编辑推荐：
本期《IEEE Control Systems》的“People in Control”栏目对话了两位控制领域的杰出学者：来自亚马逊机器人（Amazon Robotics）的首席研究科学家Mouhacine Benosman，以及加拿大女王大学（Queen’s University）教授Martin Guay。Benosman博士的研究横跨多智能体分布式控制、物理信息机器学习在无限维系统建模与流体动力学中的应用、数据驱动的鲁棒强化学习控制，并将心理学理论应用于人工智能系统设计。Guay教授则在控制理论与过程控制领域深耕，是《Journal of Process Control》主编，并荣获多项研究奖项。他们的工作展示了控制科学在推动机器人技术与工业过程优化中的核心作用与广阔前景。
在当今科技飞速发展的时代，控制科学（Control Science）作为一门桥梁学科，正以前所未有的深度和广度渗透到从微观的工业过程到宏观的机器人集群的各个领域。它不仅是自动化（Automation）的基石，更是实现复杂系统智能、高效、可靠运行的关键。然而，随着应用场景的日益复杂，从柔性制造到无人系统协同，控制理论面临着如何应对高维度、非线性、不确定性以及多智能体协作等严峻挑战。与此同时，人工智能（Artificial Intelligence, AI）的崛起，特别是机器学习（Machine Learning, ML）的爆发，为控制科学带来了新的工具与范式，也引发了如何将数据驱动方法与经典模型理论深度融合的思考。为了探索控制科学在这些前沿交叉领域的最新进展、面临的挑战以及未来的方向，国际权威期刊《IEEE Control Systems》在其“People in Control”栏目中，邀请了两位居于研究前沿的学者进行深度对话。
这两位学者分别是Mouhacine Benosman博士和Martin Guay教授。Benosman博士目前是亚马逊机器人（Amazon Robotics）位于美国波士顿的首席研究科学家。在加入亚马逊之前，他拥有丰富的国际学术与工业界经历，曾任职于法国兰斯大学、苏格兰斯特拉斯克莱德大学、新加坡国立大学以及美国剑桥的三菱电机研究实验室（Mitsubishi Electric Research Labs）。他于2002年获得法国南特中央理工学院（Ecole Centrale de Nantes）的应用数学博士学位，并于2025年获得了美国哈佛大学（Harvard University）的心理学硕士学位。这种横跨数学、工程与心理学的独特背景，深刻影响了他的研究方向。他的兴趣聚焦于几个激动人心的交叉领域：多智能体分布式控制（Multiagent Distributed Control）及其在机器人学（Robotics）中的应用；物理信息机器学习（Physics-Informed Machine Learning）用于无限维系统（Infinite Dimensional Systems）的建模、估计和控制，并应用于流体动力学（Fluid Dynamics）问题；数据驱动的鲁棒强化学习控制（Data-Driven Robust Reinforcement Learning Control）；以及将心理学理论应用于人工智能系统设计。他曾担任《IEEE Control Systems Letters》和《Journal of Optimization Theory and Applications》的副编辑，以及《International Journal of Adaptive Control and Signal Processing》的高级编辑。
另一位对话者Martin Guay教授是加拿大金斯顿女王大学（Queen’s University in Kingston, Canada）的正教授。他在学术生涯中获得了多项荣誉，包括女王大学校长研究奖（Queen’s University Chancellor Research Award）和卓越研究总理奖（Premier Research Excellence Award）。他还获得了加拿大化学工程师学会（Canadian Society of Chemical Engineers）颁发的Syncrude创新奖和D. G. Fisher奖。2011年，他与Veronica Adetola博士因2008-2011年间发表在《Journal of Process Control》上的论文获得了该期刊的最佳论文奖（理论类）。他是加拿大化学学会（Chemical Institute of Canada）的会士（Fellow）。目前，他担任《Journal of Process Control》的主编（Editor-in-Chief）以及《IEEE Transactions on Automatic Control》的高级编辑（Senior Editor），同时还是《Automatica》和《The Canadian Chemical Engineering Journal》的副编辑（Associate Editor）。他的研究兴趣集中在控制理论（Control Theory）和过程控制（Process Control）。
为了开展各自的研究，两位学者及其团队运用了多种关键的技术方法。Benosman博士的研究方法体现了高度的交叉性：1）多智能体系统理论与分布式优化算法：用于设计机器人集群的协同控制策略。2）物理信息神经网络（Physics-Informed Neural Networks, PINNs）及混合建模框架：将物理定律（如偏微分方程）嵌入机器学习模型，用于复杂动态系统（特别是无限维系统，如描述流体运动的Navier-Stokes方程）的高效建模与状态估计。3）鲁棒与自适应强化学习（Robust and Adaptive Reinforcement Learning）：在存在模型不确定性和外部干扰的情况下，训练具有安全保证和性能鲁棒性的控制器。4）认知心理学与行为科学理论：为构建更可解释、更符合人类交互预期的人工智能系统提供设计原则。Guay教授的研究则更侧重于过程工业的应用背景，关键技术包括：1）非线性系统控制理论，特别是基于李雅普诺夫（Lyapunov）方法和微分几何的工具。2）自适应控制与参数估计技术，用于处理具有未知或时变参数的过程。3）模型预测控制（Model Predictive Control, MPC）及其实时优化算法，用于处理带有约束的多变量过程控制问题。4）数据驱动的过程建模与监控技术，将过程数据与第一性原理模型相结合。
通过对两位学者研究方向和成果的梳理，可以得出以下主要研究结果与结论：
- •
研究方向的分野与融合：Benosman博士代表了一条通向高度智能自主系统（如机器人、AI）的前沿路径，其研究强调整合数据驱动方法与物理模型，并引入跨学科视角（如心理学）。Guay教授则代表了控制理论在传统且至关重要的过程工业中的深度应用与持续创新，侧重于解决非线性、约束和优化等经典但永恒的问题。两者共同构成了控制科学从基础理论到尖端应用的完整光谱。
- •
交叉学科是创新源泉：Benosman博士的工作鲜明地展示了控制科学与应用数学、计算机科学（机器学习）、流体力学乃至心理学的交叉所产生的强大创新力。这种交叉不仅解决了特定领域（如流体控制）的难题，也为人工智能的安全性、可靠性、可解释性提供了新的设计思路。
- •
理论严谨性与工程实用性的平衡：两位学者均在其顶级期刊的编辑任职，表明了他们对研究工作的理论严谨性的坚持。同时，Benosman在工业界（亚马逊机器人、三菱电机）的研究背景，以及Guay在过程控制领域的应用导向，都凸显了他们的工作致力于解决实际工程问题的鲜明特色。
- •
控制科学的持续演进：对话内容表明，控制科学并非一个成熟的、静态的领域。面对机器学习的新浪潮和日益复杂的应用需求，它正在积极吸收新方法（如强化学习、物理信息机器学习），拓展新边界（如无限维系统控制、AI系统设计），并在机器人、过程工业等核心应用场景中不断焕发新的活力。
在结论与讨论部分，本次专访揭示了几点重要意义。首先，它强调了控制科学作为一门基础工程学科在第四次工业革命（工业4.0）和人工智能时代的核心地位。无论是实现物理机器人的灵巧协同，还是优化复杂化学过程的能效与产率，都离不开先进控制理论的支撑。其次，它指出了未来控制研究者的培养可能需要更广泛的跨学科知识储备，正如Benosman博士兼具数学、工程与心理学的背景所示。最后，对话凸显了学术界与工业界紧密互动的重要性。工业界提出的复杂现实挑战为控制理论提供了鲜活的研究课题，而学术界的前沿突破又反过来推动工业技术的革新。发表在《IEEE Control Systems》上的这篇人物访谈，不仅是对两位杰出学者个人成就的展示，更是对控制科学领域当前动态与未来趋势的一次生动描摹，为领域内的研究者、学生以及工业界工程师提供了宝贵的洞察与启发。
