IEEE控制系统学会智能控制技术委员会

《IEEE Control Systems》：IEEE Control Systems Society Technical Committee on Intelligent Control

　　

提供可能包含对从业者和研究人员感兴趣的新闻、评论或技术说明的学会信息。智能控制根植于基于Lyapunov的自适应控制律（adaptive control laws）的分析与综合、神经网络（neural networks）融入在线自适应，以及迭代与重复学习控制方法（iterative and repetitive learning control methods）。随着时间的推移，它已从新兴概念演变为学术界和工业界自主相关领域的广泛兴趣与采纳。另一方面，智能控制长期被认为包含超越传统控制范式的方法论。因此，其边界是动态的：随着该领域成熟，曾被视为智能的概念后来成为标准控制实践。如今，智能控制处于控制理论（control theory）、优化（optimization）、人工智能（Artificial Intelligence, AI）与自主性（autonomy）的交汇点，且该交汇点正在迅速增长。例如，对运行不确定性与突发事件的弹性（resilience）；对已知结构未知项的鲁棒性（robustness）；以及弹性与鲁棒性之间的和谐统一，均属于智能控制的范畴，其利用基于优化的规划（optimization-based planning）、AI驱动的感知（AI-driven perception）、强化学习方法（reinforcement learning methods）和数据驱动控制（data-driven control）。需要这些能力的系统包括信息物理系统（cyber-physical systems）、能源管理与分配系统、机器人平台、自主车辆、网络化多车系统以及传感器网络。随着自主性在能源、航空航天和交通等领域扩展，智能控制的作用可视为提供自主层级的原则性集成或协同设计，以实现有保证的自主性，最终实现有保证的分布式自主性。

### 论文解读：智能控制技术委员会的进展与展望

**研究背景与问题**
智能控制起源于基于Lyapunov的自适应控制律分析与综合、神经网络在线自适应以及迭代与重复学习控制方法。随着时间推移，该领域从新兴概念发展为学术界和工业界自主相关领域的广泛关注与应用。然而，其边界具有动态性——曾被视为智能的概念随着领域成熟往往成为标准控制实践。当前，智能控制处于控制理论、优化、人工智能（AI）与自主性的交叉点，并快速增长。面临的核心问题包括：如何应对运行不确定性与突发事件的弹性（resilience）？如何保证对已知结构未知项的鲁棒性（robustness）？如何在弹性与鲁棒性之间实现和谐统一？这些能力对信息物理系统、能源管理与分配系统、机器人平台、自主车辆、网络化多车系统及传感器网络至关重要。随着自主性在能源、航空航天、交通等领域的扩展，智能控制需提供自主层级的原则性整合或协同设计，以迈向有保证的自主性（assured autonomy）及最终的有保证的分布式自主性。IEEE控制系统学会（CSS）智能控制技术委员会（TCIC）成立于1985年，旨在聚集研究人员与从业者，为智能控制技术及其应用的理论与实践探讨提供论坛。

**研究开展与结论**
TCIC通过多种活动推动智能控制发展，包括实验验证、实际应用、研讨会和学术工作。自2023年以来，智能控制向有保证的自主性演进。例如，美国国防高级研究计划局（DARPA）的“学习内省控制”项目中，开发了基于学习的控制架构，使陆、海、空车辆实时调整控制律。2025年末，在一艘无人水面艇（USV）上演示了相对站保持场景：无控制系统辅助时，人类操作员在安全区内操控的时间占比为63%；部分辅助时升至82%；完全辅助时达94%。类似进展在无人机和移动机器人上也有体现，学习型与自适应控制方法减轻了系统不确定性与外部扰动。这些结果凸显了在实际环境中将学习融入反馈控制的实用优势。此外，在NASA大学领导力倡议（ULI）项目下，研究人员演示了小型无人飞行器在湖上的自主紧急着陆，关键亮点包括实时机载感知、自动重规划与具有形式化安全保障的轨迹执行。这些演示反映了智能控制向有保证的自主性的多学科趋势。TCIC成员还积极组织并参与主要会议（如ACC、CDC、AIAA SciTech Forum）的研讨会、教程和邀请组。例如，ACC 2024举办的关于异构多智能体系统协同输出调节的半日研讨会，以及CDC 2024举办的关于多智能体系统控制的全日研讨会。CDC 2024举办了关于迭代学习控制与重复过程的教程会议，纪念该领域首篇实质性论文40周年。TCIC成员还持续组织关于自主性智能系统架构的邀请组，并参与期刊和书籍编辑工作，例如纪念Shankar Prasad Bhattacharyya教授的特刊，以及《自动化复杂系统：生物医学、能源与制造》一书。成员在IEEE Transactions on Automatic Control等顶级期刊发表多篇论文，推进了多智能体系统的多部分输出调节、具有稳定性保障的运行时间保障，以及部分不确定严格反馈离散时间系统的在线自适应最优跟踪控制等理论与应用。

**主要关键技术方法**
TCIC研究涉及的关键技术方法包括：基于Lyapunov的自适应控制律合成与分析、神经网络在线自适应、迭代与重复学习控制、基于优化的规划、AI驱动的感知、强化学习、数据驱动控制、分布式估计与控制、多传感器融合、混合系统与切换系统工具（处理间歇/拒绝/攻击通信或感知）、模糊控制、遗传算法、凸化技术（用于实时可靠轨迹规划），以及感知-规划-控制一体化。这些方法应用于空间系统与机器人、制造与能源系统、水下/地面/空中运载器及过程控制系统。

**研究结果**
- **OVERVIEW（概述）**：TCIC现有93名成员，来自学术界、研究实验室和工业界。研究兴趣涵盖控制理论、优化、AI和自主性，包括学习型与数据驱动控制、分布式估计/控制/优化/机器学习、多传感器融合、混合与切换系统、模糊控制、遗传算法、凸化技术等。为高效支持成员活动，引入了新的服务体系：主席、技术活动副主席、会员副主席和顾问（前任主席）。
- **ACTIVITIES（活动）**：
- **学习型控制架构演示**：在DARPA项目中，1.5米USV与5米USV配对进行相对站保持任务，模拟海上补给。无辅助时人类操作员在安全区内时间占63%，部分辅助时82%，完全辅助时94%。类似进展在无人机和移动机器人上展示。
- **复杂系统自主性**：NASA ULI项目下，2025年5月演示了小型无人飞行器在湖上的自主紧急着陆，实现实时机载感知、自动重规划与形式化安全保障。
- **研讨会与教程**：ACC 2024举办异构多智能体系统协同输出调节半日研讨会；CDC 2024举办多智能体系统控制全日研讨会及迭代学习控制与重复过程教程会议（纪念40周年）。
- **邀请组与特刊**：连续三年在SciTech Forum每年组织6个自主性智能系统架构邀请组；组织纪念Shankar Prasad Bhattacharyya教授的特刊，并出版《自动化复杂系统》一书。
- **期刊贡献**：成员在IEEE Transactions on Automatic Control等期刊发表论文，包括多智能体系统的多部分输出调节（增强战术灵活性）、具有稳定性保障的运行时间保障（允许强化学习或人在回路控制器运行）、部分不确定严格反馈离散时间系统的在线自适应最优跟踪控制（应用于四旋翼平台）。

**结论与讨论**
总体而言，TCIC的活动促进了前沿智能控制研究的发展与传播，支持了自主层级原则性整合或协同设计的进步与采纳，以迈向有保证的自主性。研究结论部分（原文“Overall”段）可翻译为：总体而言，TCIC活动促进了前沿智能控制研究的发展与传播，并支持了自主层级的原则性集成或协同设计向有保证的自主性的进步与采纳。