Control Platform — Algorytmy sterowania w praktyce

Distributed control — wiele agentów, lokalna komunikacja

Wszystkie poprzednie moduły zakładały jeden regulator sterujący jednym plantem. Dla dużych systemów (flota dronów, sieć energetyczna, multi-robot factory) potrzebujemy distributed control: wielu agentów, każdy z własnym pomiarem i sterowaniem, ograniczona komunikacja.

Consensus algorithm — fundament

Analogia. Wyobraź sobie grupę przyjaciół ustalających, którego dnia spotkać się. Każdy ma swoje preferencje. Bez „centralnego organizatora" rozmawiają z sąsiadami w kręgu, uśredniają opinie z najbliższymi. Po kilku rundach wszyscy zbiegają do wspólnej daty. To jest consensus.

Sformalizowanie: N agentów ze stanami $x_1, x_2, \ldots, x_N \in \mathbb{R}$ . Każdy agent ma sąsiadów $\mathcal{N}_i$ w grafie komunikacji. Algorytm consensus:

\dot x_i = K \sum_{j \in \mathcal{N}_i} (x_j - x_i)

Twierdzenie (Olfati-Saber, Murray 2004): jeśli graf jest spójny (połączony), wszystkie $x_i$ zbiegają do wspólnej wartości $\bar x = \tfrac{1}{N}\sum x_i(0)$ — średniej stanów początkowych.

topologia grafu

parametr

K (consensus gain)2.0

6 agentów ze stanami początkowymi 0, 1, 2, …, 5. Każdy aktualizuje swoją wartość przez średnią różnic z sąsiadami. Wszyscy zbiegają do wspólnej wartości — średniej.

Macierz Laplacianu grafu

Algorytm consensus w postaci macierzowej:

\dot{\mathbf{x}} = -K\,L\,\mathbf{x}

gdzie L = Laplacian grafu komunikacji. Stabilność i tempo zbieżności określa spektrum L:

$\lambda_0 = 0$ (zawsze) — wektor własny $\mathbf{1}$ (consensus = uśrednienie)
$\lambda_1 > 0$ (drugie najmniejsze, algebraic connectivity) — wyznacza tempo zbieżności
Im większe $\lambda_1$ , tym szybsze zbieganie

Topologia ma znaczenie:

Complete graph — $\lambda_1 = N$ — najszybsze, ale O(N²) komunikacji
Ring — $\lambda_1 = O(1/N^2)$ — wolne, ale tanio komunikacyjnie
Star — $\lambda_1 = 1$ — agent centralny jest single-point-of-failure

Formation control

Uogólnienie consensus: zamiast tej samej wartości, agenci mają osiągnąć zadaną formację (np. flota dronów w trójkącie). Sterowanie:

\dot x_i = K \sum_{j \in \mathcal N_i} \big((x_j - x_i) - d_{ij}\big)

Gdzie $d_{ij}$ = pożądana różnica między agentami. Stabilność dla acyklicznych grafów łatwa, dla cyklicznych — wymagana spójność warunków $d_{ij}$ .

Distributed optimization

Każdy agent ma własną funkcję kosztu $f_i(x)$ , chcemy znaleźć $x^* = \arg\min \sum f_i(x)$ . ADMM (Alternating Direction Method of Multipliers, Boyd 2011) — klasyczna metoda distributed optimization.

Każdy agent rozwiązuje lokalne sub-problem, wymienia informację z sąsiadami przez dual variables. Konwerguje do globalnego optimum bez centralnego koordynatora. Stosowane w smart grids, federated learning, distributed MPC.

Cyber-physical security

Systemy distributed są wrażliwe na ataki cybernetyczne: kompromitacja jednego agenta może rozprzestrzenić się przez graf komunikacji.

Byzantine attacks — kompromitowany agent wysyła sygnały arbitralne. Klasyczne consensus zawodzi.Byzantine-robust consensus (Lamport 1982) wymaga co najmniej $3f + 1$ agentów dla tolerancji f kompromitowanych.
Replay attacks — napastnik nagrywa dane, odtwarza po fakcie. Wymaga timestampy i kryptografii.
Resilient state estimation (Pasqualetti, Bicchi, Bullo 2013) — observers tolerant na małą liczbę kompromitowanych pomiarów.

Zastosowania

Floty dronów — formation flying, search and rescue, cargo delivery
Smart grid — distributed control sieci elektrycznej z odnawialnymi źródłami
Autonomic vehicles — platooning, cooperative perception, intersection management
Sensor networks — distributed estimation, data fusion
Networked manufacturing — koordynacja wielu robotów na linii produkcyjnej

Kanon: Olfati-Saber, Fax, Murray „Consensus and Cooperation in Networked Multi-Agent Systems" (2007) — przegląd. Bullo, Cortés, Martínez „Distributed Control of Robotic Networks" (2009) — pełna teoria.