Projektowanie inżynierskie w warunkach niepewności przestaje być martwym punktem: nowa metodologia opracowana na MIT systematycznie uwzględnia niepewność na każdym etapie współprojektowania złożonych systemów technicznych – od bezzałogowych statków powietrznych i pojazdów autonomicznych po ruch lotniczy i regionalne sieci transportowe. Zamiast polegać na wyidealizowanych specyfikacjach komponentów lub powierzchownych szacunkach „najlepszego/najgorszego przypadku”, podejście to modeluje całe rozkłady wyników i ich współzależności oraz przedstawia czytelne mapy kompromisów, które łączą wydajność, koszty, masę i ograniczenia misji.

Dlaczego jest to ważne dla systemów autonomicznych i cyfrowej mobilności

Niezależnie od tego, czy chodzi o drona dostawczego, który musi latać w wietrze i deszczu, robota, który łączy niedoskonałe czujniki ze zmiennymi algorytmami, czy sieć infrastruktury, w której wielu operatorów dzieli te same tory, ogólne zachowanie systemu kształtuje się na styku wielu niepewnych części. W praktyce żaden komponent nie działa „dokładnie według specyfikacji”, a środowisko wprowadza dodatkową zmienność. Tradycyjne metody planowania i optymalizacji często więc niedoszacowują ryzyka i przeszacowują odporność systemu. Nowa metoda jawnie rozkłada wszystkie znane i nieznane źródła zmienności – od tolerancji produkcyjnych i starzenia się baterii po warunki meteorologiczne i zmienne obciążenie – i łączy je w jedno, spójne przedstawienie ryzyka i korzyści.

Od pudełek i strzałek do matematyki kompozycyjnej

Punktem wyjścia jest współprojektowanie (co-design): złożony problem jest rozkładany na moduły, „pudełka” reprezentujące czujniki, zespoły wykonawcze, źródła zasilania, algorytmy sterowania lub ograniczenia misji. Moduły są następnie ponownie „składane” w taki sposób, aby globalne optimum (lub zbiór rozwiązań optymalnych w sensie Pareto) można było znaleźć w rozsądnym czasie. Nowością w tym wariancie jest wprowadzenie modelu niepewności do każdego modułu. Zamiast pojedynczej deterministycznej liczby, każde pudełko zawiera przedziały, rozkłady prawdopodobieństwa lub modele parametryczne, które z czasem mogą być uczone na podstawie danych. Podstawą jest matematyka kompozycyjna, która pozwala na zachowanie zasad łączenia i monotonicznych relacji między celami (np. większy zasięg ⇢ większa masa baterii ⇢ wyższy koszt) bez względu na to, jak moduły są permutowane.

Praktyczna konsekwencja: projektant nie jest zmuszony wybierać między uproszczoną analizą wrażliwości a kosztownym „brute-forcingiem” systemu metodą Monte Carlo. Zamiast tego otrzymuje formalizm, który „wie”, jak niepewność propaguje się przez sieć modułów, jak zmieniają się kompromisy po wymianie baterii lub zespołu percepcji oraz jak optymalizuje się decyzje przy docelowym poziomie ryzyka.

Co inżynier faktycznie otrzymuje: mapy kompromisów z uwzględnieniem ryzyka

Zamiast jednego punktu lub dwóch skrajności, wynikiem są mapy kompromisów: oczekiwane wartości wydajności, kwantyle (np. 5% i 95%), kontury prawdopodobieństwa wykonalności i progi, po przekroczeniu których system wchodzi w „ryzykowne wody”. Takie mapy umożliwiają podejmowanie decyzji zgodnych z kontekstem zastosowania. W lotnictwie, gdzie bezpieczeństwo jest pierwszym kryterium, zaakceptowany zostanie wyższy koszt, jeśli drastycznie zmniejsza on prawdopodobieństwo awarii. W logistyce, pod warunkiem skwantyfikowania ryzyka, być może zostanie wybrane tańsze rozwiązanie z kontrolowanym ryzykiem krótkich przestojów w ekstremalnych warunkach.

Studium przypadku: wybór percepcji i baterii dla bezzałogowca (UAV) w zmiennych warunkach pogodowych

W przykładzie demonstracyjnym dla bezzałogowego statku powietrznego (UAV), modułowe współprojektowanie łączy podsystemy percepcji – wizję stereo, LiDAR i radar – z konfiguracjami energetycznymi, przy czym misja narzuca ograniczenia (zasięg, ładunek użyteczny, czas przebywania w powietrzu, masa, budżet). Dla czujników nie zakłada się „stałej dokładności”, lecz wprowadza się rozkłady zdolności detekcji w zależności od mgły, deszczu i słabego oświetlenia. Dla baterii, zamiast jednej liczby określającej pojemność, uwzględnia się rozkłady pojemności i oporu wewnętrznego, degradację w cyklach i zależność od temperatury. Wynikiem są wykresy, które pokazują, jak prawdopodobieństwo pomyślnego zakończenia misji zmienia się w zależności od czasu lotu, warunków meteorologicznych oraz wyboru czujników i zasilania.

Takie podejście dostarcza również nieoczekiwanych spostrzeżeń. W scenariuszach z mniejszymi ładunkami, gdzie nacisk kładzie się na niski całkowity koszt posiadania (TCO), technologie takie jak NiMH czasami dają niższy oczekiwany koszt cyklu życia ze względu na cenę zakupu i prostszą obsługę, pomimo mniejszej gęstości energii. W miarę wzrostu ładunku, prym wiodą zazwyczaj akumulatory litowo-polimerowe (LiPo) lub litowo-jonowe (Li-ion) ze względu na lepszy stosunek Wh/kg i możliwość obsługi wyższych impulsów prądowych. Ramy te nie wskazują „absolutnego zwycięzcy”, ale dla każdego ładunku i warunków środowiskowych pokazują, jakie jest prawdopodobieństwo wykonalności oraz jaki jest oczekiwany koszt i zasięg.

Przykład precyzyjnej decyzji: dla ładunku około 1,75 kg mapy kompromisów mogą pokazać, że dana konfiguracja baterii ma zauważalne prawdopodobieństwo niewykonalności z powodu ograniczeń masy i prądu rozładowania. Zamiast „tak/nie”, menedżer otrzymuje jasną, liczbową miarę ryzyka i może rozważyć przejście na inny system chemiczny lub redefinicję misji (krótszy zasięg, inny poziom redundancji).

Od pojedynczych komponentów do „systemu systemów”

Ponowne wykorzystanie modeli sprawia, że ramy te są odpowiednie dla zespołów, w których każdy dba o swoje „pudełko”: jeden zespół utrzymuje percepcję, drugi system energetyczny, trzeci planowanie i sterowanie. Ponieważ matematyka jest kompozycyjna, moduły można zmieniać bez naruszania globalnych gwarancji dotyczących monotoniczności i ograniczeń. Zmniejsza to sprzężenie między zespołami – kluczowa cecha, gdy projekt rozszerza się na większe systemy, takie jak sieci lotnicze lub zintegrowane ekosystemy transportowe, w których wielu aktorów (np. firmy kolejowe) dzieli infrastrukturę i ma częściowo sprzeczne cele.

Jak to wygląda w praktyce: kroki operacyjne

1. Modelowanie modułów z niepewnością. Dla każdego bloku definiuje się funkcje użyteczności i kosztu oraz typ niepewności (przedział, rozkład, model parametryczny). Jeśli dostępne są dane eksperymentalne, parametry są uczone; w przeciwnym razie wychodzi się od poinformowanych granic i konserwatywnych założeń.


2. Kompozycja i ograniczenia. Bloki są łączone w sieć współprojektowania, która uwzględnia ograniczenia misji (maksymalna masa, budżet, docelowe poziomy niezawodności detekcji, ograniczenia zużycia).


3. Analiza kompromisów. Obliczane są wartości oczekiwane, kwantyle i prawdopodobieństwa wykonalności, wraz z mapowaniem wrażliwości na zmiany założeń (np. chłodniejsza pogoda, silniejszy wiatr, inny profil zadania).


4. Iteracje i „co-jeśli”. Ponieważ system jest modułowy, możliwe jest szybkie zastąpienie bloku (LiPo → NiMH, stereo → radar) i ponowna ocena ryzyka i korzyści bez naruszania całej struktury.

Co ta metoda zmienia w stosunku do klasycznych narzędzi

• Więcej niż skrajne scenariusze: zamiast koncentrować się na „najlepszym/najgorszym przypadku”, pod uwagę brane jest całe spektrum wyników.


• Połączenie z uczeniem: modele parametryczne umożliwiają inkrementalną aktualizację, gdy tylko pojawią się nowe dane z terenu, dzięki czemu projekt z czasem „inteligentnie” się dostosowuje.


• Skalowalność poprzez kompozycję: modułowość i monotoniczne relacje zapobiegają eksplozji stanów przy rozszerzaniu systemu.


• Przejrzyste kompromisy: decydenci otrzymują oparte na liczbach „mapy cieplne” ryzyka i zysków, zamiast czarno-białych rekomendacji.

Zastosowania: od przemysłu dronów po sieci kolejowe

W przemyśle motoryzacyjnym i lotniczym formalne modelowanie niepewności pomaga wcześniej wykrywać ryzykowne kombinacje i budować argumentację za droższymi, ale bardziej odpornymi rozwiązaniami tam, gdzie bezpieczeństwo i ryzyko reputacyjne nie mają ceny. W robotyce zorientowanej na człowieka – na przykład w „ostatniej mili” – te same ramy pomagają zrównoważyć TCO i niezawodność w warunkach zmiennego popytu i pogody. W transporcie publicznym i kolejnictwie otwiera się możliwość skoordynowanego współprojektowania taborów i rozkładów jazdy w ramach wspólnej infrastruktury, z jawną kwantyfikacją ryzyka opóźnień i zatorów.

Co z bateriami: realne porównanie z perspektywy inżynierskiej

Typowa inżynierska rozmowa o bateriach do dronów często sprowadza się do właściwości „tabelarycznych” (energia właściwa, maksymalny prąd, masa). Ale podczas rzeczywistych misji, zwłaszcza w chłodzie i przy wysokich obciążeniach, wydajność „oddycha”. Akumulator litowo-polimerowy (LiPo) oferuje wyższą gęstość energii i lepsze rozładowanie – co jest zaletą przy szybkich manewrach i większych ładunkach – ale wymaga dyscypliny w zakresie ochrony, przechowywania i monitorowania stanu naładowania. NiMH jest masywniejszy i ma mniejszą gęstość energii, ale często jest prostszy w obsłudze, bardziej odporny na niskie temperatury i początkowo tańszy. Jeśli na poziomie systemu optymalizuje się całkowity koszt posiadania, liczbę cykli i rozkłady obciążeń, może się okazać, że NiMH, w segmencie mniejszych ładunków i konserwatywnych profili lotu, wykazuje niższy oczekiwany TCO, podczas gdy LiPo dominuje w scenariuszach, w których priorytetem jest maksymalny zasięg lub moc.

Metryki, które warto optymalizować

Zamiast jednej „świętej” metryki, ta metodologia umożliwia jednoczesną optymalizację wielu celów w warunkach niepewności:

• Oczekiwany zasięg i czas lotu z kwantylami (np. 5% i 95%), aby planować rezerwy i „złe dni”.


• Całkowity koszt posiadania (TCO) w całym cyklu życia: cena zakupu, wymiany, serwis, degradacja i konsekwencje awarii.


• Prawdopodobieństwo wykonalności – jaka jest szansa, że kombinacja czujników, baterii i danego ładunku w ogóle spełni ograniczenia masy i zużycia.


• Odporność na warunki środowiskowe – jak wydajność zmienia się w zależności od wiatru, deszczu, mgły i temperatury.

Jak czytać „mapy kompromisów”

Wyobraźmy sobie cel: przeniesienie ładunku 1,75 kg. Zamiast „TAK/NIE”, mapa pokazuje obszary o niskim prawdopodobieństwie niewykonalności, strefy przejściowe i domeny o wysokiej szansie niepowodzenia. Taki obraz pozwala świadomie akceptować małe ryzyka tam, gdzie korzyści są duże (znacznie większa autonomia, mniejsza masa), lub unikać konfiguracji wrażliwych na drobne zmiany temperatury i wiatru. W ten sposób decyzja inżynierska przekształca się z zgadywania w wyważony, przejrzysty handel ryzykiem.

Rola weryfikacji i gwarancji bezpieczeństwa

Dla dziedzin, w których bezpieczeństwo ma pierwszeństwo – autonomia drogowa, lotnictwo, robotyka w pobliżu ludzi – podejście kompozycyjne naturalnie łączy się z formalną weryfikacją i projektowaniem „opartym na kontraktach”. Każdy moduł może ogłosić gwarancje (np. maksymalny prąd siłownika, minimalna dokładność detekcji) i założenia dotyczące środowiska; ramy następnie sprawdzają, czy te gwarancje są kompatybilne na poziomie systemu przy zadanych rozkładach niepewności. W ten sposób buduje się weryfikowalne argumenty bezpieczeństwa, które są zrozumiałe zarówno dla regulatorów, jak i dla przemysłu.

Oprogramowanie i dostępność dla zespołów

Chociaż podstawa teoretyczna jest abstrakcyjna, idea polega na oferowaniu bibliotek, które ukrywają szczegóły matematyczne. Poprzez „adaptery” dla czujników, baterii i algorytmów sterowania, zespoły mogą szybko składać architektury, wymieniać moduły i uzyskiwać nowe mapy kompromisów bez przepisywania kodu. Jest to szczególnie przydatne, gdy równolegle pracuje się nad wieloma komponentami – ramy gwarantują, że moduły można zmieniać bez naruszania globalnych ograniczeń i że miary ryzyka są konsekwentnie przenoszone przez system.

Szersze implikacje: w kierunku standardów dla systemów uczących się

W miarę jak coraz częściej wbudowywane są moduły oparte na uczeniu (LEC – learning-enabled components), konieczne jest formalne ujęcie również ich niepewności. Kompozycyjne współprojektowanie z niepewnością pozwala na „propagowanie” metryk ryzyka i gwarancji od modułu do systemu. W ten sposób powstaje wspólny język do definiowania progów akceptowalnego ryzyka i przejrzystych procesów dowodzenia bezpieczeństwa.

Co dalej

Dalszy rozwój idzie w dwóch kierunkach. Pierwszy to wydajność obliczeniowa: przyspieszenie rozwiązywania wielowymiarowych kompromisów i poprawa skalowania na duże problemy. Drugi to wielu aktorów: scenariusze, w których wiele firm współprojektuje interoperacyjne podsystemy o różnych celach i budżetach – na przykład regionalne ekosystemy transportowe, w których firmy kolejowe dzielą tę samą infrastrukturę, ale optymalizują różne wskaźniki wydajności.

Informacja o dacie: tekst został przygotowany 03. października 2025 r. i jest zgodny z najnowszymi publicznie dostępnymi informacjami na temat współprojektowania w warunkach niepewności oraz demonstracjami na bezzałogowych statkach powietrznych.