Model-Reference Compensator Synthesis for Uncertain Linear Systems Using Data-Driven Identified Plant Model

Imagine um mundo onde as máquinas devem aprender a se mover com precisão, mas as regras exatas que governam seu movimento estão ocultas ou são complexas demais para serem escritas perfeitamente. Esta é a realidade diária de engenheiros que projetam carros autônomos, robôs autônomos e aeronaves avançadas. Eles enfrentam um dilema fundamental: para construir um controlador que mantenha uma máquina na rota, eles geralmente precisam de um mapa matemático perfeito de como essa máquina se comporta. Mas, no mundo real, reunir dados suficientes para criar um mapa perfeito como esse é frequentemente impossível, caro demais ou simplesmente perigoso demais. Se um fabricante de automóveis tentar testar todas as possíveis condições de estrada em um novo modelo de veículo para construir uma simulação perfeita, o processo levaria anos e custaria uma fortuna. Consequentemente, os engenheiros frequentemente recorrem a sistemas "proxy" — versões simplificadas ou ligeiramente diferentes da máquina real — para adivinhar como a máquina real irá se comportar. O problema é que essas suposições raramente são perfeitas e, quando um controlador é construído sobre um mapa falho, o veículo pode desviar da rota ou reagir perigosamente a solavancos inesperados na estrada.

O desafio, então, é criar um sistema de controle que possa guiar uma máquina com precisão mesmo quando os engenheiros não possuem um modelo perfeito dessa máquina e quando a máquina é submetida a forças desconhecidas, como rajadas de vento ou falhas mecânicas. Este é o enigma específico abordado por uma equipe de pesquisadores da Universidade do Kuwait, da Universidade Purdue, da Universidade Estadual de San Diego e da SiCARRIER. Eles desenvolveram um novo método que permite a um controlador aprender com dados limitados do mundo real enquanto se apoia fortemente em um sistema proxy para a maior parte de suas informações. A abordagem deles não exige uma compreensão perfeita da física interna da máquina. Em vez disso, utiliza uma combinação inteligente de identificação baseada em dados e um observador especializado — uma ferramenta matemática que atua como um detetive, constantemente adivinhando o estado oculto da máquina e as forças invisíveis que atuam sobre ela — para manter o veículo em seu caminho pretendido.

Os pesquisadores focaram em um tipo específico de problema: guiar um sistema linear, o que, em termos de engenharia, significa uma máquina cujo comportamento pode ser descrito por relações de linha reta, através de uma manobra específica. Para testar sua ideia, escolheram um cenário que é ao mesmo tempo crítico e familiar: um carro mudando de faixa. Em seu estudo, eles simularam um veículo viajando a uma velocidade de 17,3 metros por segundo. O objetivo era fazer com que este veículo mudasse suavemente de uma faixa para outra, seguindo uma trajetória precisa, mesmo que os engenheiros não tivessem as equações matemáticas exatas para a dinâmica do carro. Em vez do carro real, eles usaram um sistema "proxy" — um gêmeo digital criado ao pegar os parâmetros do carro real e adicionar erros aleatórios a eles. Este proxy não era uma cópia perfeita; era uma versão ligeiramente distorcida, representando o tipo de modelos imperfeitos com os quais os engenheiros frequentemente têm que trabalhar no mundo real.

Para preencher a lacuna entre o proxy imperfeito e o carro real, a equipe empregou um processo de identificação baseado em dados. Eles realizaram milhares de testes no sistema proxy e um número menor de testes no sistema real. Ao comparar os resultados, foram capazes de construir um "modelo de projeto" que era muito mais próximo da realidade do que o proxy sozinho. Este modelo serviu como base para o seu controlador. No entanto, saber o modelo ainda não era suficiente, porque o carro real poderia ser atingido por perturbações desconhecidas, como uma rajada de vento repentina ou um atuador com mau funcionamento. Para lidar com isso, os pesquisadores projetaram um "compensador de referência de modelo". Este dispositivo funciona em duas partes. Primeiro, ele usa um observador de entrada desconhecida para estimar o estado atual do carro — sua velocidade, ângulo e posição — mesmo quando alguns dos sensores estão ausentes ou os dados são ruidosos. Segundo, ele usa essa estimativa para calcular a direção e a aceleração exatas necessárias para manter o carro no caminho desejado, cancelando efetivamente os efeitos das perturbações desconhecidas.

O cerne de sua inovação reside em como sintetizaram este controlador. Eles não confiaram em tentativa e erro ou aproximações vagas. Em vez disso, utilizaram uma estrutura matemática rigorosa baseada em desigualdades de matrizes lineares, um método que permite aos engenheiros resolver problemas de otimização complexos para encontrar as melhores configurações de controle. Eles provaram matematicamente que seu sistema permaneceria estável, o que significa que os erros entre onde o carro estava e onde ele deveria estar permaneceriam dentro de um limite previsível e seguro, independentemente das forças desconhecidas agindo sobre ele. Eles demonstraram que, mesmo com as imperfeições em seu modelo e a presença de entradas desconhecidas, o sistema poderia manter o controle. Em suas simulações, o carro realizou com sucesso a manobra de mudança de faixa, acompanhando a trajetória desejada com alta precisão.

Os resultados da simulação foram impressionantes. Quando o carro foi submetido a uma força externa desconhecida e repentina — simulando uma perturbação que empurrou o veículo para fora do curso — o controlador ajustou-se imediatamente. Ele estimou a magnitude desta força desconhecida e compensou-a, mantendo o carro em sua linha pretendida. Os pesquisadores mostraram que o erro no rastreamento da faixa e o erro na estimativa do estado interno do carro permaneceram limitados e pequenos. Em um teste, a entrada desconhecida foi definida para um valor específico durante uma parte do trajeto e depois alterada, e o controlador adaptou-se perfeitamente. A trajetória do veículo, quando plotada em um mapa, mostrou uma mudança suave e deliberada da faixa inicial para a faixa de destino, sem curvas perigosas ou perda de controle. O sistema até conseguiu reconstruir a entrada desconhecida, efetivamente "vendo" a força invisível que empurrava o carro e contabilizando-a em tempo real.

O que torna este trabalho particularmente significativo é sua praticidade. Os pesquisadores não exigiram um modelo perfeito do carro, nem precisaram medir cada variável dentro do veículo. Eles mostraram que, ao combinar um sistema proxy com algumas medições do mundo real, é possível construir um controlador robusto que funcione diante da incerteza. Esta abordagem oferece um novo caminho para engenheiros que precisam implantar sistemas de controle avançados em ambientes onde os dados são escassos ou a dinâmica do sistema é complexa demais para ser modelada perfeitamente. Ao provar que um controlador pode ser sintetizado usando apenas dados de entrada e saída, e ao demonstrar seu sucesso em uma simulação de veículo realista, a equipe forneceu um roteiro para tornar os sistemas autônomos mais confiáveis e seguros. O estudo confirma que, mesmo com o conhecimento imperfeito da máquina, é possível guiá-la com precisão, desde que as ferramentas matemáticas certas sejam usadas para preencher a lacuna entre o que é conhecido e o que é desconhecido.