智能控制的动态边界:从李雅普诺夫自适应到保障自主性的协设计

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

【字体: 大 中 小 】 时间:2026年09月22日 来源:IEEE Control Systems 6.3

编辑推荐:

  摘要专业翻译 智能控制根植于基于李雅普诺夫(Lyapunov)的自适应控制律的分析与综合、神经网络在在线自适应中的融入,以及迭代与重复学习控制方法。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性相关社区的广泛关注与采纳。另一方面,智能控制长期以来被认

  
摘要专业翻译 智能控制根植于基于李雅普诺夫(Lyapunov)的自适应控制律的分析与综合、神经网络在在线自适应中的融入,以及迭代与重复学习控制方法。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性相关社区的广泛关注与采纳。另一方面,智能控制长期以来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:随着该领域的成熟,曾经被视为智能的概念后来成为了标准的控制实践。如今,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,且这一交叉领域正在迅速增长。例如,对运行不确定性与突发事件的弹性、对已知结构化未知因素的鲁棒性,以及弹性与鲁棒性之间的协调,均属于智能控制的范畴——其典型手段包括基于优化的规划、AI驱动的感知、强化学习方法以及数据驱动控制。需要这些能力的系统涵盖信息物理系统、能源管理与分配系统、机器人平台、自动驾驶车辆、网络化多车系统及传感器网络。随着自主性在能源、航空航天与交通运输等领域的扩展,智能控制的当前角色可视为提供自主层的有原则集成或协设计,以实现保障自主性(assured autonomy),并最终实现保障分布式自主性(assured distributed autonomy)。

论文解读文章

研究背景与问题提出

智能控制作为控制理论与人工智能交叉的前沿领域,其核心挑战在于如何应对动态变化的边界:曾被视为前沿的概念会随技术成熟而成为常规实践。当前,该领域面临的关键问题包括:如何在运行不确定性和突发事件下保持系统弹性(resilience),如何平衡弹性与针对已知结构化不确定性的鲁棒性(robustness),以及如何将学习能力、优化、感知与控制进行有原则的集成,以迈向保障自主性(assured autonomy)。此外,随着自主性在能源、航空航天和交通运输等领域的拓展,亟需一种能够整合通信、感知、规划、控制与安全的系统性框架,解决多智能体系统中的异构性、规模化、时空约束和韧性等难题。正是为了应对这些挑战,IEEE控制系统协会智能控制技术委员会(TCIC)自1985年成立以来,持续推动相关理论与应用的发展。

研究内容与结论

研究人员围绕智能控制向保障自主性演进的趋势,开展了多项代表性工作。首先,在美国国防高级研究计划局(DARPA)的学习型内省控制项目中,研究人员开发了基于学习的控制架构,使陆地、海上和空中飞行器能够实时调整控制律。2025年底在一艘无人水面艇(USV)上进行的相对站位保持实验表明:无控制辅助时,人类操作员仅有63%的时间能将USV维持在安全区内;部分控制辅助下提升至82%;完全控制辅助下则达到94%。类似进展也在无人机和移动机器人上得到验证,证明了将学习融入反馈控制在真实环境中的实际效益。
其次,在美国国家航空航天局(NASA)大学领导力倡议(ULI)项目支持下,研究人员展示了智能控制在复杂系统中的自主性赋能作用。2025年5月,一架小型无人机在执行预规划勘测任务时遭遇模拟故障,实现了在湖面上的自主紧急降落——关键技术包括实时机载感知、自动重规划以及具备形式化安全保证的轨迹执行。这体现了智能控制向保障自主性发展的多学科融合趋势。
此外,TCIC成员积极组织研讨会与特邀报告。例如,2024年美国控制会议(ACC)上举办了关于异构多智能体系统协同输出调节的半日研讨会。协同输出调节将单系统的输出调节扩展到多智能体系统,提供了一个统一框架来处理智能体动力学、维度和不确定性上的异构性,并实现对宽泛信号类别的跟踪与抑制。典型的协同控制问题(如领航跟随一致性和编队跟踪)均可归结为协同输出调节问题。同年,在IEEE决策与控制会议(CDC)上还举行了关于多智能体系统控制的全日研讨会。
在理论研究方面,近期出版物涵盖了多智能体系统的多部输出调节(突破传统合作或二分领航跟随一致性以增强战术灵活性)、带稳定性规范的运行时保障(允许强化学习算法或人在回路控制器在满足预定稳定性指标的前提下运行),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(应用于四旋翼平台)。

主要关键技术方法

研究中采用的关键技术方法包括:基于学习的控制架构(用于实时自适应控制律调整)、优化-based规划、AI驱动的感知、强化学习方法、数据驱动控制、协同输出调节的统一框架、运行时保障与稳定性规范,以及在线自适应最优跟踪控制。此外,还涉及分布式估计、控制、优化与机器学习,多传感器融合,混合与切换系统工具,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-控制的集成。

研究结果分述

实验验证与演示
通过DARPA项目下的USV相对站位保持实验,量化验证了学习型控制的实际效能:完全控制辅助下将人工操作的安全区维持率从63%提升至94%。NASA ULI项目的无人机自主紧急降落演示则验证了实时感知、自动重规划与形式化安全保证的可行性。
研讨会与学术交流
ACC 2024的协同输出调节研讨会和CDC 2024的多智能体系统控制研讨会,集中探讨了异构多智能体系统的统一框架、规模化、鲁棒性、时空约束与韧性等前沿挑战。CDC 2024的迭代学习控制教程分会则庆祝了该领域首篇实质性论文发表40周年。
期刊贡献与编辑角色
TCIC成员在《IEEE自动控制汇刊》《IEEE控制系统技术汇刊》《IEEE控制论汇刊》《年度控制评论》和《Automatica》等顶级期刊上发表了推进智能控制理论与应用的最新成果,并组织了纪念S.P. Bhattacharyya教授的特刊以及《复杂系统自动化:生物医学、能源与制造》一书的出版。

总结与结论

研究结论明确指出:智能控制的当前角色是为自主层的原则集成或协设计提供支撑,以实现保障自主性并最终达成保障分布式自主性。通过将学习机制融入反馈控制、发展统一的协同输出调节理论、以及在实际系统中验证感知-规划-控制的安全集成,研究人员证明了智能控制在提升系统对不确定性和突发事件的弹性方面具有显著优势。整体而言,TCIC的活动促进了尖端智能控制研究的传播与应用,推动了自主层协设计原则的采纳,为未来高度自主系统的可靠运行奠定了理论与实践基础。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号