⚡ electrical engineering

Controller Design for Structured State-space Models via Contraction Theory

本文提出了一种基于结构化状态空间模型（SSMs）的间接数据驱动输出反馈控制器综合方法，通过首次分析 SSM 的可控性与可观性并结合收缩理论，建立了分离原理并设计了可扩展的线性矩阵不等式（LMI）控制方案，从而实现了非线性系统的高效辨识与闭环指数稳定控制。

原作者： Muhammad Zakwan, Vaibhav Gupta, Alireza Karimi, Efe C. Balta, Giancarlo Ferrari-Trecate

发布于 2026-04-09

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Muhammad Zakwan, Vaibhav Gupta, Alireza Karimi, Efe C. Balta, Giancarlo Ferrari-Trecate

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

这篇论文讲述了一个关于如何给复杂的“黑盒”机器设计智能控制器的故事。为了让你更容易理解，我们可以把这篇论文的核心内容想象成训练一位“超级教练”来指导一位“性格多变”的运动员。

以下是用通俗语言和生动比喻对这篇论文的解读：

1. 背景：为什么我们需要新方法？

现状：
在控制领域（比如控制机器人、汽车或电机），我们通常需要先建立一个数学模型来描述系统是如何运作的。

线性模型：就像描述一辆在平直公路上匀速行驶的车，很简单，但现实世界充满了弯道、颠簸和突发状况（非线性），用简单的线性模型去控制复杂的系统，就像用教小孩走路的办法去教 F1 赛车手，效果很差，甚至会导致翻车。
传统的非线性模型：以前我们尝试用复杂的神经网络（AI）来学习这些系统，但它们往往像“黑盒子”。我们知道输入和输出，但不知道中间发生了什么，而且很难保证它们在设计控制器时是安全的（比如不会突然失控）。

新主角：结构化状态空间模型 (SSM)
这篇论文引入了一种新的 AI 模型，叫SSM（比如 Mamba 架构）。

比喻：如果说传统的 Transformer 模型（像现在的聊天机器人）是那种“每读一个字都要回头翻一遍整本书”的慢吞吞的学者（计算量大），那么 SSM 就是一个拥有“超级记忆力”且“反应极快”的短跑运动员。它能记住很久以前的信息（长期依赖），而且计算速度极快（线性复杂度）。
优势：它既保留了 AI 学习复杂非线性关系的能力，又保留了传统控制理论中那种“结构清晰、可解释”的特点。

2. 核心挑战：如何信任这个“黑盒”？

既然 SSM 是个 AI 模型，我们怎么知道它学到的东西是可靠的？怎么保证基于它设计的控制器不会让系统崩溃？

论文提出了三个关键步骤，就像给这位“超级教练”颁发执照的过程：

第一步：确保“教练”能听懂指令并看清赛场（可控性与可观测性）

问题：如果教练（模型）听不到指令（不可控），或者看不清运动员的状态（不可观测），那比赛就没法进行。
论文的贡献：作者证明了，只要 SSM 的输入和输出部分满足一种叫**“双 Lipschitz"的数学性质（简单说，就是输入输出变化不能太剧烈，要平滑且有界**），那么这个模型就一定是“可控”且“可观测”的。
比喻：这就像规定教练的耳朵不能太灵敏（防止一点噪音就乱指挥），眼睛也不能太迟钝。只要在这个安全范围内，教练就能完美掌控局面。

第二步：设计“安全教练”和“安全裁判”（控制器与观测器）

有了可靠的模型，接下来要设计两个组件：

状态反馈控制器（State-feedback Controller）：这是**“主教练”**。它根据当前的状态直接给出指令（比如“加速”或“刹车”），确保系统稳定。
状态观测器（Observer）：这是**“裁判”。因为现实中我们往往无法直接测量所有数据（比如不知道电机内部的具体受力），裁判需要根据能看到的输出（比如转速），去估算**那些看不见的内部状态。

论文的贡献：作者利用一种叫**“收缩理论” (Contraction Theory)** 的数学工具，把设计这两个组件的问题转化为了线性矩阵不等式 (LMI)。
比喻：
- 收缩理论：想象你在一个滑梯上。无论你在滑梯的哪个位置，只要滑梯的设计符合“收缩”特性，你最终都会滑向同一个终点（稳定状态），而不会滑出去。
- LMI：这就好比是给滑梯设计画出了一张**“安全施工图纸”。只要按照这张图纸（解出数学方程）来造滑梯，就100% 保证**无论怎么滑都是安全的。而且，这种图纸可以用计算机非常快地画出来。

第三步：著名的“分离原则”（Separation Principle）

传统难题：在非线性系统中，通常“主教练”和“裁判”必须一起设计，互相牵制，非常复杂。如果裁判看错了，主教练可能会乱指挥。
论文突破：作者证明，对于这种 SSM 模型，主教练和裁判可以分开设计！
比喻：这就像在足球比赛中，教练只管战术，裁判只管判罚。只要教练和裁判各自都符合规则（分别满足稳定性条件），他们组合在一起时，整个球队（闭环系统）依然能稳定运行，不会互相干扰。这在非线性控制领域是一个非常难得且强大的结论。

3. 实际演练：控制一个“脾气暴躁”的电机

为了验证理论，作者做了一个实验：

对象：一个带有死区（电压太小没反应）、摩擦（像生锈的轴承）和负载变化的非线性直流电机。这就像一辆刹车有点失灵、轮胎打滑的赛车。
过程：
1. 先让 SSM 模型去“学习”这个电机的行为（系统辨识）。
2. 利用上面的“安全施工图纸”（LMI）设计出控制器和观测器。
3. 把这套系统应用到真实的电机模型上。
结果：无论电机从什么状态开始（比如静止、高速旋转或反向旋转），这套系统都能迅速、平稳地把它控制到目标状态，证明了方法的有效性和鲁棒性。

总结

这篇论文的核心思想是：
利用一种既聪明（能学非线性）又守规矩（结构清晰）的新型 AI 模型（SSM），通过一套严格的数学“安检程序”（收缩理论和 LMI），设计出一套既能独立工作又能完美配合的“教练 + 裁判”系统，从而安全、高效地控制那些原本难以捉摸的复杂机器。

这就好比我们不再盲目地用 AI 去控制机器，而是给 AI 穿上了一套**“防弹衣”，并配上了“安全说明书”**，让它在处理复杂任务时，既灵活又绝对安全。

这是一份关于论文《基于收缩理论的结构化状态空间模型控制器设计》（Controller Design for Structured State-space Models via Contraction Theory）的详细技术总结。

1. 研究背景与问题 (Problem)

非线性系统辨识的局限性： 传统的系统辨识（SysId）在非线性领域面临挑战。现有的非线性模型（如 NARX、基于核的方法、RNN/LSTM 等）往往存在以下问题：
- 可解释性差： 难以量化稳定性、增益等关键控制属性。
- 控制器设计困难： 缺乏直接基于辨识模型进行控制器综合的方法，或者需要复杂的训练过程（如 LSTM 的序列展开训练成本高）。
- 计算复杂度： 基于 Transformer 的架构在处理长序列时具有二次方复杂度，而许多非线性模型难以捕捉长程依赖。
核心挑战： 如何构建一种既能高效捕捉非线性动态和长程依赖，又能保证数学性质（如可控性、可观性、稳定性），从而便于设计输出反馈控制器的数据驱动模型？

2. 方法论 (Methodology)

本文提出了一种间接数据驱动的输出反馈控制器综合框架，利用**结构化状态空间模型（SSMs）**作为非线性系统的代理模型。

2.1 模型架构：结构化状态空间模型 (SSMs)

结构： 采用一种变体 SSM，包含三个部分：
1. 非线性输入提升 (Input Lifting, $S_u$ )： 将输入映射到高维空间。
2. 线性循环单元 (Recurrent Unit, RU)： 核心是一个离散时间线性时不变（LTI）系统，具体采用线性循环单元 (LRU)。
3. 非线性输出投影 (Output Projection, $S_y$ )： 将状态映射回输出空间。
假设： 假设 $S_u$ 和 $S_y$ 是双 Lipschitz (bi-Lipschitz) 函数。这一性质保证了模型的可控性和可观性，且可以通过结构约束或后验验证来实现。
优势： 相比 Transformer，SSM 在保持线性计算复杂度的同时能捕捉长程依赖；相比传统 RNN，支持并行扫描训练，效率更高。

2.2 理论基础：收缩理论 (Contraction Theory)

利用收缩理论分析离散时间非线性系统的稳定性。
通过离散时间控制收缩度量 (DCCMs)，将非线性系统的稳定性分析转化为凸优化问题（线性矩阵不等式，LMI）。
核心思想是证明系统沿任意轨迹的差分动力学（differential dynamics）是收缩的，从而保证全局指数稳定性。

2.3 控制器与观测器设计

可控性与可观性分析： 证明了如果循环单元（LRU）是可控/可观的，且输入/输出非线性映射是双 Lipschitz 的，则整个 SSM 模型是局部可控和可观的。
状态反馈控制器： 基于收缩理论，推导了保证闭环系统指数稳定的 LMI 条件。控制器增益 $K$ 通过求解半定规划（SDP）获得。
状态观测器： 设计了类似 Luenberger 的观测器，同样基于 LMI 条件保证估计误差的指数收敛。
分离原理 (Separation Principle)： 证明了对于此类 SSM，控制器和观测器的设计可以独立进行，且组合后的闭环系统仍保持指数稳定性。这是非线性控制中较少见的成果。

3. 主要贡献 (Key Contributions)

SSM 的可控性与可观性分析： 首次为 SSM 提供了可控性和可观性的充分结构条件，证明了双 Lipschitz 性质是关键。
基于 LMI 的控制器综合： 推导了用于合成状态反馈控制器和状态观测器的凸优化条件（LMI）。这些条件能够处理输入/输出非线性中的斜率不确定性，并保证闭环系统的全局指数稳定性。
非线性系统的分离原理： 建立了 SSM 框架下的分离原理，允许独立设计观测器和控制器，同时保持闭环稳定性。这简化了复杂非线性系统的控制设计流程。
数据驱动框架： 提出了一套完整的“辨识 - 控制”流程，从数据训练 SSM 模型到基于模型设计控制器，无需精确的物理模型。

4. 实验结果 (Results)

案例对象： 一个带有负载、库伦摩擦和死区非线性特性的非线性直流电机模型。
系统辨识：
- 使用 PRBS 信号激励系统，采集输入输出数据。
- 训练 SSM 模型（包含 32 个神经元的单隐藏层 $S_u$ 和线性层 $S_y$ ）。
- 结果显示，训练后的 SSM 能够准确预测系统的动态行为（验证轨迹与真实值高度吻合）。
控制器性能：
- 在原始非线性数学模型上，对 10 种不同的初始条件（均匀分布在 -4 到 4 rad/s 之间）进行了测试。
- 结果表明，设计的输出反馈控制器（结合观测器）能够成功将系统稳定到期望轨迹。
- 系统表现出良好的鲁棒性和稳定性，验证了理论推导的有效性。

5. 意义与影响 (Significance)

填补了空白： 解决了非线性系统辨识与控制器设计之间长期存在的脱节问题，提供了一种可解释、可分析且易于综合控制律的模型架构。
计算效率与性能平衡： 结合了深度学习（SSM）在长序列建模上的优势和控制理论（LMI/收缩理论）在稳定性保证上的严谨性。相比 LSTM 等模型，训练和推理效率更高。
理论突破： 将分离原理这一经典线性控制理论推广到了一类特定的非线性 SSM 模型中，为非线性控制理论的发展提供了新的视角。
实际应用潜力： 该方法适用于具有复杂非线性动态（如摩擦、死区）的工业系统，为数据驱动的工业控制提供了新的解决方案。

总结： 该论文成功地将结构化状态空间模型（SSM）引入控制领域，利用收缩理论克服了非线性模型难以设计控制器的难题，通过 LMI 实现了从数据辨识到稳定控制器设计的端到端闭环，并在非线性电机控制案例中得到了验证。