⚡ electrical engineering

On maximal positive invariant set computation for rank-deficient linear systems

该论文针对因静态反馈导致闭环系统秩亏（特征值为零）进而影响最大正不变集计算的问题，利用舒尔分解显式处理奇异情况，提出了一种能在多面体和约束中心多面体表示下鲁棒计算最大正不变集的算法。

原作者： Bogdan Gheorghe, Daniel Ioan, Cristian Flutur, Ionela Prodan, Florin Stoican

发布于 2026-03-19

📖 1 分钟阅读☕ 轻松阅读

原作者： Bogdan Gheorghe, Daniel Ioan, Cristian Flutur, Ionela Prodan, Florin Stoican

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在控制工程（比如让机器人、无人机或自动驾驶汽车安全运行）中非常棘手的问题：当系统变得“不灵活”或“卡住”时，如何计算它的安全活动范围。

为了让你更容易理解，我们可以把整个故事想象成在一个迷宫里寻找“绝对安全区”。

1. 背景：迷宫里的安全区（MPI 集）

想象你正在驾驶一辆自动驾驶汽车，它必须在一个巨大的迷宫（系统状态空间）里行驶。

规则：你不能撞墙（状态约束），也不能踩油门太猛（输入约束）。
目标：我们需要找到一个最大的区域，只要车在这个区域里，无论未来发生什么，只要按照某种策略开，它就永远不会撞墙，也不会失控。这个区域就叫最大正不变集（MPI）。

在标准的控制理论中，计算这个区域就像玩一个“回溯游戏”：

从终点（安全区）开始。
问自己：“上一秒我在哪里，才能刚好安全地到达这里？”
再问：“再上一秒呢？”
不断重复，直到这个区域不再变化。

2. 问题：当系统“瘫痪”了（秩亏缺）

通常，这个回溯游戏很好玩。但在某些高级控制策略中（比如为了追求极致的快速响应或最优控制），工程师可能会把系统的某些“引擎”关掉，导致系统矩阵变得秩亏缺（Rank-deficient）。

用比喻来说：
想象你的车本来有四个轮子（4 个自由度），可以前后左右随意移动。但在某种特殊模式下，系统为了“优化”，强行把后轮锁死，甚至把前轮也锁死了一部分。

现在，你的车虽然还在动，但它实际上只能在一条狭窄的轨道上滑行，或者被“压扁”在一个低维的平面上。
在数学上，这意味着系统的维度“坍缩”了。

这就带来了大麻烦：
当你试图用标准的“回溯游戏”去计算安全区时，因为系统被“压扁”了，计算过程会出现混乱。就像你试图在一个二维的纸上画一个三维的球，或者试图在一个被压扁的橡皮泥上找原来的形状，标准的算法会卡住、算不准，或者算出错误的结果。

3. 解决方案：换个视角看问题（舒尔分解）

这篇论文的作者提出了一种聪明的办法：不要硬算，先“拆解”再“重组”。

他们使用了一种叫舒尔分解（Schur Decomposition）的数学工具。这就像是一个透视眼镜或变形金刚的变身过程：

第一步：透视（分解）
作者把那个“卡住”的系统（秩亏缺矩阵）拆解成两部分：
- 活跃部分：这部分还在正常转动，有动力，能控制。
- 死寂部分：这部分完全不动了（特征值为 0），就像被锁死的轮子。
这就好比把一辆车拆解成“还能动的引擎”和“被锁死的底盘”。
第二步：在活跃区计算（降维打击）
既然“死寂部分”不动了，我们就不需要在整个大迷宫里算，只需要在“活跃部分”那个较小的、低维度的空间里计算安全区。
- 这就好比：既然车只能沿轨道滑行，那我们就只计算“轨道上的安全距离”，完全忽略那些锁死的轮子。这大大简化了计算，速度飞快。
第三步：还原与拼接（升维）
算出小空间的安全区后，作者通过数学变换把它“拉伸”回原来的大空间。
- 但这还不够，因为原来的大空间里还有那些“锁死的轮子”带来的限制。
- 所以，最后一步是把“小空间算出的安全区”和“最初的限制条件”像拼图一样交集在一起。

4. 核心创新：两种“容器”

论文还提到，他们不仅用传统的“多面体”（像切好的西瓜块）来表示这些区域，还用了更先进的**“受限超椭球”（Constrained Zonotope）**。

比喻：
- 传统方法：像用直尺和直角尺画图，遇到斜的或弯曲的边界就很麻烦，线条越来越多，计算量爆炸。
- 新方法：像用橡皮泥和模具。无论形状怎么变，只要加上几个“约束条件”（比如“必须在这个盒子里”），就能保持形状的完整性，计算起来非常高效。

5. 结果：快且准

作者在论文中展示了实验结果：

以前：当系统维度变高（比如从 6 个变量变成 20 个变量），标准算法需要算几千次，甚至算不出来，时间要几十秒。
现在：使用他们的新算法，即使系统“卡住”了，计算时间依然很短（比如 0.4 秒），而且算出来的安全区域更精确，包含的约束条件更少。

总结

这篇论文就像是在教我们：当你的控制系统因为太“优化”而变得“僵硬”时，不要试图用蛮力去计算它的安全范围。相反，你要学会“拆解”它，只计算那些还在动的部分，算完后再把整体拼回去。

这种方法不仅让计算变得快如闪电，还保证了在复杂的航空航天、机器人控制中，系统永远不会因为计算错误而“撞墙”。

论文技术总结：秩亏线性系统的最大正不变集计算

1. 研究背景与问题定义 (Problem)

背景：
最大正不变集（Maximal Positively Invariant, MPI）集是受控约束控制（如模型预测控制 MPC）中的核心概念，用于定义系统的安全操作边界和终端集，以确保递归可行性和闭环稳定性。MPI 集通常通过迭代计算前驱集（predecessor sets）并与状态/输入约束集求交来获得。

核心问题：
在标准的静态反馈综合中（例如通过求解代数 Riccati 方程或极点配置），闭环系统矩阵 $A_{\circ} = A + BK$ 的特征值可能会被放置在原点（0）。这导致闭环矩阵秩亏（Rank-deficient）。

几何挑战： 秩亏矩阵将系统动态映射到更低维的子空间。在计算 MPI 集的标准迭代过程中，这种映射会导致中间集合发生投影，使得标准算法在数值上不稳定或计算效率极低。
现有局限： 现有的基于多面体（Polyhedral）或约束泽诺托普（Constrained Zonotope, CZ）的方法在处理这种奇异（Singular）情况时，缺乏高效且鲁棒的解决方案，尤其是在高维系统中，计算负担呈指数级增长。

2. 方法论 (Methodology)

本文提出了一种基于**舒尔分解（Schur Decomposition）**的鲁棒算法，专门用于处理具有零特征值的秩亏闭环系统。

核心思想

利用闭环矩阵 $A_{\circ}$ 的实舒尔分解 $A_{\circ} = USU^T$ ，将系统解耦为两个子空间：

非零特征值子空间（ $S_{11}$ ）： 对应稳定且非奇异的动态部分。
零特征值子空间（ $S_{22}$ ）： 对应幂零（Nilpotent）部分，其特征值全为 0。

算法步骤

舒尔分解与分块：
对 $A_{\circ}$ 进行排序舒尔分解，将零特征值对应的块 $S_{22}$ 移至矩阵右下角。 $S_{22}$ 是幂零的，其幂零指数为 $p+1$ （即 $S_{22}^{p+1}=0$ ）。
降维计算（Reduced MPI）：
在由 $S_{11}$ 定义的 $d_1$ 维子空间中，计算受限的 MPI 集 $\Phi_z$ 。由于 $S_{11}$ 满秩，可以使用标准的迭代算法高效计算。
升维与约束重构（Lifting）：
将降维计算得到的 $\Phi_z$ $Φ_{z}$ 映射回原始 $n$ $n$ 维空间。
- 对于 $k < p$ 的迭代步，直接计算原始约束下的前驱集 $\Phi_x^{[1]}$ 。
- 对于 $k \ge p$ 的迭代步，利用 $S_{22}$ 的幂零性质，将约束转化为关于 $S_{11}$ 动态和辅助矩阵 $T$ 的线性约束，得到 $\Phi_x^{[2]}$ 。
集合求交：
最终的 MPI 集 $\Phi_x$ 是 $\Phi_x^{[1]}$ 和 $\Phi_x^{[2]}$ 的交集。

支持的数据结构

该算法同时支持两种集合表示法：

多面体（Polyhedral）： 基于半空间不等式描述。
约束泽诺托普（Constrained Zonotopes, CZ）： 利用 CZ 在交集运算下的封闭性，通过代数等式约束处理低维投影问题，避免了多面体表示中常见的顶点爆炸问题。

3. 主要贡献 (Key Contributions)

理论突破： 首次明确处理了闭环矩阵秩亏（存在零特征值）情况下的 MPI 集计算问题。通过舒尔分解，将奇异问题转化为低维非奇异问题与有限步投影约束的结合。
通用算法： 提出了统一的算法框架（Algorithm 1），适用于多面体和约束泽诺托普两种表示形式，能够处理任意重数的零特征值。
计算效率提升： 证明了在秩亏情况下，标准迭代算法的收敛步数可能随维度急剧增加，而提出的降维方法将计算复杂度降低到与有效动态维度相关，而非总维度。
几何洞察： 揭示了奇异矩阵导致标准递归失效的几何本质（即集合在零特征值子空间上的无界性），并指出前 $p$ 步迭代对于界定该无界性至关重要。

4. 实验结果 (Results)

论文通过两个案例验证了算法的有效性：

数值示例（ $R^6$ 系统）：
- 构造了一个具有两个约当块（维度分别为 1 和 2）的秩亏系统。
- 算法成功在 3 次迭代内计算出降维空间的 MPI 集，并在 0.4 秒内完成了原始 6 维空间的完整 MPI 集计算。
耦合弹簧实验（CSE, $R^{2\ell}$ 系统）：
- 对比了标准算法与提出的秩亏算法在不同质量块数量（ $\ell$ ）下的表现。
- 迭代次数： 当 $\ell \ge 8$ 时，标准算法的迭代次数显著增加，而秩亏算法保持平稳。
- 计算时间： 标准算法在 $\ell \ge 8$ 时计算时间急剧上升，而秩亏算法依然高效。
- 约束数量： 对于 $\ell=10$ ，标准方法产生 1496 个不等式，而秩亏方法仅产生 704 个，显著降低了集合表示的复杂度。

5. 意义与结论 (Significance & Conclusion)

解决 MPC 终端集设计难题： 许多最优控制策略（如 Riccati 解）天然导致闭环矩阵奇异。本文方法使得在这些“数学最优”但“几何奇异”的控制器下，依然能够高效、精确地计算终端安全集，从而保证 MPC 的递归可行性。
扩展了集合计算理论： 将 MPI 计算从满秩假设推广到一般秩亏情况，填补了文献空白。
未来展望： 作者计划将此框架扩展至最大输出容许集（MOAS）的计算，并探索基于 SVD 的分解方法。

总结： 该论文通过巧妙的数学变换（舒尔分解），将秩亏系统的 MPI 计算问题转化为低维子空间计算与有限步投影约束的结合，提出了一种高效、鲁棒的算法，显著提升了高维受控系统在奇异动态下的安全集计算能力。