Input-to-State Stable Bundle Koopman Neural ODEs for Learning Controlled Dynamics under Environmental Constraints

技术摘要：ISS-BKNO —— 用于受环境约束控制动力学学习的研究

问题陈述
本文解决了为在多变环境条件下运行的受控非线性动力系统学习精确且具有可验证稳定性的模型的挑战。现有方法通常孤立地处理稳定性、外生输入或环境约束。具体而言：

• Koopman 方法提供了线性表示，但在使用深度学习时往往会丢失显式的谱结构，从而增加了稳定性认证的难度。
• **稳定神经常微分方程（Stable Neural ODEs）**提供了连续深度的模型，但通常缺乏针对分布偏移或外部扰动的保证。
• **环境感知学习（Environment-aware learning）**在分离几何约束（纤维）与动力学方面存在困难，同时难以维持全局收敛保证。

作者识别出一种能够同时提供以下功能的算法空白：（i）一种将纤维几何与动力学分离的环境调节潜坐标系；（ii）一个可通过半正定规划进行检查的输入-状态稳定性（ISS）证书；以及（iii）一个共同强制执行这些属性的统一训练目标。

方法论：ISS-BKNO 框架
所提出的框架 ISS-BKNO（输入-状态稳定丛 Koopman 神经常微分方程）将 Koopman 算子识别、神经常微分方程、纤维丛几何以及 ISS 认证集成到一个三阶段提升流水线中：

1. 丛感知编码器（Bundle-Aware Encoder）：
   物理状态 $x$ 和环境信号 $\xi$ 被映射到提升空间 $Z$ 中的一个纤维 $F_\xi$。该编码器 $\Phi(x, \xi)$ 确保了不同环境下的潜在表示在几何上是分离的，遵循纤维丛结构 $\pi: Z \to E$。

2. 环境调节的 Koopman 主干（Environment-Conditioned Koopman Backbone）：
   潜状态通过 $\Psi(z)$ 进一步提升至观测空间 $\psi$。动力学模型表示为：
   $$\dot{\psi} = K(\xi)\psi + B(\xi)u + r_\theta(\psi, u, \xi)$$
   此处，$K(\xi)$ 和 $B(\xi)$ 是以环境 $\xi$ 为条件的矩阵（由小型 MLP 头生成）。至关重要的是，$K(\xi)$ 通过 Persidskii 型分解进行了参数化，使其在构造上满足 Hurwitz 性质：
   $$K(\xi) = -\frac{1}{2}Q(\xi)^\top Q(\xi) + S(\xi)$$
   其中 $S(\xi)$ 是反对称矩阵。这确保了 $K(\xi)$ 的对称部分是负半定的，从而保证了向标称解的收缩。

3. 残差神经常微分方程修正（Residual Neural ODE Correction）：
   残差项 $r_\theta$ 用于修正线性近似。其雅可比矩阵受到二次扇区界的约束，以确保非线性不会违反稳定性条件。

稳定性认证与训练
该框架采用了基于 Lyapunov 的 ISS 正则化。一个二次 Lyapunov 候选函数 $V(\psi) = \psi^\top P \psi$ 与模型共同学习。训练目标包含一个惩罚项（$L_{ISS}$），用于强制执行 Lyapunov 递减条件：
$$\dot{V} \leq -\alpha V + \gamma |w|^2$$
该条件被表述为一个涉及学习参数 $P$、增益 $\gamma$ 和扇区乘数 $\lambda$ 的线性矩阵不等式（LMI）。与事后验证不同，该 LMI 是可微训练损失的一部分，驱动优化器在满足稳定性约束的同时最小化 ISS 增益 $\gamma$。总损失结合了预测误差、ISS 正则化、重构损失和控制障碍函数（CBF）惩罚。

核心贡献

1. 丛感知 Koopman 提升： 一种新型编码器，将状态映射到特定环境的纤维，实现了几何约束与动力学演化的分离。
2. 基于 Lyapunov 的 ISS 正则化： 一种可微损失函数，在训练期间强制执行二次递减条件，从而在收敛时获得闭式 ISS 增益。
3. 理论保证：
   • 证明了丛坐标映射的纤维不变性。
   • 证明了潜动力学的 ISS 性，并给出了显式的增益公式。
   • 推导了近似误差界，将预测 RMSE 与扩展动态模态分解（EDMD）残差联系起来。
4. 实验验证： 在四个基准任务（单摆、倒立摆、单轮车导航和 7 自由度机械臂）上的全面测试表明，该框架的表现优于现有基准模型。

实验结果
实验在涉及变化物理参数（如杆长、质量、摩擦力、负载）和外部扰动的四个任务上进行。该框架与五种基准模型进行了对比：原生 Neural ODE (NODE)、Koopman-EDMD、Koopman+ISS (事后验证)、ControlSynth Neural ODE (CSODE) 以及 ICODE。

• 预测精度： ISS-BKNO 在所有任务中均实现了最低的均方根误差（RMSE）。值得注意的是，与原生 Neural ODE 相比，其预测 RMSE 降低了 58%。
• 鲁棒性： 在正弦扰动下，ISS-BKNO 保持了与理论界限一致的有界误差包络，而没有显式 ISS 证书的模型（如 NODE）则会出现持续的偏移。
• 稳定性可行性： 该方法在测试期间实现了 100% 的 LMI 可行性率。相比之下，由于分布偏移导致的谱半径违规，事后 Koopman+ISS 基准模型在 6% 的测试回合中未能通过可行性检查。
• 泛化能力： 在接近训练分布边界时，性能下降最为平缓，表现优于缺乏显式纤维结构的基准模型。

意义与主张
本文声称，ISS-BKNO 为数据驱动控制中相互脱节的稳定性、环境适应性和几何约束处理问题提供了一个统一的解决方案。通过将纤维丛几何与 Hurwitz 参数化的 Koopman 主干以及可微 ISS 正则化相结合，该框架消除了对事后稳定性检查的需求。作者断言，这种方法通过在训练过程中直接提供全局收敛保证和可计算的 ISS 增益，使得基于学习的控制器能够在安全关键型场景中部署。理论结果将预测精度直接与 EDMD 残差挂钩，为字典选择提供了原则性的准则。