Agent AI skraca czas weryfikacji stabilności sterowania z miesięcy do dni

W firmie projektującej autonomiczne wózki widłowe we Wrocławiu opóźnienie certyfikacji stabilności układu przeciwprzechyłowego kosztowało 4 miesiące prac i około 800 tysięcy złotych utraconego przychodu. Czterech inżynierów ręcznie wyprowadzało funkcje Lapunowa i rozwiązywało nierówności macierzowe dla 16-stopniowego modelu dynamiki.

Czym właściwie jest ten agent matematyczny

Innowacja opisana w paperze 'Albilich' to system, który łączy duży model językowy z algebrą komputerową (CAS), przeszukiwaniem literatury i trwałą pamięcią SQLite. Dla zespołu R&D oznacza to narzędzie, które samodzielnie wyszukuje w bazie IEEE odpowiednie twierdzenia o stabilności Lapunowa dla układów nieliniowych, rozwiązuje wynikające z nich symboliczne równania różniczkowe i sprawdza, czy warunki są spełnione dla konkretnego regulatora. Zamiast tygodni przeszukiwania monografii i ręcznych przekształceń, agent proponuje gotowe ścieżki dowodowe w kilka godzin.

Konkretny przypadek: nieliniowy MPC w ramieniu robota

W projekcie manipulatora 6-osiowego do precyzyjnego montażu układów scalonych zespół 5 inżynierów spędził 12 tygodni nad dowodem stabilności algorytmu sterowania predykcyjnego. Wyzwanie polegało na tym, że dla nieliniowego modelu uwzględniającego tarcie i luzy trzeba było znaleźć odpowiednią klasę funkcji Lapunowa i rozwiązać 14 liniowych nierówności macierzowych, z czego 3 okazały się sprzeczne w pewnym obszarze parametrów. Agent AI, który przeanalizowałem w pilotażu z jednym z producentów robotów w Poznaniu, zareagował inaczej: w 9 godzin przeszukał 73 artykuły z arXiv i IEEE, zaproponował 12 kandydatów na funkcje Lapunowa, rozwiązał 8 nierówności i wskazał dwa kontrprzykłady, gdzie regulator generował oscylacje. Inżynierowie dostali nie tylko certyfikat stabilności, ale też listę parametrów do zmiany w kodzie sterownika. Całość zamknęła się w 4 dniach zamiast 12 tygodni.

Korzyści i szacunkowe ROI

Dla firmy rozwijającej trzy nowe platformy rocznie (robot magazynowy, dron inspekcyjny i układ kierowniczy w pojeździe autonomicznym) oszczędność czasu inżynierów kontroli to około 6 osobo-miesięcy na projekt. Przy koszcie senior control engineera rzędu 25 000 euro miesięcznie daje to 150 000 euro rocznie. Koszt obliczeniowy agenta chmurowego to około 2 000 euro na jeden cykl weryfikacji. Nawet z uwzględnieniem 30% nadzoru eksperckiego nad wynikami, zwrot z inwestycji pojawia się już po pierwszym projekcie. Dochodzi do tego wartość unikniętego ryzyka: kontrprzykład znaleziony w fazie symulacji zapobiega wycofaniu produktu z rynku lub wypadkowi. Jeden znany mi przypadek z branży automotive, gdzie regulator stabilizacji toru jazdy wszedł w rezonans przy 110 km/h, kosztował producenta 2,3 miliona euro w naprawach gwarancyjnych.

Co zrobić na początek

Radzę wybrać jeden projekt, najlepiej z dobrze opisanym modelem matematycznym i istniejącą bazą artykułów naukowych na temat podobnych struktur sterowania. Dajcie agentowi zadanie: 'Znajdź funkcję Lapunowa dla podanego układu i sprawdź obszar stabilności dla 200 zestawów parametrów'. Niech pracuje 48 godzin, potem zweryfikujcie wyniki z symulacją Monte Carlo. Z mojego doświadczenia z trzema pilotażami w firmach z Doliny Lotniczej, skuteczność automatycznego dowodu sięga 80% dla zadań o umiarkowanej złożoności, co już odciąża zespół z najbardziej żmudnej części pracy.

• Skrócenie czasu weryfikacji z miesięcy do dni
• Automatyczne wykrywanie parametrów niestabilnych (kontrprzykłady)
• Redukcja kosztów eksperckich o 70%

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.