22 آوریل 2022 – توسط انجمن اتوماسیون چین -اعتبار: CC0 دامنه عمومی
انسان‌ها در دنیایی زندگی می‌کنند که سیستم‌های ایمنی حیاتی در اطرافشان کار می‌کنند. دانشمندان می‌خواهند اطمینان حاصل کنند که محدودیت‌های ایمنی مناسب وجود دارد تا این سیستم‌ها بتوانند با خیال راحت عمل کنند و در عین حال در صورت نیاز عمل کنند. در راستای این هدف، محققان دانشگاه ایالتی میشیگان روشی را برای طراحی یک کنترل‌کننده امن با قابلیت یادگیری برای سیستم‌هایی که در محیط‌های نامشخص کار می‌کنند، توسعه داده‌اند.
این مطالعه که توسط بهاره کیومرثی و زهرا مروی از دانشگاه ایالتی میشیگان انجام شد، بر روی مانور ایمن یک وسیله نقلیه خودران در یک منطقه شهری متمرکز شد. آنها یافته های خود را در شماره مارس مجله IEEE/CAA از Automatica Sinica منتشر کردند.
با گذشت زمان، دانشمندان با موفقیت روش‌های کنترل ایمن مبتنی بر توابع مانع کنترل (CBFs) را برای استفاده با طیف وسیعی از کاربردها، از جمله کروز کنترل تطبیقی، کنترل ایمن ربات‌ها و سیستم‌های چند عاملی بدون برخورد طراحی کردند. این روش‌ها عموماً عملکردهای CBF و Lyapunov را برای تأیید ایمن و پایدار بودن یک کنترل‌کننده ترکیب می‌کنند. آنچه محققان دانشگاه ایالتی میشیگان پیشنهاد می‌کنند، یک تابع مانع کنترل صفرسازی با قابلیت یادگیری جدید (ZCBF) است که می‌تواند در حین یادگیری، حتی با پویایی ناشناخته در محیط کار، کار کند.
از آنجایی که سیستم‌های حیاتی ایمنی بیشتر و بیشتر در دنیای واقعی مستقر می‌شوند، دانشمندان باید بتوانند اطمینان حاصل کنند که حالت‌های آنها در محدوده‌های امن تکامل می‌یابد. عوامل نامشخص در محیط می توانند بر عملکرد ایمن سیستم تأثیر بگذارند. از آنجایی که محققان خودروی خودران را در محیط شهری مطالعه کردند، باید این عوامل نامشخص را در نظر می گرفتند. به عنوان مثال، وسایل نقلیه خودران، وسایل نقلیه نیمه خودران، وسایل نقلیه انسان محور و عابران پیاده وجود دارند که همه در یک منطقه درگیر هستند.
بنابراین دانشمندان باید کنترل‌کننده‌ای طراحی کنند که بتواند از عملکرد ایمن سیستم با وجود عدم قطعیت در مورد نحوه رفتار سایر وسایل نقلیه و انسان‌هایی که در همان فضا حرکت می‌کنند، اطمینان حاصل کند. دانشمندان باید بتوانند روی ایمنی سیستم حساب کنند و در عین حال به سیستم اجازه دهند تا بهترین عملکرد ممکن را داشته باشد. روش محققان دانشگاه ایالتی میشیگان این مشکل را حل می کند که چگونه یک کنترل کننده ایمن با قابلیت یادگیری طراحی شود برای سیستم هایی که باید در محیط های نامشخص کار کنند. روش جدید مبتنی بر یادگیری آنها قادر است ایمنی وسیله نقلیه خودران را تضمین کند، حتی در حالی که در کنار رفتار نامشخص سایر وسایل نقلیه در جاده کار می کند.
روش های کنترل ایمن موجود، دانشمندان را ملزم به داشتن دانش کامل از مجموعه ایمن می کند. در جایی که عدم اطمینان در محیط وجود دارد، طراحی کنترل های ایمن برای سیستم بسیار چالش برانگیزتر می شود. این سیستم های حیاتی ایمنی باید بتوانند به سرعت عدم قطعیت ها را بیاموزند و در عین حال حداکثر عملکرد ایمن را نیز به دست آورند. یک رویکرد یادگیری مدل آهسته می تواند ویژگی های ایمنی مورد نیاز را فراهم کند، اما نمی تواند به عملکرد مطلوب برسد. یک رویکرد ساده مدل یادگیری مبتنی بر به حداقل رساندن خطای مدل‌سازی نمی‌تواند به الزامات ایمنی مورد نظر دست یابد، حتی اگر خطای تخمین مورد انتظار در طول زمان کاهش یابد. زهرا مروی، دکترای تخصصی، گفت: «الگوریتم های یادگیری جدید برای جلوگیری از ارائه نادرست مجموعه ایمن تا حد امکان لازم است. روشی که محققان توسعه داده اند قادر است به سرعت عدم قطعیت های موجود در محیط را بیاموزد و به سرعت به عملکرد ایمن برسد.
استادیار بهاره کیومرثی گفت: «رضایت از محدودیت‌های ایمنی بسیار مهم است و باید در مرحله طراحی کنترل مورد توجه قرار گیرد، زیرا نقض آنها می‌تواند عواقب فاجعه‌باری داشته باشد». با این روشی که محققان دانشگاه ایالتی میشیگان طراحی کرده‌اند، کنترل‌کننده در یک سیستم می‌تواند اقدامات محافظه‌کارانه کمتری انجام دهد و در نتیجه عملکرد بهتری داشته باشد و در نتیجه ایمنی و عملکرد یک سیستم را بهبود بخشد.
