⚡ electrical engineering

Sampled-data Systems: Stability, Contractivity and Single-iteration Suboptimal MPC

本文通过证明当底层降阶模型具有收缩性且采样周期足够小时稳定性得到保证，确立了相互连接的连续时间与离散时间系统的指数稳定性，特别是在单次迭代次优模型预测控制的背景下。

原作者： Yiting Chen, Francesco Bullo, Emiliano Dall'Anese

发布于 2026-07-02

📖 1 分钟阅读☕ 轻松阅读

原作者： Yiting Chen, Francesco Bullo, Emiliano Dall'Anese

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在试图驾驶一辆非常快速且复杂的汽车（连续时间系统），而你正使用着一款 GPS 导航应用（离散时间系统）来操控它。

在一个理想的世界里，GPS 会瞬间计算出完美的转向角度，并在你驾驶时持续不断地进行更新。但在现实世界中，计算机并不是魔法工具。GPS 必须执行以下步骤：

采样（Sample）：获取你当前位置的快照。
计算（Compute）：计算最佳路线。这并非瞬间完成；它会运行一个计算循环（迭代），以逐渐接近完美答案。
保持（Hold）：在下一次采样之前，将该答案保持稳定。

这篇论文的研究内容就是：如何确保当 GPS 出现轻微延迟，并且在给出“足够好”的答案之前只运行了少量计算循环时，汽车仍然不会发生碰撞。

以下是利用简单类比对研究结果进行的拆解：

1. 两个系统的协同工作

将汽车视为一个连续系统（它始终平滑地移动）而将 GPS 视为一个离散系统（它只在特定时刻发声，例如每 0.1 秒一次）。

问题所在： 如果 GPS 在两次更新之间等待的时间过长（“采样周期”太大），或者它在计算过程中停止得太早（“迭代次数”太少），汽车可能会开始剧烈晃动并发生碰撞。
目标： 作者想要找到一个“安全区域”。GPS 的更新频率必须有多快？需要运行多少个计算循环才能保持汽车稳定？

2. “简化模型”（理想化的 GPS）

作者发明了一个名为**简化模型（Reduced Model）**的概念。想象一个神奇版本的 GPS，它具备以下特性：

更新速度无限快（零延迟）。
瞬间计算出完美的路线（无限次计算循环）。

如果这个神奇的、完美的 GPS 能让汽车保持稳定，那么作者提出了一个问题：“如果我们使用真实的、较慢的、‘足够好’的 GPS，我们还能保持汽车稳定吗？”

3. 重大发现：“单步”奇迹

这是本文最令人惊讶的发现。通常情况下，工程师认为你需要运行一个复杂的算法多次才能得到稳定的结果。你可能会想：“我需要让 GPS 计算 10 次循环，我才会信任它。”

但这篇论文证明你并不需要这样做。

他们证明了，只要“完美 GPS”（简化模型）是稳定的，你就可以使用一个仅运行一次计算循环就给出答案的真实 GPS，并且汽车依然是安全的——前提是你要足够频繁地更新 GPS。

类比： 想象你在尝试用手平衡一把扫帚。通常你会认为你需要不断进行微小且完美的调整。这篇论文告诉我们：“事实上，你可以进行一次较大的、略显不完美的调整，只要你做得非常、非常快即可。”

4. 稳定的两条规则

论文给出了两种保证汽车不会碰撞的主要方式：

规则 A（严格的教练）： 如果汽车本身天生非常稳定（比如平衡车），并且 GPS 擅长优化其答案，那么无论 GPS 更新有多慢或运行多少次循环，系统都是安全的。这是一个非常强的条件，但在现实生活中很难保证。
规则 B（快速奔跑者 - 主要结果）： 如果“完美 GPS”（简化模型）是稳定的，那么只要更新之间的时间足够短，真实的系统就是安全的。
- 论文提供了一个关于这个“足够短”时间的特定公式。
- 核心洞察： 你运行的计算循环越多（你让 GPS 思考得越多），你更新它的频率就可以越慢。但如果你只运行一个循环，你就只需要让它更新得非常快。

5. 为什么这对于“模型预测控制”（MPC）很重要

论文特别提到了模型预测控制（MPC）。可以将 MPC 想象成一位超级聪明的驾驶员，他会观察未来 5 秒的情况，从而决定现在该做什么。

旧有的问题： 求解“向后看 5 秒”的数学问题非常困难。在真实的汽车上，完美地完成这项工作耗时太长。因此，工程师通常必须做出妥协：要么运行缓慢的计算（这很危险），要么提前停止计算（这可能导致不稳定）。
新的洞察： 本文证明了你可以在完成第一步后立即停止（“单次迭代”）数学计算，并依然保持安全，只要你频繁地刷新这个决策。对于实时控制而言，这是一个巨大的进步，因为它意味着你可以使用更简单、更快速的计算机来控制复杂的系统，而不用担心系统崩溃。

总结

论文的核心观点是：你不需要一台完美的、运行缓慢的计算机来控制一个快速运行的系统。你只需要一台能够“非常快速地更新其‘足够好’的答案”的“足够好”的计算机。即使计算机在开口说话前只进行了一次微小的计算，只要该系统的“完美版本”是稳定的，系统就能保持稳定。

技术摘要：采样数据系统：稳定性、收缩性与单次迭代次优 MPC

问题陈述

本文研究了通过采样和零阶保持器（ZOH）机制耦合的连续时间（CT）与离散时间（DT）互连系统的稳定性分析。该特定架构涉及一个 CT 环节 $\dot{x}(t) = f(x(t), z(t))$ 以及一个在固定间隔 $T$ 更新其输出 $z$ 的 DT 子系统。至关重要的是，该 DT 子系统并不计算闭式最优控制律 $z^*(x)$ ，而是执行由映射 $G(x, z)$ 定义的 $n$ 次算法迭代以逼近解。

这种设置模拟了实际实现的基于优化的控制器，例如模型预测控制（MPC），其中计算约束阻止了优化问题收敛至完全解（即 $n \to \infty$ ），且控制输入在离散采样时刻（ $T > 0$ ）进行更新。核心挑战在于确定在何种条件下，这种采样数据互连系统能够保持指数稳定性，特别是当迭代次数 $n$ 较小（例如 $n=1$ ）且采样周期 $T$ 为有限值时。

研究方法

作者采用**收缩理论（Contraction Theory）**和 Lipschitz 分析来研究互连系统的稳定性。研究方法通过以下步骤进行：

简化模型（RM）定义： 论文形式化了“简化模型”的概念，将其定义为采样周期 $T \to 0^+$ 且迭代次数 $n \to +\infty$ 时系统的极限行为。在此极限下，DT 子系统瞬时计算出不动点 $z^*(x)$ ，使得 $z^*(x) = G(x, z^*(x))$ ，从而得到闭环 CT 系统 $\dot{x} = f(x, z^*(x))$ 。
时间尺度分离： 参数 $T$ （采样间隔）和 $n$ （迭代次数）被视为诱导了“慢速”受控对象动力学与控制器“快速”计算动力学之间的时间尺度分离。
稳定性分析框架：
- 小增益法（Small-Gain Approach）： 作者首先基于小增益论证推导了稳定性条件，要求 CT 环节和 DT 映射均为收缩的。这导出了一个与 $T$ 和 $n$ 无关的条件。
- 简化模型法： 主要贡献在于分析仅当简化模型具有收缩性时的情形。作者建立，如果 RM 是收缩的，则存在一个取决于系统映射的 Lipschitz 常数以及迭代次数 $n$ 的阈值采样周期 $T(n)$ 。
数学工具： 分析利用了：
- 用于表征收缩率的单侧 Lipschitz 常数（对数范数/log-norms）。
- 用于界定互连系统轨迹间距离的复合范数。
- 矩阵谱半径分析，用以推导出确保离散时间更新映射为 Schur 稳定的显式界限 $T(n)$ 。

核心贡献与结果

1. 简化模型的形式化

论文将简化模型（RM）定义为系统 $\dot{x} = f(x, z^*(x))$ ，其中 $z^*(x)$ 是映射 $G(x, \cdot)$ 的唯一不动点。作者证明，尽管 RM 可能是收缩的，但如果采样周期 $T$ 过大，即使 $n$ 很大，实际的采样数据系统也可能变得不稳定。这强调了即使 RM 是收缩的，在没有对 $T$ 进行约束的情况下，也无法自动保证采样实现的稳定性。

2. 通过小增益条件实现稳定性（定理 3.4）

在 CT 环节动力学（ $x \mapsto f(x, z)$ ）和 DT 映射（ $z \mapsto G(x, z)$ ）均为收缩性的强假设下，作者证明，只要满足特定的互连增益小增益条件，对于任何 $n \in \mathbb{Z}_{>0}$ 和任何 $T > 0$ ，互连系统都是全局指数稳定（GES）且是离散时间收缩的。该条件比主结果要求的更为严格，但提供了与采样速率无关的鲁棒性。

3. 通过简化模型收缩性实现稳定性（定理 3.6）

论文的主要理论贡献是确立了：如果简化模型是收缩的（即 $z^*(x)$ 使受控对象稳定）且 DT 映射是收缩的，那么只要采样周期 $T$ 足够小，互连系统就是 GES 的。

阈值 $T(n)$ ： 作者推导出了一个显式的、尽管是保守的表达式，用于表示阈值持续时间 $T(n)$ 。
对 $n$ 的依赖性： $T(n)$ 随 $n$ 严格单调递增。这意味着增加迭代次数可以在保持稳定性的同时允许更大的采样周期。
单次迭代保证： 至关重要的是，对于任何 $n \ge 1$ ，都存在一个 $T(n) > 0$ ，使得稳定性得到保证。这意味着即使在进行单次迭代（ $n=1$ ）时，只要采样足够快，也可以实现稳定性。

4. 在模型预测控制（MPC）中的应用

理论结果被应用于次优 MPC。

与现有文献的对比： 现有的针对在线或分布式时间 MPC 的稳定性分析通常要求 $n > 1$ 或假设优化已收敛。本文表明，对于线性时不变（LTI）系统，如果 $T$ 足够小，单次迭代（ $n=1$ ）足以确保稳定性。
数值验证： 作者在双积分器上进行了数值实验。
- 在无约束情况下，系统在 $n=1$ 且 $T$ 较小时保持稳定。
- 在有约束情况下（使用软约束），简化模型仅是局部收缩的。作者验证了在 $n=1$ 且 $T$ 足够小时，系统在特定的吸引域内保持稳定，从而验证了局部稳定性推论。

意义与主张

本文声称为实时环境下的次优 MPC 及基于优化的控制提供了新的见解。其主要意义在于：

严谨的单次迭代稳定性： 据作者所知，这是第一项严格证明了在采样周期足够小的前提下，优化求解器的单次迭代（ $n=1$ ）足以保证闭环系统指数稳定性的工作。这挑战了实时 MPC 中对多次迭代或完全收敛的常规要求。
定量采样界限： 论文提供了作为迭代次数和系统 Lipschitz 常数函数的最大允许采样周期 $T(n)$ 的显式公式。这为实现采样数据优化控制器的工程师提供了具体的工程设计指南。
收缩理论的扩展： 该工作将经典的小增益收缩定理（通常应用于 CT-CT 互连）扩展到了 CT-DT 架构，弥合了连续时间控制理论与离散时间计算约束之间的鸿沟。

作者保持了谦逊的语气，指出推导出的 $T(n)$ 界限可能较为保守，未来的工作将探索具有硬约束系统的局部收缩性，并设计此类互连系统的观测器。