پرواز ایمن‌تر و چابک‌تر پهپادها در بادهای شدید؛ دستاورد پژوهشگران دانشگاه میشیگان با هوش مصنوعی

روش SI-OCP؛ بهینه‌سازی لوله‌های ایمنی هم‌زمان با یادگیری مدل‌های کنترلی

سیستم‌های کنترل در کاربردهای حساس به ایمنی اغلب خطای نامشخص مدل را به یک محدوده ثابت بر اساس بدترین حالت اختلال تبدیل می‌کنند. اگرچه این رویکرد تضمین‌های ریاضیاتی معتبری ارائه می‌دهد، اما مجموعه‌های دسترسی‌پذیر و «لوله‌های ایمنی» (Safety Tubes) حاصل از آن چنان بزرگ و محتاطانه می‌شوند که عملاً مسیرهای پروازی قابل عبور را مسدود می‌کنند. اکنون پژوهشگران دانشگاه میشیگان روش جدیدی به نام «پیش‌بینی همدیس آنلاین انتگرالی پلکانی» یا به اختصار SI-OCP پیشنهاد کرده‌اند که هم‌زمان با یادگیری دینامیک‌های متغیر سیستم توسط کنترل‌کننده، محدوده اختلال را به‌صورت آنی بازتنظیم می‌کند.

مقاله علمی SI-OCP در کنفرانس تصمیم‌گیری و کنترل ۲۰۲۶ (CDC 2026) پذیرفته شده و پژوهشگران کد منبع آن را نیز در یک مخزن گیت‌هاب به اشتراک گذاشته‌اند. آزمایش‌های این تیم، یک شبکه عصبی عمیق با قابلیت سازگاری آنلاین را با سیستم کنترل پیش‌بین مدل لوله‌ایِ مقاوم (Tube MPC) روی کوادکوپتری ترکیب می‌کند که در شرایط وزش بادهای متغیر در فضا و زمان پرواز می‌کند.

وقتی فرآیند کالیبراسیون برچسب‌های خود را از دست می‌دهد

روش پیش‌بینی همدیس (Conformal Prediction) با تکیه بر خطاهای پیشین مدل، بازه یا مجموعه‌ای آماری را برای پیش‌بینی‌های آینده کالیبره می‌کند. نسخه آنلاینِ این روش، فرآیند مذکور را برای داده‌های متوالی و وابسته‌ای که پشت سر هم دریافت می‌شوند تطبیق می‌دهد تا نرخ خطای نهایی در بلندمدت در محدوده تعیین‌شده توسط کاربر باقی بماند. چنین ویژگی ارزشمندی برای کنترل‌کننده‌هایی که در شرایط رانش (Drift) کار می‌کنند و خطاهای مدل آن‌ها در طول مأموریت مدام تغییر می‌کند، بسیار کاربردی و مناسب است.

با این حال، تطبیق با دینامیک سیستم یک چالش جدی در زمینه برچسب‌گذاری ایجاد می‌کند؛ چراکه پیش‌بینی همدیس آنلاین به شیوه سنتی، انتظار دارد خطای واقعی بلافاصله پس از هر پیش‌بینی مشخص شود. در این سناریو، برچسب طبیعی همان باقیمانده یا تفاضل آنی میان مشتق وضعیت واقعی سیستم و تخمین ارائه‌شده توسط مدل یادگیرنده است. این در حالی است که حسگرهای کوادکوپتر معمولاً کمیت‌هایی مانند موقعیت، سرعت و جهت‌گیری بدنه را اندازه‌گیری می‌کنند و تفاضل در سطح مشتقات حرکتی، به‌صورت مستقیم قابل مشاهده و سنجش نیست.

علاوه بر این، الگوریتم کنترل پیش‌بین مدل (MPC) چالش پوشش‌دهی متفاوتی به وجود می‌آورد، زیرا برنامه‌ریزی حرکت را برای چندین گام زمانیِ آینده انجام می‌دهد. تعیین محدوده خطا فقط برای یک گام، پوشش کامل اختلالات را در تمام طول افق برنامه‌ریزی تضمین نمی‌کند؛ در حالی که سیستم MPC مقاوم، برای ساخت لوله‌ای ایمن که دربرگیرنده تمام مسیرهای حرکتیِ محتمل حول مسیر اولیه باشد، دقیقاً به چنین بازه خطای جامع و گسترده‌ای در کل افق نیاز دارد.