⚡ electrical engineering

Sampling-Horizon Neural Operator Predictors for Nonlinear Control under Delayed Inputs

本文针对具有输入延迟和采样测量的非线性控制系统，提出了两种基于神经算子的预测反馈设计方案，通过分别处理均匀与非均匀采样场景下的预测问题，在确保半全局实用稳定性的同时，显著降低了计算成本并实现了 25 倍的加速。

原作者： Luke Bhan, Peter Quawas, Miroslav Krstic, Yuanyuan Shi

发布于 2026-04-01

📖 1 分钟阅读☕ 轻松阅读

原作者： Luke Bhan, Peter Quawas, 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

这篇论文主要解决的是机器人控制中的一个经典难题：当“指令”有延迟，且“眼睛”看东西是断断续续的时候，机器人该怎么走？

为了让你更容易理解，我们可以把这篇论文想象成在教一个在迷雾中驾驶赛车的司机。

1. 核心难题：迷雾与延迟的赛车手

想象一下，你是一名赛车手（机器人），但有两个大麻烦：

延迟的指令（Input Delay）： 你的大脑（控制器）发出的指令，要过几秒钟（比如 0.2 秒）才能传到车轮上。这就好比你踩刹车，车要过一会儿才停。
断断续续的视野（Sampled Measurements）： 你的眼睛（传感器）不是 24 小时盯着路面的，而是每隔一小段时间（比如每 0.05 秒）才眨一下眼，看到当前的位置。而且，有时候因为信号不好，眼睛甚至会暂时“失明”或者看到的位置是乱的。

传统的做法：
以前的赛车手（传统算法）会这样想：“既然指令有延迟，那我就预测一下未来几秒车会在哪，然后提前踩刹车。”

问题： 这种预测需要解非常复杂的数学方程（微分方程）。在电脑里算这些方程就像让赛车手在高速公路上还要停下来做微积分题，太慢了！而且，如果眼睛是断断续续看的，传统的预测方法就会乱套，要么算不出来，要么算得很慢。

2. 论文的新方案：请了一位“超级预言家”

这篇论文的作者（来自加州大学圣地亚哥分校的团队）想出了一个聪明的办法：别现场做微积分题了，我们请一位“超级预言家”（神经网络算子）来直接告诉我们要怎么做。

他们训练了一个 AI，这个 AI 看过成千上万次赛车的数据，学会了直接“看”当前的路况和过去的指令，然后直接输出未来几秒的预测轨迹。

论文提出了两种让这位“预言家”工作的模式：

模式一：整齐划一的“阅兵式”（均匀采样）

怎么工作： 假设赛车手每隔固定的时间（比如每 0.05 秒）就眨一次眼。
预言家的任务： 预言家直接根据这次看到的位置，一口气算出接下来这 0.05 秒内车子该怎么跑。
优点： 算得很快，而且只要预言家稍微准一点，车子就能跑得很稳。
缺点： 必须要求眼睛眨眼的节奏非常固定，不能乱。如果眼睛突然眨眼慢了，这套方法就失效了。

模式二：灵活多变的“游击战”（非均匀采样）

怎么工作： 允许赛车手眨眼的节奏忽快忽慢（比如有时 0.02 秒，有时 0.1 秒），只要不超过某个上限就行。这更符合现实（比如网络卡顿、传感器故障）。
预言家的任务： 预言家只负责算出下一次眨眼时车子大概在哪（做一个短预测）。然后，车子根据这个起点，自己顺着惯性跑，直到下一次眨眼。
优点： 非常灵活，适应各种乱七八糟的传感器信号。
缺点： 因为预言家只算了一小段，剩下的路要车子自己跑，如果预言家算得稍微不准，误差会随着时间放大（就像滚雪球）。所以，这种模式下，对预言家的要求更高，必须算得非常非常准，否则车子容易跑偏。

3. 核心发现：速度与精度的“交易”

作者发现了一个有趣的权衡（Trade-off）：

如果你想要灵活（适应不稳定的传感器），你就必须要求 AI 模型极其精准，否则误差会爆炸。
如果你能接受死板（传感器必须很稳定），那么 AI 模型可以稍微“笨”一点点，系统依然很稳。

这就好比：

模式一像是在高铁上，轨道是固定的，只要列车稍微有点误差，系统也能自动修正，很稳。
模式二像是在越野上，路况千变万化，司机（AI）必须眼观六路、反应极快，否则一个小小的判断失误，车就可能翻进沟里。

4. 实际效果：快得像开了挂

作者在一个6 关节的机械臂（像一个复杂的机器人手臂）上做了实验：

传统方法： 每次算一下未来，需要 25 毫秒。这就像让赛车手停下来做数学题，太慢了。
新方法（AI 预言家）： 只需要 1 毫秒。
结果： 速度提升了 25 倍！而且，即使在有延迟、有噪音、传感器还偶尔“眨眼”的情况下，机器人依然能精准地画出想要的轨迹。

总结

这篇论文就像是给机器人装上了一个**“超快且聪明的后视镜”**。
它不再让机器人去现场解复杂的数学题，而是让一个训练好的 AI 直接告诉它：“看，如果你现在这么动，下一秒你会在那里。”

如果传感器很稳定，AI 可以算得“粗放”一点，系统依然很稳。
如果传感器很不稳定，AI 必须算得“精细”一点，才能抵消那些不稳定的影响。

最终，这种方法让机器人能在有延迟、信号不好的恶劣环境下，依然跑得又快又稳，而且计算速度快了 25 倍，非常适合未来的自动驾驶、远程手术机器人等需要实时反应的场景。

这是一份关于论文《Sampling-Horizon Neural Operator Predictors for Nonlinear Control under Delayed Inputs》（延迟输入下非线性控制的采样视界神经算子预测器）的详细技术总结。

1. 研究背景与问题定义 (Problem)

核心挑战：
现代控制系统常面临两个主要难题：

输入延迟 (Input Delays)： 执行器或通信链路导致的控制信号延迟。
离散采样测量 (Sampled Measurements)： 由于传感器带宽或通信限制，系统状态仅在离散时刻可用，而非连续可用。此外，测量可能不规则或暂时缺失。

现有方法的局限性：

预测反馈 (Predictor Feedback)： 传统的延迟补偿策略是预测未来状态并应用标称反馈律。然而，预测器通常是一个隐式微分方程 (ODE)，在线求解需要数值积分或高阶导数展开，计算成本高昂且不可预测。
现有神经算子方法： 虽然近期提出了基于神经算子 (Neural Operator) 的数据驱动预测器，但大多数假设状态测量是连续可用的。这忽略了实际工程中测量是离散采样的事实，导致在采样间隔内状态传播时缺乏有效的控制律设计。

本文目标：
开发一种针对具有输入延迟和离散采样测量的非线性系统的预测反馈框架，利用神经算子替代昂贵的在线数值积分，同时保证系统的稳定性。

2. 方法论 (Methodology)

本文提出了两种基于神经算子的预测反馈设计方案，旨在解决不同的采样场景：

系统模型

考虑具有常数延迟 $D$ 的非线性系统：
$\dot{X}(t) = f(X(t), U(t-D))$
其中状态测量仅在离散时刻 $\{T_i\}$ 可用。

两种设计方案

方案一：采样视界预测算子 (Sampling-Horizon Prediction Operator)

适用场景： 均匀采样 ( $T_{i+1} - T_i = h$ )。
核心思想： 设计一个神经算子 $\hat{M}$ ，直接映射当前的测量值 $X(T_i)$ 和输入历史 $U_i$ 到下一个采样间隔内的完整预测状态轨迹 $\hat{Z}(s)$ ( $s \in [T_i, T_{i+1})$ )。
优势： 计算简单，直接输出整个轨迹。
限制： 必须要求采样是均匀的。

方案二：预测器近似 + 连续传播 (Predictor Approximation + Continuous Propagation)

适用场景： 有界非均匀采样 ( $T_{i+1} - T_i \le h$ )。
核心思想： 神经算子 $\hat{P}$ 仅近似延迟补偿预测器（即计算 $t+D$ 时刻的状态作为初始条件）。在采样间隔内，利用该初始条件，通过在线积分闭环流 $\dot{\hat{Z}} = f(\hat{Z}, \kappa(\hat{Z}))$ 来生成预测轨迹。
优势： 能够处理不规则、非均匀的采样间隔，甚至容忍短暂的测量缺失。
代价： 由于需要在间隔内积分 ODE，对神经算子的近似精度要求更高（误差会被传播放大）。

理论工具

神经算子 (Neural Operators)： 使用如傅里叶神经算子 (FNO) 等架构，学习从函数空间（输入历史）到函数空间（状态轨迹）的映射。
李雅普诺夫分析 (Lyapunov Analysis)： 结合输入 - 状态稳定性 (ISS) 和传输 PDE 估计，推导闭环系统的半全局实用稳定性 (Semi-global Practical Stability)。

3. 主要贡献 (Key Contributions)

填补了理论空白： 首次将神经算子预测反馈扩展到离散采样测量场景，解决了传统预测反馈在采样间隔内状态传播的混合控制律设计问题。
提出了两种架构并进行了权衡分析：
- 方案一在均匀采样下，残差界直接正比于算子近似误差。
- 方案二在非均匀采样下，虽然更灵活，但残差界被指数因子 $e^{C_f(1+C_\kappa)h}$ 放大。
- 结论： 揭示了“采样灵活性”与“近似敏感度”之间的工程权衡（Trade-off）。
严格的稳定性证明： 建立了半全局实用稳定性定理，明确给出了闭环系统状态误差与神经算子近似误差 $\epsilon$ 之间的定量关系。证明了只要近似误差足够小，系统就能稳定在目标邻域内。
显著的计算加速： 证明了神经算子推理速度远快于传统的数值积分方法。

4. 实验结果 (Results)

实验设置：

对象： 6 连杆非线性机器人机械臂 (xArm6)，全状态维度为 12 (位置和速度)。
任务： 在存在输入延迟 ( $D=0.2s$ ) 和带高斯噪声的采样测量下，跟踪正弦参考轨迹。
对比基线：
1. 传统数值预测器 (需在线积分 ODE)。
2. 方案一 (均匀采样神经算子)。
3. 方案二 (非均匀采样神经算子)。

关键发现：

跟踪性能： 三种方法均能成功跟踪目标轨迹。方案二在测量重置时刻（采样更新时）能准确修正预测误差。
计算效率：
- 神经算子推理时间：约 1 ms (使用 GPU 加速)。
- 传统数值预测器求解时间：约 25 ms (精度 $10^{-6}$ )。
- 加速比： 神经算子方法实现了 25 倍 的计算速度提升。
误差表现： 方案二由于非均匀采样和 ODE 传播，其预测误差略高于方案一，但在可接受范围内，验证了理论界的有效性。

5. 意义与影响 (Significance)

工程实用性： 该研究解决了理论预测反馈在实际应用中最大的两个障碍：计算复杂度和离散采样问题。这使得预测反馈控制能够真正部署在计算资源受限或通信受限的实际系统中。
灵活性： 方案二允许非均匀采样，这对于网络控制系统 (NCS) 或存在丢包、硬件故障的工业场景至关重要。
理论指导： 论文明确指出了设计者在选择方案时的权衡点：如果需要处理不规则采样，必须训练更高精度的神经算子模型以抵消误差传播；如果采样均匀，则可以使用更简单的直接轨迹预测算子。
未来方向： 为基于数据驱动的控制方法处理混合动态系统（离散采样 + 连续演化）提供了新的范式。

总结：
这篇文章成功地将神经算子引入到具有延迟和采样测量的非线性控制中，通过两种不同的架构设计，在理论稳定性保证和实际计算效率之间取得了平衡，为复杂工业系统的实时延迟补偿控制提供了强有力的解决方案。