⚡ electrical engineering

Synthesis of Deep Neural Networks with Safe Robust Adaptive Control for Reliable Operation of Wheeled Mobile Robots

本文提出了一种针对重型轮式移动机器人的分层安全控制策略，通过结合深度神经网络的高精度控制与模型无关的鲁棒自适应控制，并辅以双层安全监控机制，在确保系统均匀指数稳定性的同时实现了复杂工况下的可靠运行。

原作者： Mehdi Heydari Shahna, Jouni Mattila

发布于 2026-04-03

📖 1 分钟阅读☕ 轻松阅读

原作者： Mehdi Heydari Shahna, Jouni Mattila

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

这篇论文讲述了一个关于如何让重型轮式机器人（比如巨大的工程车或矿山车）既聪明又安全的故事。

想象一下，你正在驾驶一辆重达 6 吨的巨型工程车，它需要在崎岖不平的工地上干活。你的目标是让它跑得又快又准，但同时又不能让它失控撞到人或设备。

为了解决这个问题，作者设计了一套**“三层防御”的智能控制系统**。我们可以把它想象成**“一位天才司机 + 一位经验丰富的老教练 + 一位铁面无私的保安”**的团队合作。

1. 核心挑战：聪明的“黑盒”vs. 安全的“红线”

现在的机器人很流行用深度学习（DNN），这就像给机器人装了一个**“天才司机”**。

优点：这个司机不用背复杂的物理公式（不需要知道轮子怎么打滑、地面怎么摩擦），它通过看大量的数据就能学会怎么开车，开得非常精准、流畅，而且反应极快。
缺点：它是个“黑盒”。我们不知道它脑子里在想什么。如果突然遇到从未见过的情况（比如地面突然塌陷，或者被石头卡住），它可能会因为“没见过世面”而做出错误的判断，导致失控。

对于这种重型机器，一旦失控，后果不堪设想。所以，我们需要在“天才司机”旁边加上安全网。

2. 解决方案：三层防御体系

作者设计了一个**“双层安全网 + 一个紧急刹车”**的架构：

第一层：天才司机（DNN 控制策略）

角色：这是机器人的主要驾驶员。
工作：在路况正常、没有大麻烦的时候，它全权负责。它开得又快又稳，能完美地沿着画好的路线走。
局限：它只擅长处理它“见过”的情况。

第二层：老教练（鲁棒自适应控制 RAC）

角色：这是一位经验丰富、性格保守的老教练。他不懂花哨的技巧，但他非常稳，专门对付突发状况。
触发机制：当“天才司机”发现路况不对劲（比如遇到强风、地面打滑，导致车子偏离路线超过了一定限度），第二层安全网就会立刻介入。
工作：它会接管方向盘，把“天才司机”暂时关进小黑屋。老教练会启动一套**“鲁棒控制”**策略。
- 代价：老教练开车虽然稳，但没那么精准，可能会开得稍微慢一点，或者路线稍微有点晃。
- 目的：它的目标不是“开得完美”，而是**“绝对不能翻车”**。它能强行把车拉回安全区域，哪怕牺牲一点精度。

第三层：铁面保安（高层安全监控）

角色：这是最后的守门员，手里拿着**“紧急停止按钮”**。
工作：无论现在是“天才司机”在开，还是“老教练”在开，保安都在旁边死死盯着。
触发机制：如果情况太糟糕了（比如遇到巨大的障碍物，或者“老教练”也拉不住车了），偏离程度超过了老教练能处理的极限。
行动：保安会直接切断电源，让车立刻停下来。
- 逻辑：这时候继续开下去，车子或周围环境都会完蛋。所以，“停下来”是唯一的生路。

3. 这个系统是怎么工作的？（通俗版流程）

想象你在开这辆 6 吨重的车：

正常行驶：
- 天才司机（DNN）在开车，车子沿着画好的圆圈或"S"形路线跑得飞快，非常精准。
- 保安在旁边看着，只要没出事，就一切正常。
遇到小麻烦（比如路面突然有点滑）：
- 车子开始有点跑偏，偏离了“天才司机”设定的完美路线。
- 老教练（RAC）立刻发现：“嘿，这不对劲！”
- 切换：系统自动把控制权从“天才司机”手里夺过来，交给“老教练”。
- 结果：车子虽然开得没那么丝滑了，有点晃，但稳稳地没有冲出跑道，继续安全行驶。
遇到大灾难（比如路面彻底塌陷，或者被巨石挡住）：
- 即使“老教练”拼尽全力，车子还是控制不住了，偏离程度超过了安全红线。
- 保安大喊：“不行！再开就要出人命了！”
- 行动：保安按下紧急停止，车子立刻熄火。虽然任务没完成，但人和机器都保住了。

4. 为什么这个研究很重要？

解决了“既要又要”的难题：以前，要么用传统方法（安全但笨重、不灵活），要么用 AI（灵活但不可控）。这个研究把两者结合了起来：平时用 AI 追求效率，出事用传统方法保命，实在不行就急停。
符合国际标准：这种重型机器必须符合像 ISO 这样的国际安全标准。这套系统证明了：AI 是可以安全地用在重型工业上的，只要给它加上合适的“安全锁”。
真实验证：作者真的用了一辆6 吨重的实车做了实验。在实验中，他们故意制造干扰（比如突然加大动力模拟故障），结果这套系统成功地在不同模式下切换，既完成了任务，又保证了安全。

总结

这就好比给一个天才但鲁莽的赛车手（AI），配了一位谨慎的副驾（RAC），并在旁边站了一位随时准备拉闸的裁判（安全层）。

路好走时，赛车手全速前进。
路不好走时，副驾接管，虽然慢点但稳当。
路彻底断了，裁判直接叫停。

这套系统让重型机器人既能像人一样灵活工作，又能像机器一样绝对可靠，为未来在矿山、建筑工地等危险环境使用智能机器人铺平了道路。

这是一份关于《基于深度神经网络与安全鲁棒自适应控制的合成：用于轮式移动机器人可靠运行的研究》（Synthesis of Deep Neural Networks with Safe Robust Adaptive Control for Reliable Operation of Wheeled Mobile Robots）的论文详细技术总结。

1. 研究背景与问题 (Problem)

背景：
重型轮式移动机器人（WMRs），特别是用于建筑、采矿等恶劣环境的履带/轮式机器人，正逐渐向自动化和智能化转型。深度神经网络（DNN）因其能够绕过复杂的动力学建模、以低计算成本实现高精度控制而备受关注。

核心挑战：
尽管 DNN 在标称条件下表现优异，但将其应用于重型机器人面临巨大挑战：

黑盒性质与可解释性差： DNN 缺乏可解释性，难以进行形式化的稳定性分析。
鲁棒性不足： 在训练分布之外的未知干扰（如地面打滑、外部冲击）下，DNN 性能可能急剧下降甚至导致系统失稳。
安全标准严格： 重型机械必须遵守 ISO 3691、ISO 13849、IEC 61508 等严格的国际安全标准，单纯依赖数据驱动的控制策略无法满足这些标准对功能安全的要求。
建模困难： 重型机器人通常具有复杂的多级执行机构（如电 - 液 - 机械耦合），精确建模极其困难且计算量大。

研究目标：
如何在保证符合国际安全标准的前提下，将高精度的 DNN 控制策略部署到具有复杂执行机构的重型 WMR 上，使其既能利用 DNN 的高精度，又能应对未知干扰并保证系统稳定性。

2. 方法论 (Methodology)

论文提出了一种分层控制架构，包含两个不同权限的安全层，将基于 Levenberg-Marquardt (LM) 算法训练的深度神经网络 (DNN) 与 无模型鲁棒自适应控制 (RAC) 相结合。

A. 系统建模

研究对象为配备永磁同步电机（PMSM）和液压驱动系统的重型滑移转向轮式移动机器人（SSWMR）。
采用无模型（Model-free） 方法，将系统视为黑盒，仅利用速度传感器反馈和电机转速输入，不依赖精确的液压或机械动力学参数。
系统动态被描述为包含未知非线性干扰的一阶滞后系统。

B. 控制策略设计

主控制器：LM 训练的 DNN 策略
- 训练： 利用机器人传感器采集的输入（电机转速）- 输出（轮速）数据，通过 LM 算法训练前馈神经网络。
- 功能： 在标称条件下（无严重干扰）提供高精度的轨迹跟踪。
- 局限： 对未知干扰的鲁棒性较差。
备用控制器：无模型鲁棒自适应控制 (RAC)
- 设计： 基于预设性能控制（PPC）框架和 Lyapunov 稳定性理论设计。
- 功能： 当 DNN 性能下降时接管控制。通过自适应律估计干扰，确保跟踪误差收敛到预设的安全边界内。
- 代价： 相比 DNN，其跟踪精度较低，但具有极强的鲁棒性。
双层安全监控架构 (Two Safety Layers)
- 低层安全层 (Low-level Safety Layer)：
  - 监控 DNN 的跟踪误差。
  - 设定较严格的性能边界（ $\zeta$ ）。
  - 逻辑： 当误差超出 DNN 的容忍范围（ $e^2 \ge \zeta^2$ ）时，触发锁存关闭（Latch-off） 机制，永久关闭 DNN，并锁存开启（Latch-on） 激活 RAC 控制器。
- 高层安全层 (High-level Safety Layer)：
  - 监控 RAC 控制下的系统性能。
  - 设定较宽松的性能边界（ $o$ ），以适应 RAC 的鲁棒性特征。
  - 逻辑： 如果干扰过大，导致 RAC 也无法补偿（误差超出 $o$ ），则触发系统紧急停机，防止设备或环境受损。

C. 稳定性证明

利用对数障碍 Lyapunov 函数（Logarithmic Barrier Lyapunov Function, BLF）证明了整个合成系统（包括切换过程）在存在外部干扰和未知动态下的一致指数稳定性（Uniform Exponential Stability）。

3. 主要贡献 (Key Contributions)

提出了分层安全控制框架： 首次将高精度 DNN 与高鲁棒性 RAC 结合，并通过双层安全机制管理“精度 - 鲁棒性”的权衡，符合 ISO/IEC TR 5469 关于 AI 功能安全的标准。
无需精确建模： 该方法不需要知道执行器模型或轮地相互作用的详细参数，适用于具有复杂多级执行机构的重型机器人。
可调节的安全边界： 允许在不同安全层级设置不同的跟踪误差阈值（如超调量和稳态误差），以适应不同应用场景的需求。
理论保证： 证明了即使在黑盒 DNN 模型和外部干扰存在的情况下，整个切换系统也是均匀指数稳定的。
实物验证： 在 6000 kg 的重型轮式移动机器人（MPD）上进行了实时实验验证。

4. 实验结果 (Results)

研究在 6000 kg 的 PMSM 驱动重型机器人上进行了三项实验：

实验 1：DNN 单独控制（标称条件）
- 任务： 沿半径 6 米的圆形路径行驶。
- 结果： DNN 表现出极高的跟踪精度，误差极小（< 0.02 m/s），验证了其在无干扰情况下的优越性能。
实验 2：RAC 单独控制（抗干扰）
- 任务： 相同路径，但在 130 秒时引入 8% 的输入干扰。
- 结果： RAC 成功补偿了干扰，误差保持在较宽的允许范围内。虽然精度略低于 DNN（存在少量超调和振荡），但系统保持稳定，未发生失控。
实验 3：DNN 与 RAC 合成控制（混合条件）
- 任务： S 形路径跟踪，在 82 秒时引入 15% 的强干扰。
- 过程：
  - 0-82 秒：DNN 主导，高精度跟踪。
  - 82 秒：干扰导致 DNN 误差超出低层安全边界。
  - 切换：系统自动、无缝切换至 RAC 模式（锁存机制生效）。
  - 82 秒后：RAC 接管，虽然精度略有下降，但成功抑制了干扰，保持了系统稳定运行。
- 结论： 验证了分层架构的有效性，系统能够在保持安全的前提下，从高精度模式平滑过渡到高鲁棒性模式，避免了因干扰导致的停机。

5. 意义与影响 (Significance)

推动 AI 在重型机械中的应用： 该研究解决了深度学习在安全关键型（Safety-critical）重型机器人中部署的“黑盒”难题，为在工业和建筑领域大规模应用 AI 控制算法提供了可行的技术路径。
符合国际标准： 通过引入多层安全监控和明确的停机逻辑，该方法直接响应了 ISO 3691 等国际标准对功能安全的要求，使得 AI 控制的机器人更容易通过安全认证。
实用性强： 提出的无模型方法降低了对复杂物理建模的依赖，特别适合那些难以建立精确数学模型的重型、非线性、强耦合系统。
平衡性能与安全： 提供了一种动态权衡机制，既利用了 AI 的高性能，又保留了传统控制理论的稳定性保障，实现了“在安全边界内追求极致性能”的目标。

总结： 该论文提出了一种创新的混合控制策略，成功地将数据驱动的高精度控制与基于理论的鲁棒控制相结合，并通过严格的安全层设计，解决了重型移动机器人在复杂环境下可靠运行的关键问题，具有重要的理论价值和工程应用前景。