⚡ electrical engineering

Stability of data-driven Koopman MPC with terminal conditions

本文证明了在比例误差界条件下，利用核扩展动态模态分解（kEDMD）构建的数据驱动 Koopman 算子作为预测模型的终端约束模型预测控制（MPC），能够保证非线性系统的递归可行性与渐近稳定性。

原作者： Irene Schimperna, Lea Bold, Johannes Köhler, Karl Worthmann, Lalo Magni

发布于 2026-04-13

📖 1 分钟阅读☕ 轻松阅读

原作者： Irene Schimperna, Lea Bold, Johannes Köhler, Karl Worthmann, Lalo Magni

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

这篇论文主要解决了一个非常实际的问题：当我们用“不完美”的数据模型来控制一个复杂的机器（比如自动驾驶汽车或机器人）时，如何保证这个机器最终能稳稳地停在目标点，而不会失控或乱跑？

为了让你更容易理解，我们可以把这篇论文的核心思想想象成**“一位经验丰富的向导带着一个有点近视的地图在带路”**的故事。

1. 故事背景：完美的地图 vs. 现实的世界

现实世界（Plant）：就像一片真实的、地形复杂的森林。树木会晃动，地面会有坑洼，风也会吹。这是我们要控制的真实系统。
数据驱动模型（Surrogate Model）：就像向导手里的一张地图。这张地图不是上帝画的，而是向导通过观察森林里的树木、记录脚印（数据）后，用一种叫Koopman 算子和kEDMD（一种高级的数学“翻译”工具）画出来的。
- 问题：这张地图是“数据驱动”的，所以它不完美。它可能把一棵树画歪了，或者把一条小路的坡度算错了。这就叫“近似误差”。

2. 核心挑战：如果地图画错了，路还能走通吗？

传统的控制理论（MPC，模型预测控制）假设地图是100% 准确的。如果地图错了，按照地图走的策略可能会导致：

走不通：地图显示前面是路，实际是悬崖（约束不满足）。
停不下来：即使到了终点附近，因为地图误差，车子会一直绕圈子，永远停不稳（无法渐近稳定）。

这篇论文就是要证明：只要地图的“错误程度”满足特定条件，即使地图不完美，我们依然能安全地把车开到终点并稳稳停住。

3. 关键发现：什么样的“错误”是可以被容忍的？

论文发现，地图的错误不能是“随机乱画”的，它必须遵循一个**“比例原则”**。

比喻：想象你在玩一个“指哪打哪”的游戏。
- 如果你离目标（原点）很远，地图上的误差可以稍微大一点（比如偏差几米），因为你还远着呢。
- 但是，当你离目标越来越近时，地图的误差必须变得越来越小，甚至趋近于零。
- 如果当你站在目标点旁边时，地图还告诉你“前面还有 1 米”，那你永远到不了终点。
- 论文证明，只要误差是**“随着距离缩小而线性缩小”**的（即：离目标越近，误差越小），系统就能最终稳定。

4. 解决方案：给地图加“安全护栏”

为了让向导（控制器）在拿着不完美地图时也能安全行走，论文提出了两个关键策略：

A. 收紧约束（Constraint Tightening）—— “留有余地”

做法：如果地图说“前方 10 米有悬崖”，向导不会只走到 9.9 米就停，而是会提前走到 8 米就停。
原理：论文计算了地图可能出错的最大范围（基于 Lipschitz 常数），然后在规划路线时，人为地把“安全区”缩小一圈。这样，即使地图画错了，车子实际上也不会碰到真正的悬崖。
比喻：就像你在狭窄的走廊里走，如果手里拿着一根长杆子（误差），你就得贴着墙走，留出足够的空间让杆子别碰到墙。

B. 终端条件（Terminal Conditions）—— “最后的冲刺”

做法：在路线的尽头，设定一个“安全屋”（终端集）。一旦车子进入这个安全屋，就换一种更简单的控制策略（比如直接刹车或微调），确保车子能乖乖停在中心。
原理：这就像在长跑的最后阶段，教练会告诉你：“只要进了这个圈，你就按这个节奏跑，肯定能赢。”这保证了车子不会在终点附近“画龙”。

5. 魔法工具：kEDMD（如何画出好地图？）

论文还介绍了一种叫kEDMD（核扩展动态模态分解）的方法，用来生成这种“比例误差”的地图。

比喻：普通的地图可能只是把数据点连起来，容易在没数据的区域画错。而 kEDMD 像是一个**“智能插值大师”。它不仅看数据点，还利用数学上的“核函数”（一种平滑的魔法胶水），确保在数据密集的地方画得准，在数据稀疏的地方也能平滑过渡，并且强制保证在目标点（原点）处误差为零**。
这就满足了前面说的“比例原则”：离目标越近，地图越准。

6. 实验验证：范德波尔振荡器（Vander Pol Oscillator）

论文最后用了一个经典的物理模型（范德波尔振荡器，一种会自己摆动的系统）做实验。

结果：
- 如果用普通的地图（没有比例误差保证），车子到了终点附近就开始抖动，停不下来（只能做到“实用稳定”）。
- 如果用论文提出的PI-kEDMD地图（强制原点误差为零），车子就能平滑地、完美地停在中心点（实现了“渐近稳定”）。

总结

这篇论文就像是在告诉工程师们：

“别担心你的数据模型不完美。只要你用kEDMD这种聪明的方法去画地图，确保离目标越近地图越准，并且给路线规划加上足够的安全余量，你的控制系统就能像老司机一样，稳稳地把车开进车库，无论路况（数据误差）如何。”

一句话概括：通过一种聪明的数学方法，让数据模型的误差随着接近目标而自动消失，从而保证即使模型有瑕疵，控制系统依然能完美稳定。

这是一份关于论文《Stability of data-driven Koopman MPC with terminal conditions》（带有终端条件的数据驱动 Koopman 模型预测控制稳定性）的详细技术总结。

1. 研究背景与问题 (Problem)

背景：模型预测控制（MPC）在工业应用中非常流行，但依赖于精确的系统模型。随着数据驱动方法的发展，利用数据构建代理模型（Surrogate Model）进行 MPC 成为趋势。其中，基于 Koopman 算子和扩展动态模态分解（EDMD）的方法因其能将非线性系统转化为线性（或双线性）系统而备受关注。
核心问题：
1. 模型误差：数据驱动的代理模型（如 kEDMD）必然存在近似误差。传统的 MPC 稳定性理论通常假设模型精确，因此在存在模型失配时，无法保证递归可行性（Recursive Feasibility）和渐近稳定性（Asymptotic Stability）。
2. 现有局限：虽然已有研究证明了在特定条件下（如比例误差界）MPC 的稳定性，但大多数研究针对的是无终端条件的 MPC，或者仅证明了实际稳定性（Practical Stability，即收敛到原点附近而非原点本身）。
3. 目标：本文旨在推导在存在近似误差的情况下，带有终端条件（Terminal Conditions，包括终端代价函数和终端集）的 MPC 能够保证原系统渐近稳定性的充分条件，并证明这些条件可以通过基于核的扩展动态模态分解（kEDMD）满足。

2. 方法论 (Methodology)

本文提出了一套完整的理论框架和算法设计，主要包含以下几个部分：

A. 系统设置与误差假设

真实系统：离散时间非线性系统 $x^+ = f(x, u)$ ，状态和输入受限。
代理模型：使用数据驱动的代理模型 $x^+ = f^\varepsilon(x, u)$ 进行 MPC 优化。
关键假设（Assumption 1）：
1. 比例与一致误差界：模型误差 $\|f(x, u) - f^\varepsilon(x, u)\|$ $∥ f (x, u) - f^{ε} (x, u) ∥$ 必须满足：
  - 比例性：误差与状态 $x$ 和输入 $u$ 的范数成线性比例（即 $c_x^\varepsilon \|x\| + c_u^\varepsilon \|u\|$ ）。这意味着在原点附近误差趋于零。
  - 一致性：存在一个全局上界 $\eta^\varepsilon$ 。
  - 当数据精度提高（ $\varepsilon \to 0$ ）时，误差系数趋于零。
2. Lipschitz 连续性：代理模型在定义域内是 Lipschitz 连续的。

B. 带有终端条件的 MPC 算法

约束收紧（Constraint Tightening）：为了处理模型误差并保证递归可行性，算法引入了基于 Lipschitz 常数 $\bar{L}$ 和一致误差界 $\eta^\varepsilon$ 的约束收紧机制。状态轨迹必须满足收紧后的约束 $S \ominus B_{\bar{c}(k)\eta^\varepsilon}$ 。
终端条件设计（Assumption 2）：
- 终端代价函数 $V_f^\varepsilon(x)$ ：设计为代理模型在终端集内的 Lyapunov 函数形式（如二次型）。
- 终端集 $X_f^\varepsilon$ ：定义为终端代价函数的次水平集。
- 局部控制律：在终端集内存在一个局部控制律 $\mu^\varepsilon$ ，使得终端代价函数沿轨迹递减。
优化问题：在每一步求解带有收紧约束和终端条件的最优控制问题（OCP）。

C. 理论证明

递归可行性：通过构造一个“尾部”控制序列（将上一时刻的最优序列后移，并拼接终端控制律），证明了在存在模型误差的情况下，收紧后的约束依然满足，从而保证下一时刻问题可行。
渐近稳定性：
- 将最优值函数 $V_N^\varepsilon$ 作为 Lyapunov 候选函数。
- 利用比例误差界这一关键性质，证明了当状态接近原点时，预测误差也随之减小。
- 推导了 Lyapunov 函数的下降条件，证明了在误差足够小的情况下，闭环系统能渐近稳定到原点。

D. 代理模型生成：kEDMD 与 PI-kEDMD

kEDMD：利用核函数（如 Wendland 径向基函数）构建再生核希尔伯特空间（RKHS），通过 Koopman 算子的数据驱动近似来生成代理模型。
PI-kEDMD (Physics-informed kEDMD)：为了满足比例误差界这一关键假设，作者对标准 kEDMD 进行了改进。通过在原点（ $x=0$ ）强制约束代理模型满足平衡条件（即 $f^\varepsilon(0,0)=0$ ），并修改回归问题，从而在数学上严格证明了该模型满足比例误差界（Theorem 2）。

3. 主要贡献 (Key Contributions)

理论扩展：将现有的关于无终端条件 MPC 的稳定性结果（如文献 [26]）扩展到了带有终端条件的 MPC 框架。这使得可以使用更短的预测时域（Short Horizons）实现稳定性。
严格稳定性证明：证明了在满足比例误差界和一致误差界的前提下，带有终端条件的数据驱动 MPC 能保证渐近稳定性（Asymptotic Stability），而不仅仅是实际稳定性。
可验证的学习框架：提出并验证了基于 kEDMD（特别是改进的 PI-kEDMD）的代理模型生成方法，能够严格满足理论推导所需的误差界假设。这填补了理论要求与数据驱动实现之间的空白。
约束收紧策略：针对模型失配，设计了一种基于 Lipschitz 常数的约束收紧方法，确保了在误差存在下的递归可行性。

4. 实验结果 (Results)

案例：使用受控的 van der Pol 振荡器（Euler 离散化）作为测试对象。
对比：
- 标准 kEDMD：未强制原点平衡条件，导致误差在原点附近不趋于零。MPC 控制结果仅表现出实际稳定性，误差停滞在一个正值。
- PI-kEDMD：强制原点平衡，满足比例误差界。MPC 控制结果表现出渐近稳定性，系统状态能精确收敛到原点。
参数影响：随着虚拟观测点数量（ $d$ ）的增加（从 352 到 1327），代理模型精度提高，误差界 $\eta^\varepsilon$ 减小，允许的预测时域 $N$ 增加，控制性能显著提升。

5. 意义与结论 (Significance & Conclusion)

理论意义：本文为数据驱动 MPC 的稳定性分析提供了坚实的理论基础，特别是明确了“比例误差界”对于保证渐近稳定性的核心作用。
工程应用：证明了利用 Koopman 算子理论（特别是 kEDMD）构建的代理模型可以直接用于设计具有严格稳定性保证的 MPC 控制器，无需精确的物理模型。
局限性：当前的约束收紧策略基于 Lipschitz 常数，随着预测时域 $N$ 的增加，收紧量可能无界增长，导致可行域迅速缩小。
未来工作：建议采用更先进的约束收紧技术（如基于增量稳定性的方法）来缓解保守性问题，并进一步研究如何在更广泛的非线性系统中应用该框架。

总结：该论文成功地将数据驱动的 Koopman 模型与带有终端条件的 MPC 相结合，通过引入比例误差界假设和物理信息约束（PI-kEDMD），在理论上和数值上证明了该方法能够实现非线性系统的渐近稳定控制，为数据驱动控制的安全性和可靠性提供了重要保障。