《IEEE Control Systems》：IEEE Control Systems Society Technical Committee on Intelligent Control
编辑推荐：
提供学会信息，其中可能包含从业者和研究人员感兴趣的新闻、评论或技术笔记。智能控制植根于基于Lyapunov的自适应控制律分析与综合、将神经网络纳入在线自适应，以及迭代和重复学习控制方法。随着时间的推移，它已从新兴概念发展为学术界和工业界自主相关社区广泛关注和采
提供学会信息，其中可能包含从业者和研究人员感兴趣的新闻、评论或技术笔记。智能控制植根于基于Lyapunov的自适应控制律分析与综合、将神经网络纳入在线自适应，以及迭代和重复学习控制方法。随着时间的推移，它已从新兴概念发展为学术界和工业界自主相关社区广泛关注和采用的领域。另一方面，智能控制长期以来被认为涵盖了超越传统控制范式的方法。因此，其边界是动态的：随着该领域的成熟，曾经被视为智能的概念后来成为标准控制实践。智能控制的边界是动态的：随着该领域的成熟，曾经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、优化、人工智能（AI）和自主性的交叉点，且这一交叉点正在迅速增长。例如，对运行不确定性和突发事件的韧性；对已知、结构化未知的鲁棒性；以及韧性与鲁棒性之间的协调，都属于智能控制的范畴，其例如利用基于优化的规划、AI驱动的感知、强化学习方法和数据驱动控制。需要这些能力的系统包括信息物理系统、能源管理和分配系统、机器人平台、自动驾驶车辆、网络化多车辆系统和传感器网络。随着自主性在能源、航空航天和交通等领域扩展，智能控制的作用可以看作是提供自主层的有原则集成或协同设计，以实现确保自主性，并最终实现确保分布式自主性。智能控制当前的作用可以看作是提供自主层的有原则集成或协同设计，以实现确保自主性，并最终实现确保分布式自主性。
智能控制植根于基于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/重复学习控制方法。随着领域成熟，智能控制的边界呈现动态性：曾经被视为智能的概念逐渐成为标准控制实践。当前，智能控制位于控制理论、优化、人工智能（AI）与自主性的交叉点，这一交叉点正在迅速扩展。所面临的核心问题包括对运行不确定性和突发事件的韧性（resilience），对已知、结构化未知的鲁棒性（robustness），以及韧性与鲁棒性之间的协调。这些问题需要借助基于优化的规划、AI驱动的感知、强化学习方法和数据驱动控制等手段来解决。随着自主性在能源、航空航天和交通等领域的扩展，智能控制的关键作用被定位为提供自主层的有原则集成或协同设计，以实现确保自主性（assured autonomy），并最终实现确保分布式自主性。IEEE控制系统学会（CSS）智能控制技术委员会（TCIC）成立于1985年，旨在团结研究人员与实践者，为智能控制技术的理论、实践和应用提供论坛。目前该委员会拥有93名成员，来自学术界、研究实验室和工业界。为了应对领域不断演变的需求并促进交流，TCIC近期引入了由主席、技术活动副主席、会员副主席和顾问（前任主席）构成的服务结构。
研究人员通过TCIC开展了一系列重要工作，得出智能控制正朝着确保自主性演进的结论。在技术方法上，主要采用了学习控制架构、自适应控制、实时机载感知、自动重规划、形式化安全保证、分布式多智能体控制以及迭代学习控制等方法。例如，在美国国防高级研究计划局（DARPA）的“学习内省控制”项目中，研究人员开发了使陆海空航行器实时调整控制律的学习控制架构。2025年底，在一项无人水面艇（USV）相对站位保持演示中，1.5米长的USV与5米长的USV配对，模拟海上补给任务中的保持相对位置场景，并克服风载荷、推进器故障和模拟文丘里效应等危险。实验结果显示，无控制辅助时，人类操作员在安全区内驾驶的时间占比为63%；部分控制辅助时该比例升至82%；完全控制辅助时达到94%。这展示了将学习纳入反馈控制的实际效益。在NASA大学领导倡议（ULI）项目中，研究人员演示了小型无人飞行器在预计划勘测任务中发生模拟故障时的自主紧急降落，展现了实时机载感知、自动重规划和具有形式化安全保证的轨迹执行能力。这些演示反映了智能控制向确保自主性发展的多学科趋势。
**概述（OVERVIEW）**：TCIC成立于1985年，目前有93名成员。成员兴趣涵盖控制理论、优化、AI和自主性的广泛主题，包括学习与数据驱动控制、分布式估计/控制/优化/机器学习、多传感器融合、混合与切换系统工具（用于处理间歇/拒绝/攻击通信或感知）、模糊控制、遗传算法、实时可靠轨迹规划的凸化技术，以及感知-规划-控制集成。应用领域包括空间系统与机器人、制造与能源系统、水下/地面/空中航行器和过程控制系统。新的服务结构包括主席、技术活动副主席、会员副主席和顾问，旨在提高委员会内部沟通和可持续增长。
**活动（ACTIVITIES）**：TCIC成员活跃于实验验证、实际应用、研讨会和学术工作。在DARPA项目中，学习控制架构成功应用于USV、无人机和移动机器人，缓解系统不确定性和外部干扰。在NASA ULI项目中，实现了无人飞行器的自主紧急降落，突出了感知、规划、控制和安全保证的集成。TCIC成员在ACC、CDC和AIAA SciTech Forum等顶级会议组织研讨会和特邀会议：ACC 2024举办了“异构多智能体系统的协同输出调节”半天研讨会，该框架将输出调节从单一系统扩展到多智能体系统，统一处理异构动力学、维数和不确定性，并能跟踪和抑制多种信号；CDC 2024举办了“多智能体系统控制：挑战与解决方案”全天研讨会，以及“迭代学习控制与重复过程”教程会议，纪念该领域首篇实质论文发表40周年，并配套教程论文涵盖算法开发、实验验证及工业和医疗应用。成员还连续三年在SciTech Forum组织每年六场的“智能系统架构用于自主性”特邀会议。此外，成员参与特刊和书籍编辑，例如纪念Shankar Prasad Bhattacharyya教授（1946–2024）的专集，以及《复杂系统自动化：生物医学、能源与制造》一书。TCIC成员在IEEE Transactions on Automatic Control、IEEE Transactions on Control Systems Technology、IEEE Transactions on Cybernetics、Annual Reviews in Control和Automatica等期刊发表论文，主题包括多智能体系统的多部输出调节（扩展了合作或二部领导跟随共识，增强不利作战环境中的战术灵活性）、带稳定性调节的运行时保证（允许强化学习算法或人在回路控制器在预定义稳定度量满足的前提下运行），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及其在四旋翼平台上的应用。
**联系TC（CONTACTING THE TC）**：TCIC欢迎新成员加入，特别是学生、研究实验室专业人员和工业界人士。技术活动相关事宜联系技术活动副主席Alireza Mohammadi，会员相关事宜联系会员副主席Deniz Kurtoglu，总体联系可通过主席S. Burak Sars?lmaz的邮箱进行。
总结讨论：TCIC的活动促进了智能控制前沿研究的发展与传播，推动了自主层的有原则集成或协同设计。研究结论表明，智能控制的当前角色在于通过将学习、自适应、优化与安全保证融入控制架构，为自主系统提供可信赖的决策与执行能力，从而迈向确保自主性并最终实现确保分布式自主性。
