🔢 mathematics

Model-Free Based Computations of Recursive Control Barrier Function: Ultra-Local Model Approach

Este artigo propõe uma estrutura livre de modelo para computar funções de barreira de controle recursivas utilizando a abordagem de modelo ultra-local e estimativa de dinâmica online para impor restrições de segurança em sistemas não lineares com dinâmicas desconhecidas e graus relativos superiores, conforme demonstrado em um benchmark de controle de cruzeiro adaptativo.

Autores originais: Loïc Michel, Ricardo de Castro, Joseph Moyalan, Iman Ebrahimi, Jean-Pierre Barbot

Publicado 2026-08-18

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Loïc Michel, Ricardo de Castro, Joseph Moyalan, Iman Ebrahimi, Jean-Pierre Barbot

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

No mundo da engenharia, manter uma máquina segura é frequentemente uma batalha contra o desconhecido. Seja um carro autônomo navegando em uma rodovia chuvosa ou um braço robótico montando eletrônicos delicados, o controlador deve garantir que o sistema nunca se desvie para uma zona perigosa. Por décadas, os engenheiros confiaram em projetos matemáticos precisos de como essas máquinas se movem para construir tais redes de segurança. Esses projetos, conhecidos como modelos de sistema, agem como um mapa, dizendo ao computador exatamente como o veículo reagirá quando os freios forem pressionados ou o volante for girado. No entanto, na realidade desordenada do mundo físico, esses mapas raramente são perfeitos. O clima muda, peças se desgastam e solavancos inesperados ocorrem, criando uma lacuna entre o mapa e o território. Quando o mapa está errado, a rede de segurança pode falhar, levando a acidentes. É por isso que os pesquisadores estão buscando cada vez mais maneiras de manter os sistemas seguros sem precisar de um mapa perfeito do mundo, confiando, em vez disso, no que a máquina está realmente fazendo no momento.

Uma equipe de pesquisadores desenvolveu uma nova maneira de resolver esse problema, criando um sistema de segurança que aprende e se adapta em tempo real sem precisar de um modelo pré-escrito do comportamento da máquina. A abordagem deles, detalhada em um estudo recente, foca em um conceito chamado Função de Barreira de Controle. Pense nisso como uma parede invisível e flexível que envolve a zona de segurança de uma máquina. Se a máquina começar a derivar em direção a essa parede, o sistema ajusta automaticamente os controles para empurrá-la de volta à segurança. Tradicionalmente, calcular onde essa parede deve estar exige conhecer a física exata da máquina. Se a física for desconhecida ou mudar, o cálculo falha. Os pesquisadores, liderados por L. Michel e colegas, propuseram um método diferente. Em vez de adivinhar a física, eles usam uma técnica chamada modelo ultra-local. Este é um instantâneo simples e de curto prazo de como a máquina está se movendo agora, atualizado continuamente conforme novos dados chegam. Ele ignora o histórico complexo e de longo prazo da máquina e foca apenas na relação imediata entre a entrada de controle e o movimento resultante.

O cerne de sua descoberta é um método para transformar esse instantâneo simples e em tempo real em uma garantia de segurança robusta. Os pesquisadores perceberam que, como estão estimando o comportamento da máquina sobre a marcha, sempre há uma pequena quantidade de incerteza, como uma janela embaçada através da qual estão olhando. A inovação deles foi quantificar esse embaçamento. Eles desenvolveram uma maneira de calcular uma "margem de segurança" que cresce quando a máquina se move erraticamente ou quando a estimativa é menos certa. Essa margem atua como um amortecedor, empurrando a parede de segurança invisível para mais longe da zona de perigo real sempre que o sistema está incerto sobre o que está acontecendo. Ao fazer isso, o sistema torna-se muito mais difícil de ser enganado por perturbações inesperadas ou erros de modelagem. Os pesquisadores testaram duas maneiras diferentes de gerenciar esse processo. O primeiro método ajusta continuamente os cálculos de segurança com base em um fluxo constante de dados, enquanto o segundo método testa várias configurações diferentes simultaneamente e escolhe aquela que oferece o resultado mais seguro naquele exato momento.

Para ver se essa ideia funcionava na prática, a equipe realizou uma série de simulações de computador. Eles escolheram um cenário que é um teste padrão para sistemas de segurança: um sistema de controle de cruzeiro adaptativo para um carro. Neste teste, um carro está seguindo outro veículo, e o objetivo é manter uma distância segura. Os pesquisadores introduziram uma situação complicada onde o carro à frente desacelera subitamente, e o sinal de referência para o carro que segue foi temporariamente definido para uma distância que era próxima demais para ser segura. Em um sistema tradicional que depende de um modelo fixo, isso poderia levar a uma colisão porque o modelo pode não reagir rápido o suficiente à mudança repentina. No entanto, o novo sistema lidou com a situação de forma diferente. Ao atualizar constantemente sua compreensão do movimento do carro e ampliar seu buffer de segurança quando a incerteza era alta, o sistema conseguiu evitar que o carro chegasse muito perto. Ele substituiu os comandos inseguros do controlador padrão e manteve o veículo dentro da zona de segurança, mesmo sem ter conhecimento preciso do peso, aerodinâmica ou características do motor do carro.

As simulações revelaram detalhes importantes sobre como o sistema se comporta sob pressão. Quando os pesquisadores testaram o método de ajuste contínuo, descobriram que, se as regras de segurança fossem definidas de forma muito estrita, o sistema às vezes tinha dificuldade para se recuperar de mudanças súbitas, ocasionalmente permitindo que o carro derivasse para a zona de perigo. Em contraste, o método que testava múltiplas configurações ao mesmo tempo provou ser muito mais resiliente. Ele agiu como um tomador de decisões rápido, alternando instantaneamente para a configuração mais confiável sempre que a situação se tornava crítica. Essa abordagem manteve o carro seguro em todos os diferentes cenários de teste, mesmo quando os pesquisadores tornaram as regras de segurança muito rígidas. O estudo mostrou que, ao combinar uma estimativa simples e em tempo real do movimento com um buffer de segurança dinâmico, é possível criar um controlador que seja tanto seguro quanto adaptável. Os resultados não foram uma solução final para todas as possíveis máquinas, mas forneceram evidências fortes de que essa abordagem livre de modelo funciona bem para sistemas complexos onde a física é difícil de definir.

As implicações deste trabalho estendem-se além dos carros. Os pesquisadores sugerem que este método pode ser valioso para qualquer sistema onde a segurança é crítica, mas a dinâmica subjacente é complexa ou mal compreendida, como sistemas de carregamento de baterias ou redes de energia. Nestes campos, as regras de como a energia flui podem mudar dependendo da temperatura, idade e carga, tornando os modelos tradicionais difíceis de manter. Ao usar um sistema que aprende o comportamento sobre a marcha e constrói seus próprios buffers de segurança, os engenheiros podem projetar tecnologias mais seguras e eficientes sem precisar resolver todas as equações de antemão. O estudo conclui que, embora a matemática por trás das cenas seja sofisticada, o resultado é uma ferramenta prática que permite às máquinas navegar pelo desconhecido com confiança. Representa uma mudança de depender do conhecimento perfeito para depender da adaptação inteligente e em tempo real, garantindo que a segurança seja mantida mesmo quando o mapa está incompleto.

Resumo Técnico: Computações de Função de Barreira de Controle Recursiva Baseadas em Modelagem Livre de Modelo: Abordagem de Modelo Ultra-Local

Declaração do Problema

As Funções de Barreira de Controle (CBFs) oferecem um arcabouço sistemático para impor restrições de segurança em sistemas de controle não lineares, garantindo a invariância para frente de um conjunto seguro prescrito. No entanto, as implementações padrão de CBF dependem tipicamente de modelos de sistema precisos para computar derivadas de Lie e impor restrições de segurança. Em cenários do mundo real envolvendo incertezas significativas de modelagem, dinâmicas não modeladas ou distúrbios externos, essas abordagens dependentes de modelo podem falhar ou tornar-se excessivamente conservadoras.

Alternativas existentes livres de modelo ou baseadas em dados, como aquelas que utilizam redes neurais ou Processos Gaussianos, frequentemente lutam para fornecer garantias de segurança rigorosas e em tempo real sem introduzir encargos computacionais significativos ou exigir extensos dados de treinamento. Além disso, embora os modelos ultra-locais (ULMs) tenham sido usados com sucesso para controle livre de modelo, aplicações anteriores de ULMs em contextos de segurança crítica frequentemente dependem de estimativas instantâneas sem quantificar explicitamente a incerteza associada à reconstrução das dinâmicas. Consequentmente, o impacto dos erros de estimativa, ruído de medição e aproximações de derivadas não é explicitamente propagado, potencialmente comprometendo as garantias de segurança.

Metodologia

O artigo propõe um arcabouço livre de modelo para computar Funções de Barreira de Controle recursivas baseadas na abordagem de Modelo Ultra-Local (ULM). A filosofia central é aproximar o comportamento local do sistema usando uma representação entrada-saída de baixa ordem que é continuamente atualizada online, contabilizando explicitamente a incerteza.

1. Modelagem Ultra-Local com Quantificação de Incerteza

Em vez de um modelo explícito do sistema $\dot{x} = f(x) + g(x)u$ , o sistema é aproximado por um modelo ultra-local SISO:
$y^{(\nu)}(t) \approx F(t) + \beta u(t) + \Delta_m(t)$
onde:

$y^{(\nu)}$ é a $\nu$ -ésima derivada da saída (escolhida para corresponder ou exceder o grau relativo da restrição de segurança).
$F(t)$ agrega dinâmicas desconhecidas, não linearidades e distúrbios.
$\beta$ é uma constante não nula que escala a entrada de controle.
$\Delta_m(t)$ representa o limite de incerteza.

O termo $F(t)$ é estimado online usando diferenciação numérica (especificamente diferenciadores semi-implícitos homogêneos) para lidar com ruídos. Crucialmente, o arcabouço introduz um limite de incerteza dinâmico $\hat{\Delta}_m(t)$ para quantificar o erro de estimativa. Este limite é computado usando o algoritmo de Welford em uma janela deslizante de resíduos, calculando tanto a média ( $\mu$ ) quanto a variância ( $\sigma^2$ ) do erro de estimativa.

Três estratégias para definir o limite de incerteza $\hat{\Delta}_m$ são propostas:

Método A: Uma abordagem espaço-geométrica onde o limite escala com base na proximidade do sistema com a fronteira de segurança.
Método B: Combina a penalidade espaço-geométrica com a variância estatística para proteger contra picos transientes.
Método C: Baseia-se exclusivamente em um limiar de variância estatística ( $|\mu| + \kappa|\sigma|$ ).

2. Formulação de CBF Robusta

O arcabouço proposto modifica a condição padrão de CBF para incluir o limite de incerteza, efetivamente deslocando a fronteira de segurança para uma fronteira "virtual" que é mais restritiva.

Para Grau Relativo 1, a condição torna-se $\hat{F} + \beta u \geq -k_c(y - y_{min} - \hat{\Delta}_m/k_c)$ .
Para Grau Relativo 2 (CBFs recursivas), a condição incorpora a segunda derivada e é similarmente ajustada pelo termo de incerteza.

Esta formulação permite que a CBF antecipe violações de segurança ao ativar restrições mais cedo quando a incerteza é alta ou o sistema está próximo da fronteira.

3. Duas Estratégias de Controle

O artigo apresenta duas estratégias distintas para determinar a entrada de controle $u$ :

Estratégia 1 (ULM-CBF Baseada em Gradiente): Utiliza um gradiente descendente estocástico de duas escalas de tempo para estimar recursivamente os parâmetros $\hat{F}$ e $\hat{\beta}$ . A entrada de controle é derivada resolvendo um programa quadrático (QP) que minimiza o desvio de um controlador nominal enquanto satisfaz a restrição de CBF robusta.
Estratégia 2 (ULM-CBF Baseada em Grade): Em vez de uma única estimativa online, esta abordagem avalia uma grade discreta de valores candidatos de $\beta$ em paralelo. Para cada candidato, um CBF-QP robusto é resolvido. Um critério de seleção (minimizando energia de controle, energia do limite de incerteza, variação de controle e variação de parâmetro) é usado para selecionar a entrada de controle mais segura e o índice correspondente de $\beta$ . Esta estratégia visa fornecer robustez estrutural ao selecionar a escala de entrada-saída mais adequada para o regime operacional atual.

Principais Contribuições

CBF Recursiva Livre de Modelo: O desenvolvimento de um arcabouço que constrói CBFs de alta ordem (recursivas) sem exigir um modelo explícito do sistema, baseando-se na estimativa ULM online.
Propagação Explícita de Incerteza: A introdução de um método para quantificar e propagar explicitamente a incerteza de estimativa ( $\hat{\Delta}_m$ ) dentro da restrição de CBF, transformando a fronteira de segurança em uma fronteira virtual dinâmica e consciente da incerteza.
Implementação de Estratégia Dupla: A proposta de um método de adaptação baseado em gradiente e um método de seleção baseado em grade, oferecendo um compromisso entre simplicidade computacional e robustez contra inconsistências de estimativa.
Validação em Benchmarks: Demonstração da abordagem em um exemplo ilustrativo de primeira ordem e em um benchmark de Controle de Cruzeiro Adaptativo (ACC) de segunda ordem, mostrando a capacidade de manter a segurança mesmo quando a referência nominal viola a restrição de segurança.

Resultados de Simulação

O artigo valida a abordagem através de dois cenários de simulação:

Sistema de Primeira Ordem: Um estudo paramétrico comparou as duas estratégias sob variados parâmetros de rigidez de CBF ( $k_c$ ) e penalidade geométrica ( $\epsilon_p$ ).
- Descobertas: A Estratégia 1 (Gradiente) mostrou sensibilidade à sintonia de parâmetros, com certas configurações levando a violações de restrição (perda de segurança) quando a rigidez era alta ou a espessura da penalidade era baixa. A Estratégia 2 (Grade) demonstrou superior robustez, mantendo consistentemente as margens de segurança em todas as configurações testadas ao selecionar instantaneamente os parâmetros de modelo ideais.
- Observação: A abordagem baseada em grade efetivamente desacoplou a aplicação da restrição dos parâmetros de sintonia empíricos, particularmente ao usar o limite de incerteza puramente estatístico (Método C).
Controle de Cruzeiro Adaptativo (ACC): Um sistema de segunda ordem representando a dinâmica longitudinal de um veículo foi utilizado para rastrear a distância interveicular.
- Cenário: A trajetória de referência foi temporariamente modificada para violar a distância mínima de segurança.
- Resultado: O controlador nominal sozinho teria levado o sistema a um estado inseguro. O controlador baseado em CBF proposto conseguiu sobrepor a ação nominal, mantendo a distância interveicular acima do limiar de segurança sem depender de um modelo preciso do veículo.
- Desempenho: A estratégia de grade conseguiu adaptar o parâmetro de escala $\beta$ em tempo real para lidar com variadas forças de resistência aerodinâmica e de rolamento, garantindo a aplicação robusta da segurança.

Significância e Alegações

Os autores afirmam que este trabalho fornece um arcabouço sistemático para impor segurança em sistemas com graus relativos mais altos e incertezas significativas de modelagem, sem a necessidade de modelos precisos do sistema.

Robustez: A propagação explícita da incerteza permite que o sistema permaneça seguro apesar dos erros de estimativa e ruídos de medição, abordando uma limitação fundamental das aplicações anteriores de CBF livre de modelo.
Antecipação: Ao deslocar a fronteira de segurança com base na incerteza, o controlador pode antecipar e prevenir violações de segurança antes que ocorram.
Aplicabilidade: O método é apresentado como particularmente relevante para aplicações críticas de segurança onde as dinâmicas são complexas ou mal conhecidas, como sistemas automotivos (ACC) e, potencialmente, sistemas de energia (ex: carregamento de baterias), onde restrições de segurança (voltagem, corrente, temperatura) devem ser impostas sem modelos eletroquímicos detalhados.

O artigo conclui que, embora a estratégia baseada em grade ofereça maior robustez e sintonia mais simples, o arcabouço como um todo abre novos caminhos para derivar garantias de segurança formais em controle livre de modelo ao contabilizar explicitamente os erros de estimativa.