para encapsular as restrições de estado antes de aplicar a FBL.

Variáveis de Folga (Slack Variables): Uma variável de folga variante no tempo $Z(t)$ é introduzida de tal forma que a restrição $\phi(t, x(t)) \leq 0$ seja satisfeita se $Z(t) \geq 0$ . Especificamente, a restrição é reescrita como $\phi(t, x(t)) + \frac{1}{2}z^2(t) = 0$ .
Derivação Analítica: O artigo deriva uma expressão analítica para as derivadas temporais desta equação aumentada. Ao tomar as derivadas até que a entrada do sistema apareça explicitamente (determinado pelo grau relativo), a entrada original $u$ é expressa como uma função das derivadas da variável de folga (tratada como uma pseudo-entrada $w$ ).
Aumentação Sequencial: Para sistemas onde o número de restrições excede o número de entradas (MIMO com $r > m$ ), uma estratégia de aumentação sequencial é empregada. As restrições são capturadas uma subconjunto de cada vez, expandindo iterativamente o espaço de estados.
Garantia Teórica: O Teorema 1 estabelece que, para qualquer pseudo-entrada $w$ integrável, a trajetória resultante do sistema original satisfaz as restrições de estado. Isso ocorre porque, à medida que o sistema se aproxima da fronteira da restrição ( $z \to 0$ ), a autoridade de atuação sobre a restrição desaparece, impedindo a violação.

2. Estrutura do Controlador Integral

Para garantir que a pseudo-entrada $w$ seja integrável (um requisito para o Teorema 1) e para lidar com erros de regime permanente, o sistema aumentado é adicionalmente modificado com uma estrutura de controlador integral.

Um estado de integrador $\xi$ é adicionado, onde $\dot{\xi} = \tilde{w}$ (uma nova entrada virtual).
A pseudo-entrada é definida como uma função limitada do estado integral, $w = s_\beta(\xi)$ , onde $s_\beta$ é uma função do tipo saturação.
Esta modificação garante que a entrada para o sistema aumentado permaneça limitada e integrável, preservando as garantias de satisfação de restrição.

3. Lidar com Graus Relativos Mal Definidos e Comutação

Um desafio crítico identificado é que o sistema aumentado exibe um grau relativo mal definido nas fronteiras das restrições de estado (onde as variáveis de folga tornam-se zero). Esta singularidade impede a aplicação direta da FBL padrão, que requer uma matriz de desacoplamento invertível.

Grau Relativo Numérico $\epsilon$ ( $\epsilon$ -NRD): Para abordar isso, o artigo introduz o conceito de $\epsilon$ -NRD. Em vez de depender de derivadas de Lie exatas de zero/não-zero, o método utiliza um limiar $\epsilon$ para determinar o grau relativo com base em se os coeficientes das derivadas de Lie são numericamente significativos.
Estratégia de Comutação (Switching Strategy): O controlador é sintetizado com base no $\epsilon$ -NRD local. À medida que a trajetória do sistema evolui e cruza regiões onde o $\epsilon$ -NRD muda (tipicamente perto das fronteiras de restrição), o controlador comuta para uma nova lei FBL sintetizada para o grau relativo local atual.
Retrosubstituição (Back-Substitution): Para garantir a implementação prática, os estados aumentados (variáveis de folga) são eliminados algebricamente da expressão final do controlador usando as relações derivadas. O controlador final depende apenas dos estados originais do sistema e dos estados integrais.

Principais Contribuições

Tratamento de Restrições Escalável: O artigo estende o trabalho anterior de aumentação de estado para casos onde a dimensão da restrição excede a dimensão da entrada. Ele fornece um novo método de aumentação sequencial e deriva a primeira expressão analítica para a transformação de restrições em dinâmica de sistema (Lema 1).
Princípios Fundamentais de Projeto (Teorema 1): Os autores estabelecem que a integrabilidade e a invertibilidade dos controladores virtuais são chaves para certificar a satisfação de restrições. Eles provam que o método de aumentação proposto garante a satisfação de restrições para qualquer entrada integrável.
Resolução de Graus Relativos Mal Definidos: O artigo prova teoricamente que a aumentação leva a graus relativos mal definidos nas fronteiras de restrição (Proposição 1). Ele supera isso integrando uma estratégia de controlador de comutação baseada em $\epsilon$ -NRD, permitindo que a FBL seja aplicada mesmo quando o grau relativo muda dinamicamente.
Fluxo de Trabalho de Implementação Prática: Diferente de resultados teóricos anteriores, o artigo fornece um método de implementação definitivo e de forma fechada (Algoritmo 1 e 2) que une teoria e prática. Ele detalha como remover as dependências dos estados aumentados via retrosubstituição, permitindo que o controlador rode no sistema original com estados integrais.

Resultados

O artigo valida a metodologia através de experimentos numéricos em sistemas SISO (Single-Input Single-Output):

Exemplo 1: Um sistema com uma restrição quadrática variante no tempo. Os autores derivaram manualmente o controlador, demonstrando que o método proposto estabiliza o sistema para a origem enquanto satisfaz estritamente a restrição. Em contraste, um controlador FBL clássico (sem aumentação) violou a restrição. O experimento também destacou o efeito da alocação de polos na velocidade de convergência e a necessidade de comutação do controlador próximo à fronteira.
Exemplo 2: Um sistema caótico do tipo Lorenz com múltiplas restrições e uma referência variante no tempo. O controlador FBL de comutação proposto rastreou com sucesso a referência enquanto permanecia dentro da região viável. O controlador FBL clássico, ignorando as restrições, exibiu um overshoot significativo e violou as restrições de estado.

Significância e Alegações

O artigo alega oferecer um método FBL geral e livre de otimização capaz de lidar com restrições de estado. Sua principal significância reside em:

Evitar Otimização Online: Ao contrário do MPC, o controlador proposto é sintetizado offline (ou via lógica de comutação simples) e não exige a resolução de problemas de programação não linear online, tornando-o adequado para aplicações em tempo real.
Lidar com Restrições Gerais: O método não se limita a simples restrições de caixa, mas pode acomodar restrições de estado variantes no tempo em geral.
Robustez a Singularidades: Ao utilizar o $\epsilon$ -NRD e a lógica de comutação, o método aborda a questão fundamental de graus relativos mal definidos nas fronteiras de restrição, uma limitação conhecida na aplicação de FBL a sistemas com restrições.

Os autores observam que, embora a teoria de aumentação subjacente se aplique a sistemas MIMO, a implementação prática envolvendo a lógica de comutação é atualmente restrita a sistemas SISO devido à tratabilidade das condições de comutação. O trabalho futuro é identificado como a extensão deste framework de comutação para sistemas MIMO.