⚡ electrical engineering

Data-Driven Reachability Analysis for Piecewise Affine Systems

本文提出了一种基于混合 zonotope 的数据驱动方法，通过开发计算算法来解决分段仿射系统在区域边界处的过渡难题，从而实现对系统可达集的有效过近似及在测量噪声下的集合估计。

原作者： Peng Xie, Johannes Betz, Davide M. Raimondo, Amr Alanwar

发布于 2026-02-18

📖 1 分钟阅读☕ 轻松阅读

原作者： Peng Xie, Johannes Betz, Davide M. Raimondo, Amr Alanwar

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文主要解决了一个非常棘手的问题：如何在不清楚机器内部具体“公式”的情况下，预测一个复杂机器未来的所有可能位置，并确保它不会“撞车”或进入危险区域。

为了让你更容易理解，我们可以把这篇论文的研究对象想象成一辆在复杂地形上自动驾驶的赛车。

1. 核心挑战：变来变去的“赛车规则”

想象这辆赛车行驶在一条特殊的赛道上：

普通路段（连续系统）： 赛车按物理定律平稳行驶，比如踩油门就加速。
特殊路段（混合系统/PWA 系统）： 赛道被分成了几个区域。
- 在A 区，赛车像跑车，踩油门反应很快。
- 在B 区，赛车突然变成了卡车，踩油门反应变慢。
- 在C 区，赛车可能变成了坦克，转弯半径变得很大。

问题在于： 当赛车从 A 区冲入 B 区的那一瞬间（边界），它的行为会发生突变。传统的预测方法就像是用“一把尺子”去量这种突变，结果往往量不准。要么虚惊一场（以为要撞墙，其实不会），要么漏报危险（以为很安全，其实已经撞了）。

此外，我们手里没有赛车的“说明书”（数学模型），只有一些带有噪音的传感器数据（比如 GPS 信号偶尔会飘，速度表偶尔会跳）。

2. 论文的创新工具：“混合超立方体” (Hybrid Zonotopes)

为了解决这个问题，作者发明了一种新的数学工具，我们可以把它想象成一种**“智能变形橡皮泥”**。

传统方法（普通橡皮泥）： 只能捏成固定的形状。当赛车跨越区域边界时，普通橡皮泥无法完美贴合赛车的新形状，导致预测范围要么太大（浪费资源），要么太小（不安全）。
作者的新方法（混合橡皮泥）： 这种橡皮泥非常聪明，它知道赛车在 A 区是什么形状，在 B 区是什么形状，更重要的是，它知道在跨越边界时如何无缝变形。
- 它能紧紧包裹住赛车所有可能的轨迹。
- 即使传感器数据有噪音（比如 GPS 飘了 1 米），它也能自动扩大一点范围，确保真正的赛车一定在包裹里面。

3. 三大“侦探”方法 (RM, IN, GI)

为了从嘈杂的传感器数据中算出这个“智能橡皮泥”的具体形状，作者提出了三种不同的计算策略。你可以把它们想象成三位侦探，虽然破案手法不同，但最终抓到的嫌疑人（预测范围）是一模一样的。

反向映射侦探 (Reverse-Mapping, RM)：
- 手法： 直接根据传感器看到的画面，反推赛车可能在哪里。就像看到地上的脚印，直接画出人可能走过的路线。
- 特点： 速度最快，计算最省时间（就像侦探反应最敏捷）。
隐式交集侦探 (Implicit Intersection, IN)：
- 手法： 不直接画路线，而是通过调整一些“权重参数”，让预测的路线尽可能紧凑。就像侦探在脑海里不断模拟，直到找到最合理的解释。
- 特点： 需要解方程，稍微慢一点点，但结果一样准。
广义交集侦探 (Generalized Intersection, GI)：
- 手法： 把传感器的限制条件直接“写”进数学公式里，像拼图一样把限制条件拼进去。
- 特点： 逻辑最直观，但计算量中等。

论文的一个重大发现： 经过严格的数学证明，这三位侦探虽然思考路径不同，但最终画出的“嫌疑人范围”是完全重合的。这就好比三个人用不同的地图导航，最后都到达了同一个目的地。

4. 实验结果：既安全又高效

作者在电脑上模拟了这辆“变变变”的赛车：

安全性： 无论赛车怎么变，作者的方法画出的“安全圈”永远把赛车包在里面，没有一次漏掉。
效率： 在三种方法中，“反向映射侦探” (RM) 跑得最快，计算时间最短。这意味着在真实的自动驾驶汽车上，用这个方法可以更快地做出安全决策，不会让电脑死机。

总结

这篇论文就像是为自动驾驶、机器人和电网等复杂系统开发了一套**“防弹衣”**。

以前： 我们要么需要完美的说明书（很难得到），要么预测不准（容易出事故）。
现在： 我们只需要看赛车跑过的“脚印”（数据），就能用一种聪明的“变形橡皮泥”工具，精准地画出它未来所有可能的轨迹，确保它永远不越界。

这对于让自动驾驶汽车在复杂的城市环境中安全行驶，具有非常重要的意义。

这是一份关于论文《Data-Driven Reachability Analysis for Piecewise Affine Systems》（分段仿射系统的数据驱动可达性分析）的详细技术总结。

1. 研究背景与问题定义 (Problem)

背景：
混合系统（Hybrid Systems）在自动驾驶、电力系统和交通网络等现实应用中至关重要。这类系统结合了连续动态和离散模式切换。确保其安全性的核心在于可达性分析（Reachability Analysis），即判断在给定初始条件和不确定性下，系统状态是否会进入不安全区域。

核心挑战：

模型未知： 传统的可达性分析通常依赖于已知的数学模型，但在实际应用中，精确的混合系统模型往往难以获取。
边界过渡问题（Boundary Transition Problem）： 分段仿射（PWA）系统的状态空间被划分为多个区域，每个区域有不同的动态模型。在区域边界处，动态特性会发生突变。现有的数据驱动方法（主要针对线性或一般非线性系统）在处理这种边界切换时，往往会产生不准确的过近似（Over-approximation），导致误报或漏报安全违规。
噪声干扰： 实际数据包含过程噪声和测量噪声，需要在没有先验模型的情况下，仅凭含噪数据计算包含真实轨迹的集合。

研究目标：
提出一种基于**混合多胞（Hybrid Zonotopes）**的数据驱动方法，直接从含噪的输入 - 状态（或输入 - 输出）数据中计算 PWA 系统的可达集，并解决模式切换边界处的精度问题。

2. 方法论 (Methodology)

本文提出了一套完整的框架，分为两个主要部分：基于输入 - 状态数据的可达性计算，以及基于输入 - 输出数据的在线集合估计。

2.1 核心工具：混合多胞 (Hybrid Zonotopes)

为了处理 PWA 系统的离散模式切换，作者引入了混合多胞表示法。

定义： 混合多胞结合了连续变量（ $\xi_c \in [-1, 1]$ ）和离散变量（ $\xi_b \in \{-1, 1\}$ ），能够紧凑地表示由多个多面体区域组成的集合。
优势： 它允许在保持集合几何结构的同时，显式地处理状态空间的分区（Partitioning）和模式切换逻辑。

2.2 基于输入 - 状态数据的可达性分析 (Section III)

模型集合构建： 利用矩阵多胞（Matrix Zonotopes）理论，从含过程噪声的输入 - 状态数据中，构建包含所有可能系统矩阵 $\{A_i, B_i\}$ 的模型集合 $M_\Sigma$ 。
可达集传播算法：
1. 区域截断： 将当前可达集 $\tilde{R}_k$ 与当前模式对应的区域 $C_i$ 求交。
2. 动态演化： 利用模型集合 $M_\Sigma$ 和输入集，计算下一时刻的集合（包含过程噪声）。
3. 区域重分配： 将演化后的集合再次与所有区域 $C_i$ 求交，以处理跨越边界的情况。
4. 并集操作： 将所有模式下的结果取并集，得到全局可达集。

2.3 基于输入 - 输出数据的在线集合估计 (Section IV)

针对仅有输入 - 输出数据且存在测量噪声的情况，提出了三种数学等价的测量更新方法，用于修正预测状态集：

反向映射法 (Reverse-Mapping, RM)： 利用奇异值分解（SVD）将测量约束显式地转化为状态空间的 zonotope，然后与预测集求交。
隐式交集法 (Implicit Intersection, IN)： 引入权重矩阵 $\lambda$ ，通过优化问题最小化结果集合的体积（生成器矩阵的范数），直接构造修正后的集合。
广义交集法 (Generalized Intersection, GI)： 将测量方程直接作为线性约束添加到混合多胞的约束矩阵中。

关键理论成果： 论文证明了在满秩测量矩阵和线性有界噪声条件下，上述三种方法（RM, IN, GI）在数学上是完全等价的，即它们生成的可达集是相同的。

3. 主要贡献 (Key Contributions)

首个针对 PWA 系统的数据驱动可达性方法： 提出了一种利用混合多胞直接从含噪测量数据计算 PWA 系统可达集的方法，无需先验模型。
解决边界过渡难题： 设计了专门的算法处理多模式切换和状态空间分区，确保在区域边界处的安全保证（Safety Guarantees）。
MIMO 系统的集合估计框架： 建立了针对多输入多输出（MIMO）PWA 系统的集合状态估计框架，能够同时处理过程噪声和测量噪声。
三种等价方法的提出与证明： 提出了 RM、IN、GI 三种处理测量噪声的技术，并提供了严格的数学证明，表明它们在特定条件下产生完全相同的结果。
开源代码： 提供了复现结果的开源代码，促进了该领域的可复现性。

4. 实验结果 (Results)

论文通过数值实验验证了方法的有效性：

基准系统验证 (Section V)：
- 使用一个具有两个子系统的 PWA 基准模型进行测试。
- 结果： 数据驱动计算的可达集（紫色区域）成功覆盖了基于真实模型计算的解析可达集（蓝色区域），验证了过近似的正确性。
- 计算复杂度： 实验显示，随着时间步长的增加，计算时间呈指数级增长，这是集合方法处理混合系统的典型特征。
状态估计对比：
- 在含噪声的输入 - 输出数据场景下，对比了 RM、IN、GI 三种方法。
- 等价性验证： 图 4 和图 5 显示，三种方法生成的估计边界完全重合，且均成功包裹了真实状态轨迹，验证了理论上的等价性。
- 计算效率： 表 I 和图 6 的统计数据显示：
  - RM (反向映射) 计算速度最快（中位数 0.025s）。
  - GI (广义交集) 次之（0.028s）。
  - IN (隐式交集) 最慢（0.036s），因为它涉及优化求解。
- 尽管 IN 方法理论上可以通过优化获得更紧凑的集合，但在本实验设置下，RM 方法在保持精度的同时具有显著的计算优势。

5. 意义与展望 (Significance & Future Work)

意义：

填补空白： 解决了传统数据驱动方法在处理混合系统边界切换时的不足，为缺乏精确数学模型的复杂混合系统（如自动驾驶车辆在不同驾驶模式下的切换）提供了安全验证工具。
理论统一： 统一了三种不同的集合估计视角，证明了其内在一致性，为后续算法选择提供了理论依据（通常优先选择计算效率更高的 RM 方法）。
实际应用： 该方法特别适用于那些难以建模但需要高安全保证的领域，如机器人、工业控制和智能交通系统。

未来方向：

研究 PWA 系统边界与子模型参数之间的耦合关系。
将方法扩展到其他类型的混合系统，如混合逻辑动力学（MLD）系统。
进一步优化计算效率，以应对更长时域的可达性分析需求。

总结：
这篇论文通过引入混合多胞和严谨的集合估计理论，成功实现了对未知 PWA 系统的安全可达性分析。它不仅解决了数据驱动方法在混合系统边界处理上的痛点，还通过理论证明和实验对比，确立了三种等价算法的地位，为混合系统的安全验证提供了强有力的数据驱动工具。