Resumo Técnico: Aprendizado de Eficácia de Controle Interpretável Integrado e Alocação de Controle Não Linear

Definição do Problema

Aeronaves modernas sobreatuadas possuem mais efetores do que eixos de controle independentes, oferecendo redundância para tolerância a falhas e objetivos secundários. No entanto, a alocação de controle convencional baseia-se em matrizes de eficácia de controle lineares e estáticas ($B$). Essa premissa falha em regimes de voo dominados por dinâmicas não lineares e fortes acoplamentos entre os efetores e os estados do veículo (ex: ângulo de ataque, velocidade de ar). Quando essas não linearidades predominam, os alocadores lineares sofrem com o desajuste de modelo, levando à degradação do desempenho e redução da robustez.

As alternativas existentes apresentam um compromisso (trade-off):

1. Modelos de alta fidelidade embarcados: Precisos, mas computacionalmente proibitivos para otimização em tempo real, muitas vezes exigindo perturbações por diferença finita para cada efetor em cada ciclo de controle.
2. Abordagens baseadas em dados de caixa-preta (ex: Redes Neurais): Capazes de aprender mapeamentos complexos, mas carecem de interpretabilidade, complicando a verificação, certificação e diagnóstico de falhas.
3. Modelos linearizados: Eficientes, mas perdem precisão conforme as condições de operação se afastam do ponto de linearização.

O desafio central é desenvolver um mapeamento de eficácia de controle que seja preciso (capturando não linearidades), computacionalmente eficiente (adequado para resolvedores não lineares em tempo real) e interpretável (transparente para verificação e segurança).

Metodologia

O artigo propõe um framework que aprende um modelo analítico explícito, com restrições físicas, do mapeamento de eficácia de controle a partir de dados de voo e o incorpora em resolvedores de alocação de controle não linear.

1. Identificação Esparsa de Dinâmicas Não Lineares (SINDy)

O mapeamento de eficácia de controle é aprendido offline usando uma abordagem SINDy com restrições.

• Biblioteca Informada pela Física: Em vez de usar expansões polinomiais genéricas, a biblioteca de funções candidatas é construída usando o conhecimento de domínio da dinâmica rotacional de aeronaves. Especificamente, a biblioteca incorpora os termos conhecidos de acoplamento de corpo rígido (ex: $pq, pr, qr$) e normaliza as contribuições de momento aerodinâmico usando coeficientes baseados em inércia ($C_1$ a $C_9$). Isso separa a estrutura inercial conhecida dos mapeamentos aerodinâmicos desconhecidos.
• Regressão Esparsa: O método utiliza Regressão Regularizada Relaxada Esparsa (SR3) para identificar um conjunto compacto de equações governantes. Uma estratégia de conjunto (ensemble) (calculando a média de 50 modelos identificados independentemente) é usada para garantir robustez e padrões de esparsidade consistentes.
• Saída: O resultado é um modelo analítico contínuo no tempo parcimonioso $\dot{x} = \Theta(x, u)\Xi$ que é diferenciável e interpretável.

2. Alocação de Controle Não Linear

O modelo analítico identificado é incorporado em duas estratégias de alocação:

• Alocação Baseada em Gradiente: A natureza explícita do modelo permite o cálculo analítico de Jacobianos ($\partial \dot{x}/\partial u$). Esses Jacobianos são fornecidos a um resolvedor de descida de gradiente iterativo para minimizar o desajuste entre as acelerações previstas e as comandadas, respeitando as restrições dos atuadores.
• Alocação Dinâmica (MPC): Para lidar com a dinâmica dos atuadores (largura de banda e limites de taxa), o framework utiliza Controle Preditivo Baseado em Modelo (MPC). O modelo identificado prevê as taxas de corpo baseando-se nas deflexões de atuadores realizadas (propagadas através de um modelo de atuador de primeira ordem) em vez de deflexões comandadas. Esta formulação otimiza uma sequência de comandos para antecipar o atraso (lag) e evitar comportamento oscilatório.

3. Adaptação Online

Para lidar com variações do plano (plant) (ex: consumo de combustível, falhas de atuadores), um mecanismo de adaptação online monitora os resíduos de previsão entre o modelo identificado e as medições dos sensores. Se o desajuste exceder um limite, a matriz de coeficientes $\Xi$ é atualizada via um passo de gradiente, permitindo uma reconfiguração suave sem a necessidade de uma reidentificação completa do modelo.

Principais Contribuições

1. Modelagem Explícita e Interpretável: O artigo demonstra que o SINDy, quando guiado por bibliotecas informadas pela física, pode recuperar um modelo de eficácia de controle esparso e interpretável a partir de dados de voo sem depender de modelos pesados embarcados ou redes neurais de caixa-preta.
2. Alocação Não Linear Eficiente: Ao fornecer Jacobianos analíticos, o modelo identificado permite a convergência rápida e confiável em resolvedores não lineares, evitando o custo computacional dos métodos de diferença finita usados com modelos embarcados de alta fidelidade.
3. Adaptação Robusta: O framework inclui uma rotina de adaptação online que mantém a precisão sob mudanças de condições e falhas de atuadores, atualizando os parâmetros do modelo em tempo real.
4. Integração de Alocação Dinâmica: A metodologia estende-se à alocação dinâmica, propagando explicitamente os estados dos atuadores para lidar com limitações de largura de banda, um recurso frequentemente omitido em esquemas de alocação estática.

Resultados

A metodologia foi avaliada na aeronave de referência ADMIRE (Aero-Data Model in a Research Environment), um caça delta-canard altamente sobreatuado.

• Precisão de Rastreamento: Em simulações de Monte Carlo envolvendo manobras agressivas, o método proposto alcançou precisão de rastreamento comparável a uma linha de base de modelo embarcado totalmente não linear, superando significativamente os modelos lineares embarcados. O Erro Quadrático Médio (RMSE) para o método proposto foi próximo da linha de base não linear (ex: $0,0824$ vs $0,0403$ rad/s para taxa de rolagem) e muito superior à linha de base linear ($0,1338$ rad/s).
• Eficiência Computacional: O método proposto alcançou o menor tempo total de execução entre todos os métodos comparados, incluindo a linha de base linear. Isso é atribuído à eliminação de etapas separadas de avaliação de modelo e perturbações de diferença finita; o modelo analítico e seus Jacobianos são avaliados diretamente dentro do resolvedor.
• Adaptabilidade a Falhas: Em um cenário onde o leme ficou travado, o mecanismo de adaptação online detectou o desajuste de resíduo, atualizou os coeficientes do modelo e redistribuiu com sucesso a autoridade de controle para os efetores saudáveis, recuperando o desempenho de rastreamento após um curto transiente.
• Desempenho Dinâmico: Quando testado com largura de banda de atuador degradada (elevons mais lentos), a formulação MPC dinâmica eliminou os comandos de deflexão oscilatórios observados nas linhas de base de alocação estática, produzindo comandos de controle mais suaves e coordenados.

Significância e Alegações

O artigo afirma oferecer uma solução de "meio termo" que resolve o persistente compromisso entre fidelidade de modelo, custo computacional e interpretabilidade.

• Interpretabilidade vs. Desempenho: Diferente de métodos baseados em dados de caixa-preta, o modelo identificado recupera uma estrutura governante com significado físico direto (ex: termos de acoplamento de inércia), facilitando a verificação e a construção de casos de segurança.
• Eficiência vs. Fidelidade: Diferente de modelos de alta fidelidade embarcados, o modelo analítico esparso permite a otimização não linear em tempo real sem custos computacionais proibitivos.
• Robustez: O framework fornece um mecanismo para reconfiguração suave sob falhas de atuadores e variações nas condições operacionais, preservando o desempenho de rastreamento sem exigir uma reidentificação completa do sistema.

Os autores observam que, embora o método seja promissor, trabalhos futuros são necessários para estabelecer garantias de estabilidade de malha fechada rigorosas para a adaptação online e para investigar a robustez sob níveis realistas de ruído de sensores. Adicionalmente, a natureza explicitamente diferenciável do modelo abre possibilidades futuras para explorar ativamente acoplamentos não lineares para aumentar a autoridade de controle, uma capacidade inerentemente invisível para formulações de alocação linear.