Safe and Robust Domains of Attraction for Discrete-Time Systems: A Set-Based Characterization and Certifiable Neural Network Estimation

Each language version is independently generated for its own context, not a direct translation.

这篇论文解决了一个让工程师和科学家头疼的问题：如何在一个充满不确定性和危险的系统中，画出一个“绝对安全”的圆圈，保证只要系统从这个圈里开始，就永远不会跑出去，最终还能乖乖回到中心点。

想象一下，你正在玩一个在狂风暴雨中走钢丝的游戏。

系统：就是你（或者一辆自动驾驶汽车）。
目标：走到钢丝中间那个安全的“家”（吸引不变集）。
不确定性：就是突然刮来的风、脚下的晃动（干扰项）。
安全约束：钢丝两边是悬崖，你不能掉下去（状态约束）。

这篇论文就是教你怎么画出一个既安全又坚固的“安全区”，让你知道只要在这个区里，不管风怎么吹，你都能稳稳回家。

以下是这篇论文的通俗解读：

1. 以前的方法为什么不够好？

以前的科学家画这个“安全区”主要有两种笨办法：

画个椭圆凑合用：就像用圆规画个圈。但这太死板了，如果安全区形状很怪（比如像花生或者香蕉），椭圆要么画太大（把危险地带算进去了，不安全），要么画太小（把安全地带扔出去了，太保守）。
用复杂的公式硬算：就像用网格把整个空间填满，一格一格地算。这太慢了，而且一旦空间维度高一点（比如从 2D 变成 10D），电脑就算到天荒地老也算不完。

2. 这篇论文的新招数：给系统装个“超级大脑”

作者提出了一种结合数学理论和人工智能（神经网络）的新方法。我们可以把它想象成训练一个“安全预言家”。

第一步：发明一种新的“能量尺”（值函数）

以前的方法是在算“距离”，这篇论文发明了一种叫**“值函数”**的东西。

比喻：想象系统里有一个看不见的“能量场”。离“家”越近，能量越低；离“家”越远，或者离“悬崖”越近，能量就越高。
创新点：这个“能量尺”不仅能算单个点，还能算一堆点（集合）。它就像是一个能同时扫描整个区域的雷达，告诉我们要走多远才能回家，中间会不会碰到悬崖。

第二步：用“物理定律”教 AI 学习（物理信息神经网络）

这是最酷的地方。通常训练 AI 是给它看很多数据，让它猜答案。但在这里，作者直接把这个“能量尺”必须遵守的物理规则（贝尔曼方程）写进了 AI 的“大脑”里。

比喻：就像教一个学生做数学题。以前的方法是给他看 1000 道例题让他背答案；现在的方法是直接告诉他“能量守恒定律”，让他自己推导。
好处：这样训练出来的 AI，不仅猜得准，而且懂规矩。它知道如果风太大，能量就会飙升，从而自动避开危险。

第三步：给 AI 的答案“盖章认证”（形式化验证）

AI 有时候会“幻觉”，说“这里很安全”，其实那里是悬崖。为了不让 AI 乱说话，作者加了一个**“严格考官”**（形式化验证工具）。

比喻：AI 画好安全区后，考官会用最严谨的数学工具（像拿着放大镜找茬）去检查：“你确定在这个边界上，不管风怎么吹，都不会掉下去吗？”
只有通过了考官的100% 数学证明，这个安全区才被认可。这就叫**“可认证”**（Certifiable）。

3. 他们是怎么做的？（简单流程）

定义规则：先搞清楚系统怎么动，风有多大，哪里是悬崖。
训练 AI：让神经网络去学那个“能量尺”，并且强制它遵守物理规则（不管风怎么吹，能量都要往下降）。
寻找边界：让 AI 试着画出一个最大的圈，圈里的能量都低于某个安全值。
严格考试：用数学工具去验证这个圈是不是真的安全。如果 AI 画大了，考官会把它切掉，直到切出一个绝对安全的形状。

4. 结果怎么样？

作者用四个例子测试了这个方法，包括：

电力系统的稳定性（防止大停电）。
带不确定性的非线性系统。
受重力影响的机械臂。

结果显示：

比起以前那些只会画椭圆的老方法，这个方法画出的安全区更大（能利用更多的空间）。
比起那些不考虑风的“理想化”AI 方法，这个方法更靠谱，因为它考虑了真实的干扰。
最重要的是，它画出来的每一个圈，都是经过数学证明绝对安全的。

总结

这篇论文就像是为自动驾驶汽车、机器人或电网设计了一个**“智能安全导航仪”。
它不再依赖死板的几何图形，而是利用AI 的灵活性去适应复杂的形状，同时利用数学的严谨性**来确保绝对安全。这就好比给 AI 装上了“物理直觉”和“法律底线”，让它既能灵活变通，又绝不越界。

一句话概括：用 AI 画出最大的安全区，并用数学证明它绝对安全，让系统在风雨中也能稳稳回家。

Each language version is independently generated for its own context, not a direct translation.

1. 研究问题 (Problem Statement)

本文旨在解决离散时间非线性不确定系统的安全鲁棒吸引域 (Safe Robust Domain of Attraction, DOA) 的准确估计问题。

核心挑战：
- 不确定性：系统受到有界扰动（ $w \in W$ ）的影响，导致轨迹具有不确定性。
- 状态约束：系统状态必须在整个时间演化过程中满足给定的安全集约束（ $x_k \in X$ ）。
- 一般性目标集：吸引的目标不仅仅是平衡点（Equilibrium Points），而是更一般的鲁棒不变集 (Robust Invariant Set, RIS)。
- 现有方法的局限：
  - 传统的李雅普诺夫函数方法通常依赖固定的函数模板（如二次型），导致对 DOA 的估计过于保守，且难以适应复杂的状态约束几何形状。
  - 基于网格的数值方法计算成本高，且无法提供形式化保证（Formal Guarantees），通常仅限于低维系统。
  - 现有的基于神经网络（NN）的方法在处理不确定性和状态约束时，往往缺乏严格的验证机制，或者难以直接嵌入物理约束方程。
定义：安全鲁棒 DOA 是指所有初始状态的集合，从这些状态出发，无论扰动如何变化，系统轨迹都能收敛到目标 RIS，并且在整个过程中始终保持在安全集 $X$ 内。

2. 方法论 (Methodology)

作者提出了一种结合集合论表征、物理信息神经网络 (Physics-Informed Neural Networks, PINN) 和形式化验证的新框架。

A. 基于集合的价值函数表征 (Set-Based Value Function Characterization)

统一 $\ell_p$ 稳定性：引入了“一致局部 $\ell_p$ 稳定性”的概念，这是一个比指数稳定或多项式稳定更通用的条件，涵盖了多种衰减模式。
集合空间上的价值函数：
- 定义在紧集度量空间（Metric spaces of compact sets）上的价值函数 $V(X)$ 和 $W(X)$ 。
- $V(X) = \sum_{k=0}^{\infty} \Psi(R(X, k))$ ，其中 $R(X, k)$ 是 $k$ 步可达集， $\Psi$ 是基于安全集边界函数 $\gamma$ 和距离函数 $\alpha$ 构造的惩罚项。
- $W(X) = 1 - \exp(-V(X))$ 。
理论性质：
- 证明了 $W$ 的次水平集（sublevel sets）精确对应于安全鲁棒 DOA。
- 推导了满足这些价值函数的贝尔曼型（或 Zubov 型）泛函方程：
  - $V(X) = \Psi(X) + V(F(X))$
  - $W(X) - W(F(X)) = \xi(X)(1 - W(F(X)))$
  - 其中 $F(X)$ 是系统在扰动下的可达集映射。
- 证明了在特定条件下，这些方程的解是唯一的。

B. 物理信息神经网络学习 (Physics-Informed NN Learning)

嵌入贝尔曼方程：将推导出的贝尔曼型方程直接作为损失函数的一部分嵌入到神经网络的训练过程中。
集合嵌入 (Set Embedding)：由于贝尔曼方程涉及集合映射 $F(\{x\})$ （即从单点 $\{x\}$ 到可达集 $F(\{x\})$ ），作者引入了一个嵌入映射 $T$ ，将单点和其对应的可达集（如超矩形、线段等）映射到有限维空间，以便神经网络处理。
损失函数：
- 数据驱动残差 ( $L_d$ )：最小化网络输出与基于有限步长可达集近似计算出的“真值” $W$ 之间的误差。
- 物理信息残差 ( $L_{pi}$ )：最小化网络输出违反贝尔曼方程的残差。
可达集近似：使用有限数量的随机扰动轨迹来近似可达集，以平衡计算复杂度和精度。

C. 可认证的 DOA 估计 (Certifiable DOA Estimation)

验证框架：为了从神经网络近似中获得具有数学保证的 DOA，提出了一种验证程序。
步骤：
1. 利用初始李雅普诺夫函数获得一个小的初始安全鲁棒吸引域 $E_{c1}$ 。
2. 利用形式化验证工具（如 $\alpha,\beta$ -CROWN 或 dReal）验证神经网络函数 $\omega_{nn}$ 是否满足李雅普诺夫递减条件和安全约束。
3. 通过二分搜索优化参数（如 $\omega_1, \omega_2$ ），在满足验证条件的前提下最大化估计的吸引域体积。
兼容性：该框架兼容现有的形式化验证工具，能够处理非线性约束和神经网络的非线性激活函数。

3. 主要贡献 (Key Contributions)

理论创新：
- 提出了基于紧集度量空间的价值函数，用于精确表征离散时间不确定系统的安全鲁棒 DOA。
- 建立了新的贝尔曼型泛函方程，并证明了其解的唯一性，放宽了对系统动力学（仅需连续性）和安全集（开集）的假设，不再局限于多项式系统或固定平衡点。
算法框架：
- 开发了物理信息神经网络 (PINN) 框架，直接将集合形式的贝尔曼方程嵌入训练，无需预先定义李雅普诺夫函数的具体形式。
- 引入了集合嵌入技术，解决了神经网络处理集合值映射（可达集）的难题。
可认证性：
- 提出了一套完整的形式化验证流程，利用现有工具从神经网络近似中提取具有严格数学保证的安全鲁棒吸引域，解决了纯数据驱动方法缺乏可信度的问题。
通用性与扩展性：
- 该方法适用于非多项式系统、具有时变扰动的系统以及非单点目标集（RIS），克服了传统 SOS（平方和）优化方法的局限性。

4. 实验结果 (Results)

论文通过四个数值算例验证了方法的有效性，包括：

受扰动的双机电力系统。
具有局部多项式稳定性的非线性系统。
带重力与饱和力矩的刚性杆系统。
受扰动的有理系统。

关键发现：

鲁棒性：在考虑完整扰动集（Scenario 2）的情况下，该方法始终能提供比传统优化椭圆法（Optimized Ellipsoidal ROA）和基于标称动力学训练的神经网络方法更大的可认证吸引域。
对比优势：
- 基于标称动力学训练的神经网络在存在扰动时往往无法通过验证（产生不可认证的估计）。
- 传统的参数依赖李雅普诺夫函数方法在处理时变扰动和复杂约束时表现保守或难以应用。
- 本文方法在保持计算效率的同时，显著扩大了安全操作区域。
计算效率：虽然可达集近似增加了数据生成的时间，但整体训练和验证时间在可接受范围内，且验证过程利用了 GPU 加速。

5. 意义与影响 (Significance)

理论突破：将吸引域分析从传统的点态李雅普诺夫分析提升到了集合态分析，为处理复杂不确定系统提供了更坚实的理论基础。
工程应用价值：为高维、非线性、受约束且存在不确定性的控制系统（如机器人、电力系统、自动驾驶）提供了一种既准确又安全的验证工具。
方法论融合：成功地将控制理论（鲁棒性、不变集）、优化理论（贝尔曼方程）与深度学习（PINN、形式化验证）深度融合，展示了 AI 在安全关键系统分析中的潜力。
未来方向：为连续时间系统、可控性区域（Null Controllability Regions）的估计以及更高效的可验证神经网络算法开辟了新路径。

总结而言，该论文提出了一种**“理论表征 + 数据驱动学习 + 形式化验证”**的闭环框架，有效解决了非线性不确定系统安全鲁棒吸引域估计中的准确性、通用性和可认证性难题。