Resumo Técnico: Identificação de Modelo Dinâmico do Humano como um Atuador

Formulação do Problema

O artigo aborda o desafio de caracterizar a resposta do piloto humano como um atuador dinâmico dentro de um sistema de controle em malha fechada. Quando um humano interage com um veículo físico (por exemplo, uma aeronave ou veículo espacial), seu tempo de reação e características de resposta introduzem dinâmicas que afetam a estabilidade e o desempenho global do sistema. Isso é crítico para análises de segurança, como o cálculo de diagramas "H-V" (Altura-Velocidade) para helicópteros, onde o tamanho dos regimes de voo inseguros depende diretamente das capacidades de reação do piloto.

A literatura existente tem se baseado amplamente em modelos lineares, invariantes no tempo e de baixa ordem, identificados no domínio da frequência, tipicamente utilizando suposições de entrada única, saída única (SISO). Uma limitação significativa em abordagens anteriores (ex: [5]) é que elas frequentemente ajustam modelos de pilotos aos comandos brutos do piloto (ex: deflexão do joystick) em vez da resposta resultante do veículo. Os autores argumentam que um modelo de piloto deve ser avaliado com base em sua capacidade de atingir um estado desejado do veículo (ex: rastreamento de altitude) em vez de simplesmente replicar os comandos de entrada.

Metodologia

Os autores propõem um método no domínio do tempo para estimar modelos dinâmicos de pilotos humanos usando otimização de trajetória com restrições. O núcleo da metodologia envolve as seguintes etapas:

1. Modelagem do Sistema:

   • Dinâmica do Veículo: Modelada como $\dot{x}_v = f_v(x_v, u_v)$, onde $x_v$ é o estado do veículo e $u_v$ é a entrada de controle.
   • Dinâmica do Piloto: Modelada como um sistema dinâmico $\dot{x}_p = f_p(x_p, u_p; \theta)$ e $y_p = h_p(x_p; \theta)$, onde $\theta$ representa os parâmetros desconhecidos a serem estimados.
   • Sistema Conjunto: O piloto e o veículo são acoplados em um vetor de estado conjunto $x = [x_v, x_p]^T$. A entrada do piloto é definida como o erro entre o alvo desejado $\hat{y}$ e a saída atual do veículo $y_v$.

2. Coleta de Dados:

   • Os dados são coletados via um simulador de voo onde um piloto manobra um veículo em direção a um marcador visual que representa uma posição alvo.
   • O sistema registra a saída do veículo $y_v(t)$ e os comandos de joystick do piloto ao longo de um horizonte finito $[0, T]$ em passos de tempo discretos.
   • O método não requer a observação direta dos estados internos do sistema ($x$); em vez disso, utiliza uma formulação implícita.

3. Estrutura de Otimização:

   • O problema de identificação é formulado como um problema de otimização com restrições para encontrar o vetor de parâmetros $\theta$ e a trajetória de estado $X$ que minimizam o erro entre as saídas medidas e as saídas previstas pelo modelo.
   • Função Objetivo: Minimizar a norma $L_2$ ao quadrado da diferença entre o erro da saída medida ($\delta Y$) e o erro da saída do modelo ($H$), assumindo ruído Gaussiano.
   • Restrições:
     • Consistência Dinâmica: A trajetória de estado deve satisfazer a dinâmica do sistema conjunto $\dot{x} = f(x; \hat{y}, \theta)$. Isso é imposto usando uma matriz de diferenciação discreta $D$ para aproximar a derivada temporal.
     • Restrições Físicas/de Tarefa: Restrições de desigualdade ($g(X, \theta)$) são aplicadas para garantir o realismo físico, como limitar o deslocamento do joystick e garantir a estabilidade do modelo do piloto (ex: via critérios de Routh-Hurwitz).
   • Agregação Multi-Tentativa: A estrutura permite a estimativa simultânea de um único modelo comum $\theta$ através de múltiplas tentativas experimentais ($M$), contabilizando as variações naturais no desempenho humano.

4. Implementação:

   • A otimização é resolvida usando o solver de Programação Não Linear (NLP) IPOPT no MATLAB.
   • A diferenciação automática é usada para calcular o Jacobiano e o Hessiano das restrições.

Resultados Experimentais

O método proposto foi validado usando um cenário de simulação de um drone quadricóptero:

• Tarefa: O piloto recebeu a tarefa de mover um quadricóptero de um voo pairando (hover) para uma posição de repouso em uma distância alvo específica ($\hat{y}$).
• Modelo do Veículo: Um modelo de 6 estados focando na dinâmica do eixo de pitch, incluindo empuxo do rotor e velocidades de rotação.
• Modelo do Piloto: Um sistema linear de terceira ordem, entrada única, saída única, definido por seis parâmetros ($\theta \in \mathbb{R}^6$). Restrições de estabilidade foram impostas para garantir que o modelo permanecesse Hurwitz.
• Dados: Foram registrados três ciclos independentes para um alvo de 10m e três ciclos para um alvo de 20m.
• Resultado: Um único modelo foi estimado e descreveu com sucesso os dados de todos os seis ciclos.
  • Os parâmetros do modelo estimado resultaram em um sistema estável.
  • A Figura 5 do artigo demonstra que a resposta do modelo estimado (linhas vermelha e amarela) converge para as posições de objetivo, correspondendo de forma próxima aos dados empíricos (linhas azuis) para ambas as distâncias de alvo.
  • Os resultados indicam que o modelo é robusto às variações naturais no controle humano entre diferentes tentativas e distâncias de alvo.

Principais Contribuições e Significância

O artigo reivindica as seguintes contribuições:

1. Identificação no Domínio do Tempo: Diferente de trabalhos anteriores que dependem de abordagens no domínio da frequência, este método resolve o modelo inteiramente no domínio do tempo usando otimização de trajetória.
2. Regularização Centrada na Saída: O método incorpora a dinâmica do veículo diretamente no processo de estimação. Em vez de ajustar o modelo aos comandos do piloto, ele ajusta o modelo à resposta resultante do veículo. Isso atua como uma regularização, garantindo que o modelo identificado seja capaz de realizar a tarefa desejada (ex: atingir uma altitude alvo) em vez de apenas mimetizar sinais de entrada.
3. Robustez Multi-Tentativa: A formulação permite a agregação de múltiplas coletas de dados para encontrar um único modelo dinâmico comum, lidando efetivamente com a variabilidade natural inerente ao desempenho humano.
4. Generalização: A abordagem foi projetada para ser facilmente generalizada para modelos de piloto MIMO (múltiplas entradas, múltiplas saídas) e não lineares, tornando-a aplicável a uma ampla gama de operações de voo.

Os autores concluem que este método fornece uma estrutura robusta para caracterizar pilotos humanos como atuadores, o que é essencial para a análise dinâmica precisa de veículos pilotados e cálculos de segurança crítica, como diagramas H-V. O trabalho futuro inclui experimentos com cenários de piloto MIMO.