⚡ electrical engineering

Global Linearization of Parameterized Nonlinear Systems with Stable Equilibrium Point Using the Koopman Operator

本文利用 Koopman 算子框架，通过将控制输入视为参数，证明了具有全局指数稳定平衡点的参数化非线性系统可转化为连续依赖于该参数的有限维线性系统，并进一步给出了控制仿射系统实现与参数无关的全局双线性化的条件。

原作者： Natsuki Katayama, Alexandre Mauroy, Yoshihiko Susuki

发布于 2026-04-07

📖 1 分钟阅读☕ 轻松阅读

原作者： Natsuki Katayama, Alexandre Mauroy, Yoshihiko Susuki

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

这篇论文探讨了一个非常深奥的数学问题，但我们可以用一个生动的比喻来理解它。想象一下，你手里拿着一团乱糟糟的毛线球（这代表复杂的非线性系统，比如天气变化、股票波动或自动驾驶汽车的运动）。

这团毛线球很难直接理清，因为里面的线互相缠绕，牵一发而动全身。数学家们一直想找到一种方法，把这团乱毛线瞬间变成整齐排列的直尺（这代表线性系统），这样处理起来就简单多了。

这篇论文就是关于如何找到那根神奇的“魔法直尺”，并且解决了一个关键难题：当外界条件（比如风速、油门大小）发生变化时，这根魔法直尺会不会也跟着乱变？

以下是这篇论文的通俗解读：

1. 核心工具：Koopman 算子（“透视眼镜”）

传统的数学方法是在“毛线球”内部打转，试图理清每一根线。而这篇论文使用了一种叫Koopman 算子的工具。

比喻：想象你戴上了一副特殊的**“透视眼镜”**。透过这副眼镜，原本乱糟糟的毛线球（非线性系统）在另一个维度上看起来竟然是一根根整齐的直线（线性系统）。
作用：这副眼镜能把复杂的、弯曲的运动轨迹，映射成简单的、直线的运动。这让科学家可以用简单的线性数学工具（就像用直尺画图一样）来预测和控制复杂的系统。

2. 遇到的难题：参数变化会让眼镜“变形”吗？

在现实世界中，系统通常不是静止的。比如，你开车时，油门踩得深一点（输入 $u$ 变大），车的反应就不同。

问题：之前的研究告诉我们，对于固定的情况，这副“透视眼镜”很管用。但是，如果你改变油门（改变参数 $u$ ），眼镜里的图像会不会也跟着扭曲？如果每踩一次油门，眼镜里的图像就变一次，那我们就没法用一套固定的规则来控制它了。
论文的贡献：作者们证明了，只要系统有一个稳定的“家”（数学上叫“全局指数稳定平衡点”，简单说就是系统最终都会慢慢停下来或回到原点），那么这副眼镜是连续变化的。
- 通俗解释：当你慢慢踩油门时，眼镜里的图像是平滑过渡的，不会突然跳变或破碎。这意味着我们可以建立一个通用的模型，随着参数变化而平滑调整。

3. 终极目标：找到“万能直尺”（与参数无关）

虽然图像会平滑变化，但作者们想要更进一步：能不能找到一副完全不需要调整的“万能眼镜”？

场景：对于一种特殊的系统（叫“仿射控制系统”，比如很多机器人和飞行器），作者们发现了一个秘密条件。
秘密条件：如果系统内部的“几何结构”和“代数结构”满足某种特殊的对称性（论文里用复杂的“李代数”来描述，你可以理解为系统内部的齿轮咬合方式非常完美），那么这副眼镜就完全不需要随油门变化而调整！
结果：在这种情况下，无论你怎么踩油门，系统都可以被完美地转化成一个**“双线性系统”**。
- 比喻：这就好比你发现无论怎么用力推箱子，箱子里的弹簧结构都保持不变。你只需要一套固定的公式，就能预测箱子在任何力度下的反应。

4. 为什么这很重要？（实际应用）

以前：控制复杂的非线性系统（如无人机在狂风中飞行）非常困难，通常需要大量的试错或极其复杂的计算。
现在：
1. 数据驱动：因为证明了这种线性化是连续存在的，我们可以用人工智能（如深度学习）去“学习”这副眼镜的规律。只要数据够多，AI 就能学会如何把乱毛线变直。
2. 更安全的控制：对于满足“秘密条件”的系统，我们可以设计出更简单、更稳健的控制器。就像给无人机装上了一个“自动平衡仪”，不管风怎么吹，它都能自动保持直线飞行，而不需要每次都重新计算。

总结

这篇论文就像是在说：

“我们找到了一种方法，能把复杂的、乱动的系统（毛线球）变成简单的直线运动（直尺）。更重要的是，我们证明了当外界条件（如油门）变化时，这种变换是平滑的；甚至在特定条件下，我们可以找到一套完全固定不变的规则，让复杂的系统像听话的直线一样被控制。”

这对于未来设计更智能的自动驾驶汽车、更稳定的电网以及更精准的机器人控制，提供了坚实的理论基础。

这是一篇关于利用Koopman 算子对具有全局指数稳定平衡点（GES EP）的参数化非线性系统进行全局线性化和双线性化的学术论文。

以下是对该论文的详细技术总结：

1. 研究背景与问题 (Problem)

背景：Koopman 算子框架通过将非线性动力学映射到无限维函数空间上的线性算子，为非线性系统的分析和控制提供了强大的工具。现有的研究（如 EDMD 算法）通常假设存在有限维表示，但缺乏严格的理论基础，特别是对于带有输入（控制）的非线性系统。
核心问题：
1. 对于带有参数（或输入）的非线性系统，Koopman 算子的谱性质（特别是特征函数）如何依赖于参数？
2. 能否建立一种全局线性化变换，将参数化非线性系统转化为有限维线性系统，且该变换连续依赖于参数？
3. 对于仿射控制系统（Control-Affine Systems），是否存在条件使得线性化变换独立于输入参数，从而实现全局双线性化（Global Bilinearization）？

2. 方法论 (Methodology)

论文采用了以下理论工具和分析步骤：

参数化系统建模：
- 将控制输入 $u$ 视为（分段）常数参数，研究系统 $\dot{x} = F_u(x)$ 。
- 假设系统具有全局指数稳定平衡点（GES EP），且状态空间 $X$ 是紧集且对 $u$ 不变。
谱分析与摄动理论：
- 利用线性算子摄动理论（Perturbation Theory），分析参数 $u$ 变化时，Koopman 生成元（Koopman Generator, $L_F^u$ ）的**预解式（Resolvent）和特征投影（Eigenprojection）**的强收敛性。
- 证明了在满足**非共振（Non-resonant）和谱展宽（Spectral Spread）**条件下，Koopman 主特征函数随参数 $u$ 连续变化。
李代数结构（Lie Algebraic Arguments）：
- 针对仿射系统 $\dot{x} = F(x) + \sum u_i G_i(x)$ ，利用李代数同构条件。
- 比较由向量场 $\{F, G_1, \dots, G_d\}$ 生成的李代数与由线性化矩阵 $\{A, B_1, \dots, B_d\}$ 生成的李代数。
- 如果两者存在李代数同构，则利用 Koopman 算子的代数结构推导全局双线性化。

3. 主要贡献与结果 (Key Contributions & Results)

A. 参数化系统的全局线性化 (Theorem 4)

结果：对于具有 GES EP 的参数化非线性系统，如果 Jacobian 矩阵的特征值满足 $k$ -非共振和 $k$ -谱展宽条件，则存在一个全局微分同胚 $\psi_u: X \to \mathbb{R}^n$ 。
性质：
- 该变换将非线性系统转化为线性系统： $\dot{z} = A_u z$ ，其中 $A_u = D_x F_u(0)$ 。
- 变换 $\psi_u$ 连续依赖于参数 $u$ （在 $C^k$ 范数下）。
- 这为基于数据的方法（如 EDMD）提供了理论保证，证明了有限维线性表示的存在性及其对参数的连续性，从而支持了通用逼近定理的应用。

B. 仿射系统的全局双线性化 (Theorem 5)

结果：对于控制仿射系统，如果满足以下条件：
1. 漂移项 $F$ 和输入项 $G_i$ 在原点为零（ $F(0)=G_i(0)=0$ ）。
2. 线性化矩阵 $A=D_xF(0)$ 的特征值满足非共振条件。
3. 非线性向量场生成的李代数 $\{F, G_1, \dots, G_d\}_L$ 与线性化矩阵生成的李代数 $\{A, B_1, \dots, B_d\}_L$ 同构。
结论：存在一个与输入 $u$ 无关的全局微分同胚 $\psi$ ，将原系统转化为全局双线性系统：
$\dot{z} = Az + \sum_{i=1}^d u_i B_i z$
优势：
- 不同于基于泰勒展开的局部结果（如 Proposition 4），该结果基于 Koopman 算子的谱性质，因此是全局有效的。
- 该条件直接基于向量场的李代数结构，比寻找 Koopman 不变子空间更具构造性和可验证性。

4. 示例验证 (Example)

论文通过一个二维非线性系统示例进行了验证：

系统包含参数 $u$ 和 $a$ 。
当 $u$ 为常数时，验证了特征函数的存在及其对 $u$ 的连续性（符合 Theorem 4）。
当 $u$ 视为输入时，计算发现当 $a=1$ 时，李括号 $[F, G]=0$ ，满足李代数同构条件。
结果成功导出了一个与 $u(t)$ 无关的全局双线性化坐标变换，验证了 Theorem 5 的有效性。

5. 意义与影响 (Significance)

理论奠基：填补了非线性控制理论中关于“带输入系统 Koopman 线性化”的理论空白，特别是证明了全局线性化变换对参数的连续性。
数据驱动控制：为基于 EDMD 及其变体的数据驱动控制器设计提供了坚实的理论依据。证明了只要系统满足特定谱条件，就可以通过数据学习得到连续依赖于参数的线性模型。
控制策略扩展：
- 全局双线性化使得原本复杂的非线性控制问题可以转化为双线性系统的控制问题。
- 由于双线性系统具有良好的结构，这使得应用最优控制（如 Riccati 方程）等成熟技术成为可能。
未来方向：论文指出当前结果受限于全局指数稳定平衡点（GES EP），未来的工作将致力于将这些结果扩展到更广泛的系统类别（如不稳定平衡点或极限环系统）。

总结

该论文通过结合Koopman 算子理论、算子摄动理论和李代数，成功建立了一套从参数化非线性系统到有限维线性/双线性系统的严格映射理论。其核心突破在于证明了变换的全局性和参数连续性，并给出了实现输入无关双线性化的充分条件，为非线性系统的数据驱动建模与控制提供了重要的理论支撑。