Come sincronizzare una rete di sistemi senza conoscere il loro modello?

Immagina una squadra di robot che devono muoversi all'unisono, ma non sai nulla su come funziona ciascun robot. Tradizionalmente, per farli sincronizzare, gli ingegneri usano un modello matematico preciso di ogni unità. Se il modello è sconosciuto, il metodo classico non funziona.

Un nuovo studio propone una soluzione “data‑driven”: raccogli i dati di ingresso e stato da un solo robot della squadra, poi, usando la mappa delle connessioni tra i robot (la topologia della rete), calcoli direttamente dal dato un guadagno di retroazione che fa muovere tutti i robot in perfetta sincronia.

Il trucco sta in due passi. Primo, si verifica una condizione matematica, derivata dai dati, che dice se la rete è “sincronizzabile”. Se la condizione è soddisfatta, si può costruire il guadagno di controllo senza mai aver scritto le equazioni del robot. Secondo, quel guadagno viene inserito nel protocollo di comunicazione della rete, facendo sì che ogni robot regoli il proprio movimento in base a quello dei vicini.

Gli autori hanno testato il metodo con una simulazione: hanno preso i dati da un singolo sistema lineare, hanno calcolato il guadagno e hanno visto tutti i nodi della rete convergere verso lo stesso stato. Il risultato dimostra che, anche senza conoscere il modello interno, è possibile far “ballare” all’unisono una rete di sistemi. Questa idea apre la porta a controlli più flessibili in robotica, smart grid e sistemi IoT, dove i modelli completi sono spesso difficili da ottenere.

Il lavoro si basa su sistemi lineari tempo‑invarianti (LTI) omogenei interconnessi tramite un protocollo di consenso. La topologia della rete è descritta da una matrice di Laplaciano L, la cui struttura influisce sui valori propri del sistema complessivo. Tradizionalmente, la sincronizzazione richiede la soluzione dell’equazione di Riccati o la progettazione di un guadagno K che stabilizzi (A‑BK)L, dove A e B sono le matrici di stato e di ingresso del modello LTI.

Nel contesto data‑driven, si assume di avere a disposizione una sequenza di dati {u(k), x(k)} raccolti da un singolo nodo, con u(k) ingresso e x(k) stato a istanti discreti k. Si costruisce la matrice di dati X = [x(0) … x(T‑1)] e U = [u(0) … u(T‑1)], così come la matrice di stato successivo X⁺ = [x(1) … x(T)]. Il principio di persistenza di eccitazione garantisce che la coppia (U, X) sia ricca di informazione.

Le condizioni di sincronizzabilità si ricavano imponendo che esista una matrice K tale che (A‑BK) sia stabile su tutti gli spazi ortogonali al vettore di consenso 1ₙ. Utilizzando la formulazione di Willems, si ottiene una descrizione parametrica di tutti i possibili (A,B) compatibili con i dati: [A B] = X⁺V + N, dove V è una matrice di pseudo‑inversa e N appartiene al nucleo di [X;U]. Inserendo questa parametrizzazione nella condizione di stabilità, si ottengono LMIs (Linear Matrix Inequalities) dipendenti solo dai dati. La soddisfazione di tali LMIs è sia necessaria che sufficiente per la sincronizzazione.

Una volta verificata la fattibilità, il guadagno K può essere estratto risolvendo un problema di ottimizzazione convex, ad esempio minimizzando la norma H₂ del sistema chiuso. Il risultato è un K esplicito, calcolato interamente dai dati, che garantisce che tutti i nodi convergano al consenso con un tasso di decadimento determinato dagli autovalori di (A‑BK)L.

Il paper dimostra inoltre la robustezza del metodo rispetto a rumore di misura, introducendo margini di tolleranza nelle LMIs. La simulazione numerica utilizza un sistema di ordine 4 con topologia a grafo completo, mostrando che il guadagno data‑driven ottiene prestazioni comparabili a quelle di un K progettato con il modello vero, ma senza richiedere alcuna conoscenza a priori del modello.