Inženjerski dizajn pod neizvjesnošću više nije slijepa točka: nova metodologija razvijena na MIT-u sistematski ugrađuje neizvjesnost u svaki korak su-dizajna složenih tehničkih sustava – od bespilotnih letjelica i autonomnih vozila do zračnog prometa i regionalnih mreža prijevoza. Umjesto da se oslanja na idealizirane specifikacije komponenata ili na površne „najbolji/najgori slučaj” procjene, pristup modelira cijele raspodjele ishoda i njihove međuovisnosti te prikazuje jasne kompromisne mape koje povezuju performanse, troškove, masu i ograničenja misije.

Zašto je to važno za autonomne sustave i digitaliziranu mobilnost

Bilo da je riječ o dostavnom dronu koji mora letjeti po vjetru i kiši, robotu koji kombinira nesavršene senzore s promjenjivim algoritmima ili infrastrukturnoj mreži u kojoj više operatora dijeli istu prugu, cjelokupno ponašanje sustava formira se na spoju mnogih nesigurnih dijelova. U praksi, nijedna komponenta ne radi „točno po kataloškoj brojci”, a okoliš uvodi dodatnu varijabilnost. Tradicionalne metode planiranja i optimiranja zato često podcjenjuju rizik i precjenjuju robusnost sustava. Nova metoda eksplicitno razlaže sve poznate i nepoznate izvore varijacija – od tolerancija u proizvodnji i starenja baterija do meteoroloških uvjeta i promjenjivog opterećenja – te ih spaja u jedinstven, koherentan prikaz rizika i koristi.

Od kutija i strelica do kompozicijske matematike

Polazište je su-dizajn (co-design): kompleksan problem rastavlja se na module, „kutije” koje predstavljaju senzore, aktuatorske sklopove, izvore energije, algoritme upravljanja ili ograničenja misije. Moduli se zatim ponovno „sastavljaju” tako da se globalni optimum (ili skup Pareto-optimalnih rješenja) može naći u razumnom vremenu. Novost u ovoj varijanti jest uvođenje modela neizvjesnosti u svaki modul. Umjesto jednog determinističkog broja, svaka kutija nosi intervale, vjerojatnosne raspodjele ili parametarske modele koji se s vremenom mogu učiti na temelju podataka. Temelj je kompozicijska matematika koja omogućuje da se pravila spajanja i monotone relacije između ciljeva (npr. veći domet ⇢ više mase baterija ⇢ veći trošak) sačuvaju bez obzira na to kako se moduli permutiraju.

Praktična posljedica: dizajner nije prisiljen birati između pojednostavljene analize osjetljivosti i skupog Monte Carlo „silovanja” sustava. Umjesto toga dobiva formalizam koji „zna” kako se neizvjesnost propagira kroz mrežu modula, kako se kompromisi mijenjaju kad se zamijeni baterija ili percepcijski sklop, te kako se odluke optimiraju uz ciljanu razinu rizika.

Što inženjer zapravo dobiva: mape kompromisa s rizikom

Umjesto jedne točke ili dviju krajnosti, izlaz su karte kompromisa: očekivane vrijednosti performansi, kvantili (npr. 5% i 95%), konture vjerojatnosti izvedivosti i pragovi nakon kojih sustav ulazi u „rizične vode”. Takve karte omogućuju odluke u skladu s kontekstom primjene. U zrakoplovstvu, gdje je sigurnost prvi kriterij, prihvatit će se viši trošak ako drastično smanjuje vjerojatnost zatajivanja. U logistici, pod uvjetom da su rizici kvantificirani, možda će se birati jeftinije rješenje uz kontrolirani rizik kratkih zastoja u ekstremnim uvjetima.

Studija slučaja: izbor percepcije i baterija za UAV u promjenjivom vremenu

U demonstracijskom primjeru za bespilotnu letjelicu (UAV), modularni su-dizajn spaja percepcijske podsustave – stereo viziju, LiDAR i radar – s energetskim konfiguracijama, pri čemu misija nameće ograničenja (domet, korisno opterećenje, vrijeme zadržavanja u zraku, masa, budžet). Za senzore se ne pretpostavlja „fiksna točnost”, već se unose raspodjele detekcijske sposobnosti ovisno o magli, kiši i slabom osvjetljenju. Za baterije, umjesto jedne brojke kapaciteta, u obzir ulaze distribucije kapaciteta i unutarnjeg otpora, degradacija tijekom ciklusa i temperaturna ovisnost. Rezultat su grafovi koji pokazuju kako se vjerojatnost uspješnog završetka misije mijenja s vremenom leta, meteorološkim uvjetima i odabirom senzora i napajanja.

Takav pristup daje i neočekivane uvide. U scenarijima manjih korisnih tereta, gdje je akcent na niskom TCO-u, tehnologije poput NiMH ponekad daju niži očekivani trošak vijeka uporabe zbog cijene nabave i jednostavnijeg rukovanja, unatoč manjoj energijskoj gustoći. Kako korisno opterećenje raste, Li-polimer (LiPo) ili Li-ion tipično preuzimaju primat zbog boljeg omjera Wh/kg i mogućnosti viših strujnih impulsa. Okvir pritom ne zaključuje „apsolutnog pobjednika”, nego prikaže za svaki teret i okolišne uvjete kolika je vjerojatnost izvedivosti i koji je očekivani trošak i doseg.

Primjer precizne odluke: za teret oko 1,75 kg, karte kompromisa mogu pokazati da određena baterijska konfiguracija ima primjetnu vjerojatnost neizvedivosti zbog ograničenja mase i struje pražnjenja. Umjesto „da/ne”, menadžer dobiva jasnu, brojčanu mjeru rizika i može odvagnuti prebacivanje na drugi kemijski sustav ili redefiniciju misije (kraći doseg, druga razina redundancije).

Od pojedinačnih komponenti do „sustava sustava”

Ponovna upotrebljivost modela čini okvir pogodnim za timove u kojima svatko brine o svojoj „kutiji”: jedan tim održava percepciju, drugi energetski sustav, treći planiranje i upravljanje. Budući da je matematika kompozicijska, moduli se mogu mijenjati bez narušavanja globalnih jamstava o monotonosti i ograničenjima. Time se smanjuje sprega među timovima – ključno svojstvo kad se projekt širi na veće sustave poput zračnih mreža ili integriranih prijevoznih ekosustava gdje više aktera (npr. željezničke kompanije) dijeli infrastrukturu i ima djelomično suprotstavljene ciljeve.

Kako to izgleda u praksi: operativni koraci

1. Modeliranje modula s neizvjesnošću. Za svaki blok definiraju se funkcije koristi i troška te tip neizvjesnosti (interval, raspodjela, parametarski model). Ako postoje eksperimentalni podaci, parametri se uče; inače se polazi od informiranih granica i konzervativnih pretpostavki.


2. Kompozicija i ograničenja. Blokovi se spajaju u mrežu su-dizajna koja uvažava ograničenja misije (maksimalna masa, budžet, ciljane razine pouzdanosti detekcije, ograničenja potrošnje).


3. Analiza kompromisa. Računaju se očekivane vrijednosti, kvantili i vjerojatnosti izvedivosti, uz mapiranje osjetljivosti na promjene pretpostavki (npr. hladnije vrijeme, snažniji vjetar, drugačiji profil zadatka).


4. Iteracije i „što-ako”. Budući da je sustav modularan, moguće je brzo zamijeniti blok (LiPo → NiMH, stereo → radar) i ponovno procijeniti rizike i koristi bez rušenja cijele strukture.

Što ova metoda mijenja u odnosu na klasične alate

• Više od rubnih scenarija: umjesto fokusiranja na „best/worst case”, u obzir se uzima cijeli spektar ishoda.


• Spajanje s učenjem: parametarski modeli omogućuju inkrementalno ažuriranje čim stignu novi podaci s terena, pa se dizajn s vremenom „pametno” prilagođava.


• Skalabilnost kroz kompoziciju: modularnost i monotone relacije sprječavaju eksploziju stanja pri proširenju sustava.


• Prozirni kompromisi: donositelji odluka dobivaju brojčano utemeljene „heat-mape” rizika i dobiti, umjesto crno-bijelih preporuka.

Primjene: od industrije dronova do željezničkih mreža

U automobilskoj i zrakoplovnoj industriji formalno modeliranje neizvjesnosti pomaže ranije otkriti rizične kombinacije i izgraditi argumentaciju za skuplja, ali robusnija rješenja ondje gdje sigurnost i reputacijski rizik nemaju cijenu. U robotici orijentiranoj na ljude – primjerice u „posljednjoj milji” – isti okvir pomaže balansirati TCO i pouzdanost u uvjetima promjenjive potražnje i vremena. U javnom prijevozu i željeznici otvara se mogućnost koordiniranog su-dizajna voznih parkova i rasporeda unutar zajedničke infrastrukture, uz eksplicitnu kvantifikaciju rizika kašnjenja i zagušenja.

Što s baterijama: realna usporedba iz inženjerske perspektive

Tipičan inženjerski razgovor o baterijama za dronove često skrene na „tablična” svojstva (specifična energija, maksimalna struja, masa). No pri stvarnim misijama, pogotovo u hladnoći i pri visokim opterećenjima, performanse „dišu”. Li-polimer (LiPo) nudi višu energijsku gustoću i bolje pražnjenje – plus za brze manevre i veće terete – ali traži disciplinu u zaštiti, skladištenju i nadzoru stanja napunjenosti. NiMH je masivniji i s manjom energijskom gustoćom, ali se često jednostavnije rukuje, otporniji je na niske temperature i inicijalno je jeftiniji. Ako se na razini sustava optimira ukupni trošak vlasništva, broj ciklusa i raspodjele opterećenja, može se dogoditi da NiMH, u segmentu manjih tereta i konzervativnih profila leta, pokaže niži očekivani TCO, dok LiPo dominira u scenarijima gdje je prioritet maksimalni doseg ili snaga.

Metričke koje je smisleno optimirati

Umjesto jedne „svete” metrike, ova metodologija omogućuje istodobnu optimizaciju više ciljeva pod neizvjesnošću:

• Očekivani domet i trajanje leta uz kvantile (npr. 5% i 95%) kako bi se planirale rezerve i „loši dani”.


• Ukupni trošak vlasništva (TCO) kroz životni vijek: cijena nabave, zamjene, servis, degradacija i posljedice kvarova.


• Vjerojatnost izvedivosti – kolika je šansa da kombinacija senzora, baterije i zadanog tereta uopće zadovolji ograničenja mase i potrošnje.


• Robusnost na okolišne uvjete – kako performanse variraju s vjetrom, kišom, maglom i temperaturom.

Kako čitati „karte kompromisa”

Zamislimo cilj: nositi teret od 1,75 kg. Umjesto „DA/NE”, karta prikazuje područja s niskom vjerojatnošću neizvedivosti, prijelazne zone i domena s visokom šansom neuspjeha. Takav prikaz omogućuje da se svjesno prihvate mali rizici ondje gdje su koristi velike (znatno veća autonomija, manja masa), ili da se izbjegnu konfiguracije osjetljive na minute promjene temperature i vjetra. Time se inženjerska odluka pretvara iz nagađanja u odmjerenu, transparentnu trgovinu rizikom.

Uloga verifikacije i sigurnosnih jamstava

Za domene u kojima sigurnost ima primat – cestovna autonomija, avijacija, robotika u blizini ljudi – kompozicijski pristup prirodno se spaja s formalnom verifikacijom i „contract-based” dizajnom. Svaki modul može oglasiti jamstva (npr. maksimalnu struju aktuatora, minimalnu točnost detekcije) i pretpostavke o okolišu; okvir zatim provjerava jesu li ta jamstva kompatibilna na razini sustava uz zadane raspodjele neizvjesnosti. Tako se grade provjerljivi argumenti sigurnosti koji su razumljivi i regulatorima i industriji.

Softver i pristupačnost timovima

Iako je teorijska osnova apstraktna, ideja je ponuditi biblioteke koje skrivaju matematičke detalje. Kroz „adaptere” za senzore, baterije i kontrolne algoritme, timovi mogu brzo slagati arhitekture, mijenjati module i dobivati nove karte kompromisa bez prepisivanja koda. Posebno je korisno kada se paralelno radi na više komponenti – okvir jamči da se moduli mogu mijenjati bez kršenja globalnih ograničenja i da se mjere rizika konzistentno prenose kroz sustav.

Šire implikacije: prema standardima za sustave s učenjem

Kako se sve češće ugrađuju moduli temeljeni na učenju (LEC – learning-enabled components), potrebno je formalno uokviriti i njihove neizvjesnosti. Kompozicijski su-dizajn s neizvjesnošću omogućuje da se metričke rizika i jamstva „propagiraju” od modula do sustava. Tako nastaje zajednički jezik za definiranje pragova prihvatljivog rizika i transparentnih procesa dokazivanja sigurnosti.

Što je iduće

Daljnji razvoj ide u dva smjera. Prvi je računalna učinkovitost: ubrzavanje rješavanja višedimenzijskih kompromisa i poboljšanje skaliranja na velike probleme. Drugi su višestruki akteri: scenariji u kojima više poduzeća su-dizajnira interoperabilne podsustave s različitim ciljevima i budžetima – primjerice, regionalni prijevozni ekosustavi u kojima željezničke kompanije dijele istu infrastrukturu, ali optimiraju različite pokazatelje uspješnosti.

Napomena o datumu: tekst je pripremljen 03. listopada 2025. i usklađen je s najnovijim javno dostupnim informacijama o su-dizajnu pod neizvjesnošću te demonstracijama na bespilotnim letjelicama.