🔢 mathematics

Adaptive Control with Sparse Identification of Nonlinear Dynamics

本文提出了一种结合 $\ell_1$ 正则化与滑动模态的稀疏促进积分并发学习（SP-ICL）自适应控制律，用于线性参数化不确定非线性系统，通过非光滑李雅普诺夫分析证明了闭环轨迹的有界性，并验证了其在轨迹跟踪中恢复稀疏动力学参数的有效性。

原作者： Trivikram Satharasi, Tochukwu E. Ogri, Muzaffar Qureshi, Kyle Volle, Rushikesh Kamalapurkar

发布于 2026-04-09

📖 1 分钟阅读🧠 深度阅读

原作者： Trivikram Satharasi, Tochukwu E. Ogri, Muzaffar Qureshi, Kyle Volle, Rushikesh Kamalapurkar

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

这篇论文讲述了一种让机器人或自动驾驶汽车变得更聪明、更“懂行”的新方法。为了让你轻松理解，我们可以把控制一个复杂的系统（比如一辆自动驾驶汽车）想象成教一个学生做数学题。

1. 核心难题：学生记不住公式，还容易“死记硬背”

传统方法（死记硬背）：
以前，我们要控制一辆车，必须先知道它的所有物理参数（比如轮胎摩擦力、空气阻力等）。这就像让学生背下所有物理公式。但现实很残酷，路面会变（下雨、结冰），轮胎会磨损，这些参数是未知且变化的。
为了应对变化，以前的“自适应控制”就像是一个勤奋的学生，通过不断做题（收集数据）来猜测这些参数。但是，这种方法有个大毛病：它要求题目必须非常多样（专业术语叫“持续激励”），否则学生就学不会。而且，学生往往会把所有学过的公式都背下来，哪怕有些公式根本用不上，导致脑子很乱（模型不简洁）。
SINDy 算法（找规律）：
最近有一种叫 SINDy 的方法，它很擅长从一堆数据中找出真正起作用的少数几个公式（比如只保留“重力”和“摩擦力”，忽略掉那些无关紧要的项）。这就像是一个天才学生，能一眼看出哪些公式是核心，哪些是废话。
但是，SINDy 通常是离线工作的（先收集一堆数据，回家慢慢算），而且它不保证在算的过程中车子不会翻车（缺乏实时稳定性保证）。

2. 这篇论文的突破：让“找规律”和“保安全”同时发生

这篇论文提出了一种叫 SP-ICL 的新方法。我们可以把它想象成一位既会“做减法”又会“保安全”的超级教练。

核心比喻：带“橡皮擦”的实时学习

实时学习（ICL - 积分并发学习）：
教练不再等学生做完所有题再批改，而是边开车边学习。它利用过去一段时间的数据（就像回顾刚才走过的路），实时更新对车辆参数的猜测。这解决了“题目不够多样”的问题，只要走过一段路，就能学会。
带橡皮擦的减法（ $\ell_1$ 稀疏化）：
这是论文最精彩的地方。传统的教练在猜测参数时，可能会把很多不重要的项也猜成非零（比如认为“空气阻力”和“轮胎花纹”都有影响，其实可能只有轮胎花纹重要）。
SP-ICL 给教练手里加了一块强力橡皮擦（数学上叫 $\ell_1$ 正则化）。
- 橡皮擦的作用： 如果某个参数对控制车辆帮助不大，橡皮擦就会把它直接擦掉变成 0。
- 结果： 学生（控制器）最终只保留了真正重要的几个公式。模型变得非常简洁（稀疏），就像把一本厚厚的百科全书精简成了几张关键笔记。
滑模与“非光滑”分析（应对橡皮擦的抖动）：
因为橡皮擦的动作是“咔嚓”一下直接归零，这在数学上是不平滑的（像开关一样，要么开要么关）。这会导致控制信号出现抖动（Chattering），就像你用手擦黑板时，手会不由自主地颤抖。
论文通过一种特殊的数学工具（非光滑李雅普诺夫分析），证明了即使手在抖，车子依然能稳稳地沿着预定路线跑，不会翻车。

3. 实验结果：越“精简”越精准？

论文在模拟中测试了不同力度的“橡皮擦”（调节参数 $\lambda$ ）：

橡皮擦太轻（ $\lambda$ 很小）： 学生保留了太多废话，模型很复杂，虽然也能跑，但不够聪明。
橡皮擦力度适中（ $\lambda$ 适中）： 学生擦掉了所有废话，只留下了最核心的 4 个公式。这时候，识别最准确，模型最干净，就像给系统做了一次完美的“断舍离”。
橡皮擦太狠（ $\lambda$ 太大）： 学生太激进，把一些真正有用的公式也擦掉了，导致车子跑偏（跟踪误差变大）。

4. 总结：这对我们意味着什么？

简单来说，这篇论文发明了一种**“在线做减法”**的新技术：

以前： 我们要么为了安全，保留一堆可能没用的复杂模型；要么为了简洁，离线算好模型但没法应对实时变化。
现在： 我们可以在开车的同时，自动剔除那些没用的物理规律，只保留最核心的几条，并且保证车子绝对安全。

打个比方：
这就好比一个老练的司机，在开车时不仅能实时感知路况（自适应），还能瞬间判断出“哦，刚才那个复杂的转弯公式其实不需要，直接直线开就行”（稀疏化），从而用最简单、最省力的方式把车开到目的地。

这项技术对于未来的自动驾驶、无人机、机器人非常重要，因为它们需要在复杂多变的环境中，既反应快，又计算量小（省电），还得绝对安全。

论文技术总结：基于稀疏识别的非线性动力学自适应控制

1. 研究背景与问题定义 (Problem)

背景：
大多数控制系统的性能依赖于精确的数学模型。然而，实际系统中常存在未知参数（如摩擦系数、空气密度等），导致模型不确定性。传统的自适应控制方法（如模型参考自适应控制 MRAC）通常要求持续激励 (Persistent Excitation, PE) 条件，这在实践中难以满足。虽然近年来出现了如动态回归器扩展与混合 (DREM) 和记忆回归器扩展 (MRE) 等方法来放宽激励条件，但它们仍依赖于正确的模型结构，无法处理动力学完全未知或高度不确定的情况。

问题：
如何在不依赖持续激励 (PE) 且模型结构未知（即基函数库过完备）的情况下，设计一种在线自适应控制律，能够：

实时识别系统的稀疏非线性动力学（即从大量候选基函数中找出真正起作用的少数项）。
保证闭环系统的稳定性（轨迹有界）和跟踪性能。
克服传统稀疏识别算法（如 SINDy）通常仅在离线运行且缺乏稳定性保证的局限性。

2. 方法论 (Methodology)

本文提出了一种稀疏促进积分并发学习 (Sparse-Promoting Integral Concurrent Learning, SP-ICL) 自适应律，将 $\ell_1$ 正则化嵌入到基于 Lyapunov 的自适应控制框架中。

2.1 系统模型

考虑线性参数化的不确定非线性控制仿射系统：
$\dot{x} = Y(x)\theta + g(x)u$
其中 $Y(x)$ 是已知的过完备候选基函数库， $\theta$ 是未知的稀疏参数向量。

2.2 核心算法设计

积分并发学习 (ICL) 框架：
- 利用历史数据堆栈 (History Stack) 存储滤波后的回归量 $Y_f$ 和状态 $U_f$ 。
- 通过算法 1 动态选择数据，确保在有限时间区间内满足有限激励 (Finite Excitation, FE) 条件，而非传统的 PE 条件。
- 构建记忆回归扩展信号 $Y$ 和 $U$ ，用于参数更新。
稀疏促进机制 ( $\ell_1$ 正则化)：
- 定义正则化成本函数： $J(\hat{\theta}) = \frac{1}{2}\hat{\theta}^\top Y \hat{\theta} - \hat{\theta}^\top U + \lambda \|\hat{\theta}\|_1$ 。
- 由于 $\ell_1$ 范数在原点不可微，利用 Clarke 次微分 (Clarke sub-differential) 和集合值符号函数 (Set-valued signum function, SGN) 处理非光滑性。
- 参数更新律被设计为微分包含 (Differential Inclusion)：
  $\dot{\hat{\theta}} \in \text{proj}_\Theta(\dots) - \lambda \gamma \Gamma \text{SGN}(\hat{\theta})$
- 利用投影算子 (Projection Operator) 确保参数估计值保持在有界集合内，并证明即使存在不连续的符号项，参数估计仍具有前向不变性 (Forward Invariance)。
稳定性分析：
- 采用非光滑 Lyapunov 分析 (Non-smooth Lyapunov analysis)。
- 构建包含跟踪误差 $e$ 和参数估计误差 $\tilde{\theta}$ 的复合 Lyapunov 函数。
- 证明了在有限激励条件下，闭环系统轨迹是最终有界 (Ultimately Bounded) 的，且误差收敛到由正则化参数 $\lambda$ 决定的邻域内。

3. 关键贡献 (Key Contributions)

在线稀疏识别与控制的融合： 首次将 $\ell_1$ 稀疏正则化直接集成到在线自适应控制律中，实现了在控制过程中同时恢复稀疏动力学模型，而无需离线训练。
放宽激励条件： 利用 ICL 框架，仅需有限激励 (FE) 即可保证参数收敛，克服了传统方法对持续激励 (PE) 的依赖。
非光滑系统稳定性证明： 针对 $\ell_1$ 正则化引入的非光滑性（微分包含），利用非光滑 Lyapunov 理论严格证明了闭环系统的最终有界性，解决了投影算子与集合值符号函数结合时的数学严谨性问题。
数据驱动与物理可解释性： 相比神经网络等黑盒模型，该方法能恢复出具有物理意义的稀疏解析模型（即具体的基函数及其系数）。

4. 实验结果 (Results)

通过数值仿真验证了该方法的有效性：

系统设置： 二维非线性系统，包含 20 个候选基函数，真实参数向量仅有 4 个非零项。
参数估计性能：
- 随着正则化参数 $\lambda$ 的增加，参数估计误差 $\|\tilde{\theta}\|$ 减小，模型稀疏度提高（非零项数量减少）。
- 当 $\lambda$ 适中时（如 $10^{-2}$ ），能够准确识别出真实的 4 个非零项，F1 分数达到 0.89。
- 过大的 $\lambda$ 会导致过度稀疏，移除真实项，增加偏差。
跟踪性能：
- 在 $\lambda$ 较小时，跟踪误差较小。
- 随着 $\lambda$ 增大，由于符号函数引起的颤振 (Chattering) 效应增强，跟踪误差略有上升，但系统仍保持稳定。
对比分析： 与无正则化 ( $\lambda=0$ ) 相比，SP-ICL 能显著减少冗余基函数的激活，提高了模型的可解释性和准确性。

5. 意义与展望 (Significance)

理论意义： 为数据驱动的自适应控制提供了新的理论框架，证明了在存在非光滑正则化项的情况下，系统仍能保持稳定性。
应用价值： 适用于需要实时识别物理规律且模型结构未知的场景（如机器人控制、航空航天），能够自动剔除冗余特征，生成简洁、可解释的控制模型。
未来方向：
- 研究用连续函数（如饱和函数或双曲正切）替代不连续的符号函数，以减轻颤振现象。
- 探索自适应 $\ell_1$ 惩罚项，以动态平衡稀疏性与估计精度。

总结： 该论文成功提出了一种结合稀疏识别与自适应控制的 SP-ICL 方法，在无需持续激励的条件下，实现了非线性系统动力学参数的在线稀疏恢复与稳定控制，为复杂不确定系统的控制设计提供了强有力的工具。