⚡ electrical engineering

Environment-Aware Stable Neural Koopman Dynamics Learning for Input-Driven Systems under Environmental Constraints

本文提出了一种环境感知稳定神经 Koopman 动力学学习（ESNKD）框架，该框架整合了纤维丛编码器、输入条件化神经常微分方程（Neural ODEs）、收缩综合以及 Koopman 提升技术，旨在为在变化的环境约束下运行的非线性系统提供严格的稳定性与输入状态稳定性保证。

原作者： Lin Feng

发布于 2026-06-15

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Lin Feng

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

想象一下，你正在尝试教一个机器人走路。你给它看一段人在光滑地面上行走的视频，机器人学会了模仿。但随后，你要求机器人在湿滑的冰面上行走，或者在背着沉重背包的情况下行走。如果机器人只在光滑地面上接受过训练，它可能会摔倒，因为它并不理解“环境”发生了变化。

这篇论文介绍了一种名为 ESNKD（环境感知稳定神经 Koopman 动力学学习）的新方法，专门用来解决这个问题。这是一种让计算机学习物理系统如何运动的方法，即使在周围条件不断变化的情况下也能如此，同时还能保证系统不会失控。

以下是该方法的运作方式，通过简单的概念和类比进行拆解：

1. 问题所在：“一刀切”的陷阱

目前大多数物理 AI 模型都像是只会完美烹饪一种特定菜肴的厨师。如果你给它们一个新食材（比如摩擦力的变化、重量的变化或风力），它们就会感到困惑。它们试图根据观察到的现象来猜测新的环境条件，但往往会猜错，从而导致崩溃或不稳定。

2. 解决方案：“四部分工具包”

作者构建了一个由四个特殊工具组成的系统，这些工具像精密运转的机器一样协同工作：

工具 1：“环境翻译官”（束结构编码器 / Bundle-Structured Encoder）
想象机器人戴着一副特殊的眼镜。这些眼镜不仅仅是将世界看作混乱的数据，而是将环境（如“冰面”、“重载”或“大风”）转化为一张清晰、有序的地图。
- 论文主张： 该工具将嘈回传的传感器数据转化为精确的“坐标”，告诉机器人它正处于什么样的世界中。它确保“冰面”和“干燥地面”被视为地图上截然不同的两个位置，而不仅仅是随机的噪声。
工具 2：“智能驾驶员”（输入调节神经 ODE / Input-Conditioned Neural ODE）
这是实际驱动机器人的引擎。通常，引擎是为固定轨道设计的。而这个引擎很特别，因为它为环境留了一个“副驾驶座”。
- 论文主张： 它接收来自翻译官（工具 1）的“坐标”和控制输入（如“向前移动”），并将它们混合在一起。它不仅仅是在猜测，而是会根据当前环境主动调整驾驶风格，就像司机在爬坡时换挡一样。
工具 3：“稳定性刹车”（收缩合成层 / Contraction Synthesis Layer）
这是安全机制。想象一辆汽车内置了一条规则：“无论你如何转向，你必须始终向道路中心靠拢，绝不能远离。”
- 论文主张： 在训练期间，系统强制数学行为遵循这一规则。它使用一种特定的数学检查（“铰链惩罚”）来确保，如果两个机器人从略微不同的位置开始，它们最终会收敛到同一条路径上。这保证了系统不会陷入螺旋式失控。
工具 4：“安全证书”（Koopman 提升与 ISS 验证 / Koopman Lifting & ISS Verification）
这是最后的考试。在机器人获准驾驶之前，一位数学家会检查它的作业。
- 论文主张： 系统将机器人复杂、混乱的运动转化为一种更简单的线性语言（就像把一首复杂的歌曲转化为简单的简谱）。然后，它运行一项计算机测试（称为 LMI），以 100% 的数学确定性证明机器人是“输入到状态稳定”（ISS）的。这意味着：“无论风吹多大或负载多重，机器人都会保持安全。”

3. 他们是如何测试的

作者不仅停留在理论层面；他们在五个不同的“游乐场”中测试了该方法：

一个摩擦力不断变化的摆动单摆。
一个带有重量变化的杆状倒立摆小车。
一个在不同抓地力表面上奔跑的模拟猎豹。
一个正在举起未知重量物体的真实机械臂。
另一个处理关节摩擦力的机械臂。

结果：

更高的准确度： 与五种流行的其他方法相比，新方法在预测机器人位置方面的误差更小。
更安全： 它具有最低的“稳定性违规”率（即机器人差点摔倒或失控的情况）。
经过认证： 它是唯一一个能在几乎所有运行过程中成功通过“安全证书”测试的方法。其他方法要么无法通过测试，要么因为过于复杂而根本无法进行测试。

4. 核心结论

可以将 ESNKD 理解为不仅教会机器人“如何移动”，还教会它“如何适应”周围的世界，同时还为机器人颁发了一份“安全执照”，证明它永远不会失去控制。

论文声称，通过结合这四项特定技术，他们创建了一个更准确、对环境变化更具鲁棒性，并且在数学上保证稳定的系统，在他们测试的所有类别中都表现优于以往的方法。

技术摘要：面向环境约束下输入驱动系统的环境感知稳定神经 Koopman 动力学学习

1. 问题陈述

本文解决了从测量数据中构建非线性动力学系统预测模型的挑战，特别是在环境变化的运行条件下。虽然现有方法已取得进展，但仍无法在一个统一的可训练框架内同时解决以下三个关键需求：

环境变异性（Environment Variability）： 大多数学习模型将环境视为固定的，或者依赖于将物理参数（如负载、摩擦力）隐式编码在状态中；当环境条件超出训练分布时，这种方法会失效。
严格的稳定性保证（Rigorous Stability Guarantees）： 深度学习方法通常缺乏可解释性和稳定性认证。虽然神经常微分方程（Neural ODEs）和 Koopman 算子提供了实现稳定性的路径，但它们很少与环境调节相结合。
输入-状态稳定性（ISS）认证： 现有方法难以针对具有时变输入和偏移环境参数的系统提供解析的 ISS 证书。

核心目标是学习一个参数化模型，该模型能够在未见数据上最小化轨迹预测误差，同时在不需要采样的情况下，提供收敛性和 ISS 的解析证书。

2. 方法论：ESNKD 框架

所提出的**环境感知稳定神经 Koopman 动力学（ESNKD）**框架集成了四个耦合组件，以解决上述差距：

A. 丛结构环境编码（Bundle-Structured Environmental Encoding）

受纤维丛（fiber bundle）框架的启发，该方法采用编码器 $\psi_\phi$ 将带噪声的环境观测值 $y_t$ 映射到结构化的潜在坐标 $z_t$ 。

几何正则化： 与标准编码器不同，该组件包含一个等距正则项（ $L_{enc}$ ），用于保持环境流形的度量结构。这防止了不同环境条件之间的伪耦合，确保学习到的向量场对环境扰动保持鲁棒。
作用： 潜在坐标 $z$ 对向量场进行参数化，使模型能够动态适应变化的物理参数（如摩擦力、质量）。

B. 输入调节神经动力学（Input-Conditioned Neural Dynamics）

系统动力学被建模为一个分解的向量场：
$\dot{x} = f_\theta(x, u, z) = f_s(x) + f_r(x, u, z)$

结构： $f_s(x) = -Kx$ 提供了一个线性的稳定基准。 $f_r$ 是一个神经残差，结合了状态 $x$ 、控制输入 $u$ 和环境 $z$ 。
耦合： 环境-输入的耦合通过特征线性调制（FiLM）层实现，将环境坐标直接链接到向量场。这扩展了 ICODEs 的“输入伴随（input concomitant）”理念，将其应用于环境调节。
稳定性： 应用谱归一化（Spectral Normalization）来约束残差的 Lipschitz 常数，从而稳定雅可比矩阵（Jacobian）的计算。

C. 收缩合成层（Contraction Synthesis Layer）

为了强制实现收敛，该框架采用了类似于 ControlSynth Neural ODEs (CSODEs) 的收缩分析方法。

条件： 系统经过训练以满足收缩条件，即雅可比矩阵的对称部分是负定的： $\text{sym}(\frac{\partial f_\theta}{\partial x}) \preceq -\beta I$ 。
训练： 在训练期间最小化铰链惩罚项（ $L_{con}$ ），以确保对称雅可比矩阵的最大特征值始终低于 $-\beta$ 。该方法与架构无关，并通过 $z$ 处理环境依赖性。

D. Koopman 提升与 ISS 验证

遵循近期关于 ISS 验证 Koopman 模型工作的理论流程，该框架执行后验验证步骤：

提升（Lifting）： 构建一个观测字典 $\phi(x, z)$ （包含状态和环境的二次单项式）。
识别： 通过最小二乘回归将提升后的动力学近似为一个线性系统 $\dot{\phi} = A\phi + Bu$ 。
认证： 通过求解线性矩阵不等式（LMI）可行性问题来验证输入-状态稳定性（ISS）。如果可行，则提供具有显式增益界的 ISS 解析证书，将鲁棒性问题转化为可处理的凸规划问题。

3. 理论保证

论文提供了严谨的理论证明，涵盖：

存在性与唯一性： 在标准的 Lipschitz 条件下，解存在且唯一。
增量指数稳定性： 如果收缩条件成立，由相同输入和环境驱动的任何两条轨迹都以速率 $\beta$ 指数级收敛。
具有显式界限的 ISS： 如果 LMI 可行，则提升后的系统是 ISS 的，其增益取决于 Koopman 矩阵。
鲁棒性： 模型对环境扰动具有鲁棒性；误差界限与潜在环境流形的失真成正比，这证明了等距正则化的合理性。

4. 实验结果

该框架在五个基准系统上进行了评估，包括阻尼摆、小车倒立摆、HalfCheetah (MuJoCo) 以及两个在未知负载和摩擦扰动下的机器人操作平台（Franka Emika Panda 和 xArm）。

预测精度： ESNKD 在所有任务中实现了最低的均方根误差（RMSE），在摆动和 HalfCheetah 任务上相对于最佳基准（ISS-Koopman）分别实现了 26.3% 和 21.5% 的相对提升。
稳定性与安全性： ESNKD 在所有任务中均获得了最低的稳定性违规率（SVR）（平均 2.4%，而 ISS-Koopman 为 7.2%，Neural ODE 为 17.9%）。
ISS 认证： 该方法在各项任务中实现了 85–94.7% 的 ISS 认证成功率（ISS-SR）。相比之下，没有 Koopman 提升的方法（Neural ODE, ICODE, ControlSynth）无法生成证书，而 Deep Koopman 最高仅能达到 47.8%。
消融研究： 移除环境编码器会导致 RMSE 增加 63%。移除收缩损失会导致 ISS-SR 下降 46 个百分点，证实了稳定性正则化对于安全认证至关重要。

5. 重要性与主张

论文声称 ESNKD 是第一个同时结合了环境编码、稳定性合成和 ISS 认证的统一框架。

弥合差距： 它解决了环境编码、稳定性合成和 ISS 认证此前被分开处理的结构性差距。
几何正则性： 它证明了丛结构潜在表示的几何正则性提高了 Koopman 提升和稳定性认证的质量。
实际可行性： 结果表明，即使在环境多变且输入随时间变化的情况下，实现经稳定性认证的神经 ODE 在实践上也是可行的。
安全探索路径： 作者指出，获得的 ISS 证书使得使用线性鲁棒模型预测控制（MPC）进行安全探索成为可能，从而补充了基于测量感知的控制障碍函数（CBF）方法。

论文总结道，虽然目前的 Koopman 识别是后验完成的，但该框架为从数据中学习可证明稳定的、环境感知的动力学模型建立了一条切实可行的路径。