⚡ electrical engineering

Predictor-Based Output-Feedback Control of Linear Systems with Time-Varying Input and Measurement Delays via Neural-Approximated Prediction Horizons

本文针对具有时变输入和测量延迟的线性系统，提出了一种基于预测器输出的反馈控制方案，通过将逆延迟映射建模为算子学习问题，分别利用数值积分和神经算子方法近似预测时域，并证明了在近似误差足够小的情况下闭环系统具有全局指数稳定性。

原作者： Luke Bhan, Miroslav Krstic, Yuanyuan Shi

发布于 2026-04-01

📖 1 分钟阅读☕ 轻松阅读

原作者： Luke Bhan, Miroslav Krstic, Yuanyuan Shi

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中非常棘手的问题：当系统存在“时间延迟”且这个延迟还在不断变化时，我们该如何精准地控制它？

为了让你轻松理解，我们可以把整个系统想象成一位在迷雾中指挥交通的交警，或者一个在回声谷里喊话的指挥家。

1. 核心难题：迷雾中的“时间差”

想象一下，你（控制器）站在山谷里指挥交通（被控对象）。

输入延迟：你发出的指令（比如“红灯”），需要经过一段路才能传到司机耳朵里。这段路的时间就是延迟 $D_1$ 。
测量延迟：你看到司机的反应（比如“车停了”），也需要经过一段路传回你的眼睛。这段路的时间就是延迟 $D_2$ 。

最麻烦的是：这个“路”的长度不是固定的。有时候风大，信号传得慢；有时候路滑，信号传得快。延迟 $D(t)$ 是随时间变化的。

传统的控制方法就像是一个死板的闹钟，假设延迟永远是 1 秒。但现实中延迟可能是 0.8 秒，也可能是 1.2 秒。如果算不准，你发出的指令就会“迟到”或“早到”，导致交通混乱，甚至引发事故（系统不稳定）。

2. 传统解法与它的死穴：预测未来

为了解决这个问题，工程师们发明了一种叫**“预测反馈”（Predictor Feedback）**的高级策略。

它的逻辑是：既然我知道指令会迟到，那我就提前发出指令，或者预测未来的状态。
关键一步：为了预测未来，我必须知道“现在的指令会在什么时候生效”。这需要计算一个**“预测视界”（Prediction Horizon）**，也就是要算出： $t$ 时刻发出的指令，到底对应的是 $t$ 之前的哪个时刻？

数学上的死穴：
这就好比你要算出“如果我在 $t$ 时刻到达终点，我是几点出发的？”这需要求一个反函数。
在数学上，如果延迟函数 $D(t)$ 很复杂（比如忽快忽慢），这个“反函数”通常没有现成的公式（Closed form）。就像你很难直接写出一个公式来算出“如果路程长度随时间变化，我几点出发”，你只能一步步去试。

3. 本文的两大创新：两种“猜”未来的方法

既然算不出精确公式，作者提出了两种“近似”方法来估算这个时间差，就像是用两种不同的工具来“猜”答案：

方法一：步步为营的“数数法”（数值积分法）

比喻：这就像你走楼梯。你不知道楼梯总长多少，但你知道每一步的高度。你从起点开始，一步一步往上数（数值积分），直到算出总高度。
原理：把求反函数的问题，转化成一个微分方程（ODE），然后用计算机一步步模拟计算。
优缺点：
- 优点：只要步长（每一步的大小）足够小，就能算得很准。
- 缺点：如果时间跨度很长，你需要走很多步，计算量巨大，速度很慢。就像走长路，一步一个脚印太累了。

方法二：AI 老师的“直觉法”（神经算子法）

比喻：这就像请了一位经验丰富的老交警。他不需要一步步数，他看过成千上万种路况（数据训练），一看到当前的延迟情况，就能凭直觉（神经网络）直接告诉你：“大概需要 1.2 秒”。
原理：利用神经算子（Neural Operators），这是一种特殊的 AI，专门学习“函数到函数”的映射。我们给它看很多“延迟函数”和对应的“预测时间”的数据对，让它学会这个规律。
优缺点：
- 优点：一旦训练好，它算得飞快（比传统方法快几十倍），就像 AI 一眼看穿本质。
- 缺点：它需要大量的“训练数据”，而且如果遇到的路况（延迟模式）完全没在训练中出现过，它可能会猜错。

4. 核心贡献：即使猜错了，系统也是安全的

这是这篇论文最厉害的地方。
作者不仅提出了这两种方法，还证明了：

即使你的“预测时间”猜得不够完美（有误差），只要误差控制在一定范围内，整个交通系统（闭环系统）依然是稳定的，不会崩溃。

这就像告诉交警：“你不需要 100% 精准地算出时间，只要你的估算误差在安全范围内，交通就能顺畅运行。”他们通过复杂的数学推导（李雅普诺夫稳定性分析），给出了这个“安全范围”的具体标准。

5. 实验结果：速度与精度的权衡

作者做了一个模拟实验：

场景：控制一个不稳定的机械系统，延迟忽快忽慢。
对比：
- 传统数数法（欧拉法）：算得准，但慢（约 12 毫秒/次）。
- 高阶数数法（RK4）：更准，但更慢（约 42 毫秒/次）。
- AI 直觉法（FNO）：算得最快（约 2 毫秒/次），比传统方法快 6-20 倍！虽然精度稍微低一点点，但在工程上完全够用。

总结

这篇论文就像是在说：

“面对复杂多变的延迟，我们不再死磕那个算不出来的数学公式。我们要么用笨办法（一步步算），要么用聪明办法（AI 训练）。最重要的是，我们证明了这两种‘不完美’的估算，都能保证系统安全运行。而且，AI 方法能让控制速度快几十倍，让实时控制成为可能。”

这对于自动驾驶、无人机编队、远程机器人操作等需要实时响应且存在网络延迟的领域，具有非常重要的意义。

这是一份关于论文《基于神经近似预测时域的时变输入与测量延迟线性系统预测器输出反馈控制》（Predictor-Based Output-Feedback Control of Linear Systems with Time-Varying Input and Measurement Delays via Neural-Approximated Prediction Horizons）的详细技术总结。

1. 研究背景与问题 (Problem)

核心挑战：在具有时变输入延迟和测量延迟的线性系统中，预测器反馈（Predictor Feedback）是一种经典的控制策略，能够补偿任意长的延迟并恢复标称闭环性能。然而，预测器的实现依赖于计算预测时域（Prediction Horizon），即延迟函数 $\phi(t) = t - D(t)$ 的逆映射 $\psi(t) = \phi^{-1}(t) - t$ 。
具体难点：
1. 对于大多数时变延迟函数，其逆映射无法获得解析闭式解（Closed-form solution）。
2. 传统的数值积分方法（如欧拉法）在长时域下计算成本高，且误差随时间累积。
3. 现有的研究多集中于状态反馈，缺乏针对输出反馈（Output-Feedback）且同时包含输入和测量延迟的系统设计，特别是当预测时域需要近似时的稳定性分析。
目标：开发一种输出反馈控制架构，能够处理输入和测量的时变延迟，并通过两种不同的近似方法（数值积分与神经算子）解决预测时域无法解析计算的问题，同时保证闭环系统的全局指数稳定性。

2. 方法论 (Methodology)

论文提出了一套完整的控制设计与近似框架，主要包含以下三个部分：

A. 控制架构设计 (三阶段策略)

作者设计了一个结合观测器与预测器的输出反馈控制器：

观测器阶段 (Stage 1)：利用延迟的测量输出 $Y(t)$ 构建观测器，估计延迟时刻的状态 $Z(\phi_2(t))$ ，记为 $\xi(t)$ 。
重构阶段 (Stage 2)：利用系统动力学模型，将估计值向前传播，重构当前时刻的状态 $\hat{Z}(t)$ 。
预测阶段 (Stage 3)：利用预测时域 $\psi(t)$ ，将当前状态进一步向前预测到未来时刻 $\hat{P}(t) = \hat{Z}(t + \psi(t))$ ，并基于此设计控制律 $U(t) = K\hat{P}(t)$ 。

B. 预测时域的两种近似方法

由于 $\psi(t)$ 无法解析求得，论文提出了两种近似方案：

基于 ODE 的数值积分法 (Euler/Runge-Kutta)：
- 将逆映射问题转化为微分方程： $\dot{\psi}(t) = \frac{\dot{D}(t+\psi(t))}{1-\dot{D}(t+\psi(t))}$ 。
- 通过数值积分（如欧拉法）求解该 ODE 来获得 $\hat{\psi}(t)$ 。
- 特点：理论成熟，但长时域下步长需极小以保证精度，计算成本随时间线性增长。
基于神经算子的数据驱动法 (Neural Operators)：
- 将逆延迟映射视为算子学习问题： $\Psi: D(\cdot) \mapsto \psi(\cdot)$ 。
- 使用傅里叶神经算子 (FNO) 或 DeepONet 等架构，学习从延迟函数空间到预测时域函数的映射。
- 特点：训练完成后，在线推理速度极快（GPU 加速），能够一次性输出整个时域的近似解，但需要离线训练数据。

C. 稳定性分析框架

利用反步法 (Backstepping) 将原系统转化为目标系统（Transport PDE-ODE 级联系统）。
引入 Lyapunov 泛函，分析近似误差 $\epsilon = |\psi(t) - \hat{\psi}(t)|$ 对系统稳定性的影响。
证明了在近似误差足够小（ $\epsilon < \epsilon^*$ ）的条件下，闭环系统仍能保持全局指数稳定性。

3. 主要贡献 (Key Contributions)

算子理论框架的建立：
- 将逆延迟恢复形式化为算子逼近问题。
- 证明了逆延迟映射在紧集上是Lipschitz 连续的，为分析数值和神经算子逼近提供了正则性基础。
两种逼近定理的推导：
- 定理 2：为基于 ODE 的数值积分方法提供了显式欧拉近似的误差界。
- 定理 3：利用通用算子逼近定理，证明了神经算子可以在紧集上以任意精度逼近逆延迟映射。
- 这两者展示了模型驱动（Model-based）和数据驱动（Learning-based）方法在统一框架下的互补性。
首个时变延迟下的输出反馈预测器设计：
- 扩展了传统的状态反馈预测器，提出了针对输入延迟和测量延迟同时存在的线性系统的输出反馈控制律。
- 结合观测器状态重构与预测器补偿，解决了实际工程中无法直接测量全状态的问题。
鲁棒稳定性证明：
- 推导了闭环系统保持指数稳定的充分条件，明确了预测时域近似误差的上限 $\epsilon^*$ 与系统参数（如增益、延迟变化率）之间的关系。

4. 实验结果 (Results)

仿真设置：
- 对象：一个开环不稳定的二阶线性系统。
- 延迟函数：采用包含正弦振荡项的复杂时变延迟函数，无解析逆解。
- 对比方法：欧拉法 (Euler)、四阶龙格 - 库塔法 (RK4)、傅里叶神经算子 (FNO)。
性能表现：
- 控制效果：三种方法均能成功稳定系统，观测器状态快速收敛，控制输入有效。
- 计算效率：
  - FNO (神经算子)：单次评估耗时约 2.01 ms（GPU 加速），比欧拉法快 6 倍，比 RK4 快 21 倍。
  - 欧拉法：约 11.98 ms。
  - RK4：约 42.50 ms。
- 精度权衡：FNO 在训练分布内表现优异，但在计算一致性误差（Consistency Error）上略高于高精度数值积分方法，体现了“速度换精度”的权衡。

5. 意义与影响 (Significance)

理论突破：首次将神经算子引入预测器反馈控制中，用于解决时变延迟逆映射的计算难题，为“学习型控制”在复杂延迟系统中的应用提供了理论保证。
工程实用价值：
- 解决了实际网络控制系统（CPS）中因通信延迟时变且未知导致的控制难题。
- 提出的神经算子方案显著降低了在线计算负担，使得在高频控制回路中实施复杂的预测器反馈成为可能。
方法论启示：展示了如何将传统的数值方法（ODE 积分）与现代深度学习（神经算子）结合，前者提供理论基准，后者提供实时效率，两者在紧集逼近理论下具有统一的数学基础。

总结：该论文通过严谨的数学推导和数值实验，证明了在预测时域存在近似误差的情况下，时变延迟线性系统的输出反馈预测器控制依然可以保持指数稳定。提出的神经算子近似方法为未来实时、高精度的延迟补偿控制提供了一种高效的新范式。