⚡ electrical engineering

Adaptive and Neural Operator Control of Nonlinear Volterra Hyperbolic PDEs

本文提出了一种针对非线性 Volterra 双曲型偏微分方程的混合控制框架，该框架将未知对象动力学的在线自适应辨识与复杂反步增益合成的离线神经算子逼近相结合，从而在存在截断、辨识及逼近误差的情况下，实现了闭环稳定性与渐近调节。

原作者： Miroslav Krstic

发布于 2026-07-08

📖 1 分钟阅读☕ 轻松阅读

原作者： Miroslav Krstic

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，你正试图驾驶一艘极其复杂、难以预测的巨轮穿过风暴。这艘船的引擎和舵由计算机控制，但船体本身拥有一种“记忆”，即它过去的运动会影响它当下的反应。在物理学和工程学领域，这艘船由一个偏微分方程 (PDE) 来描述，而它的这种“记忆”则是一个 Volterra 级数（一种表示该船行为取决于过去一系列交互过程的高级表达方式）。

这个问题包含两个层面：

我们不知道船的确切规则： 计算机并不知道这艘船具体的“记忆”设置（即核函数/kernels）。
规则太难实时计算： 即使我们知道了这些规则，计算出完美的转向调整也需要极高的计算能力，解决一个需要毫秒级响应的问题可能需要数小时。

Miroslav Krstic 的这篇论文提出了一种巧妙的解决方案，它将自适应控制 (Adaptive Control)（即时学习）与神经算子 (Neural Operators)（预先学习数学规律）结合在了一起。

以下是使用简单类比进行的拆解：

1. 两个主要问题

“未知地图”问题： 为了完美地驾驶这艘船，你需要一张关于船如何反应的地图。但这张地图是隐藏的。你必须在航行过程中一边航行一边猜测它。
“计算太慢”问题： 每当你更新对地图的猜测时，你都必须解开一个巨大的、多维度的数学谜题，以确定新的转向角度。每秒钟都去做这个谜题是不可能的。这就像是你每转动一次方向盘，都要尝试解开一个规模如城市般巨大的数独游戏。

2. 解决方案：一个双人团队

作者创建了一个由两个截然不同的“学习者”组成的系统：

A 部分：“被动观察者”（在线学习者）

把它想象成坐在船长身边的副驾驶。

它的作用： 它观察真实的船只和一艘“虚拟”的船。它不断地比较两者。
它是如何学习的： 如果真实的船偏离了虚拟的船，副驾驶就会更新它对船只“记忆规则”（核函数）的猜测。
关键特征： 它是“在线”学习的（在船移动时进行），不需要被强迫进行特定的动作（不需要“持续激励/persistence of excitation”）。它只是被动地吸收误差。

B 部分：“神经算子”（离线学习者）

把它想象成一位在船出发前就已研读多年数学知识的超级聪明学徒。

它的作用： 它学习“猜测地图”与“计算转向角度”之间的关系。
它是如何学习的： 在船出发前，研究人员向学徒喂入成千上万个关于不同“船只地图”及其对应“完美转向角度”的示例。学徒使用神经算子（一种专为连续数学设计的 AI 类型）来学习其中的模式。
神奇之处： 一旦训练完成，学徒就不再需要去解那个庞大的数学谜题。当副驾驶说：“我认为船的记忆是这样”时，学徒会瞬间回答：“好的，基于我的训练，转向角度应该是那样。”它用瞬间的查表操作取代了长达数小时的计算。

3. 它们如何协同工作

系统在一个循环中运行：

副驾驶（观察者） 观察船只并更新它对船只隐藏规则的猜测。
学徒（神经算子） 接收该猜测，并瞬间输出正确的转向指令。
船进行转向，副驾驶观察结果，更新猜测，循环往复。

4. “自耦合”的转折

通常情况下，如果你知道规则，你可以用一个简单的公式来计算转向角度。但在这里，船最基础的部分的规则（线性部分）也是未知的。这使得数学谜题变成了“自耦合”的——这就像是在尝试解一个答案本身就是问题一部分的谜题。

论文的观点： 作者证明了即使存在这种棘手的、自指的数学逻辑，只要船的非线性行为不是无限狂野的，该系统仍然是可解且稳定的。

5. 结果：稳定性和调节

论文从数学上证明了：

稳定性： 即使副驾驶还在猜测规则，船也不会撞毁或失控旋转。
调节性： 最终，船会趋于平稳并停止运动（达到零状态），转向也会停止。
“吸引盆/吸引域 (Basin of Attraction)”： 系统只要船从某个“安全区域”内开始运行即可。随着学徒（神经算子）变得越来越出色（更精确），这个安全区域也会随之扩大，最终达到与你从一开始就知道完美规则时所拥有的安全区域相当的大小。

6. 模拟展示了什么

论文包含了一个具有“二次方记忆”（一种特定类型的非线性）的船舶计算机模拟。

没有控制时： 船会迅速发生发散（爆炸/失控）。
使用新系统时： 船趋于稳定。
需要注意的一点： 副驾驶对船只规则的猜测并不会变得“完全精确”。一旦船停止运动，由于不再有“误差”可供学习，它的猜测也会停止变化。但这并不重要！学徒（神经算子）生成的转向指令是“足够好”的，足以让船保持安全和稳定。系统并不需要知道“绝对真理”；它只需要一个“足够好”的猜测来生成一个“足够好”的转向指令。

总结

这篇论文解决了一个在复杂物理系统控制中的“鸡生蛋，蛋生鸡”问题。你无法在不知道规则的情况下进行转向，但你也无法在不进行转向的情况下学习规则。通过使用一个在线观察者来猜测规则，以及一个离线训练的 AI 来将这些猜测瞬间转化为转向指令，作者创建了一个既具有自适应性又具备实时使用速度的控制器。它将一个在实时计算中几乎不可能完成的任务，变成了一个简单的、快速的查表过程。

问题陈述
本文研究了一类非线性双曲型偏微分方程（PDE）的自适应控制，其中域内非线性由具有任意多阶核函数的未知 Volterra 级数决定。具体的受控对象是一个具有边界控制输入的阶一双曲型 PDE。控制目标是将受控对象的状态稳定至原点。

两个主要的障碍阻碍了将标准的 PDE 反步控制（backstepping control）部署到此类不完全已知模型上的植物上：

模型依赖性： 反步所需的反馈增益（核函数）是植物系数的泛函。如果没有已知的模型，这些增益将无法计算。
计算限制： 即便模型已知，这类非线性 Volterra PDE 的反步增益也是在不断增加维度的单纯形定义域（第 $n$ 阶核函数对应 $n$ 维单纯形）上定义的级联核 PDE 的解。在自适应设定下，由于植物参数估计值会持续变化，在线求解这一级联过程在计算上是难以实现的。

方法论
作者提出了一种结合自适应控制与神经算子学习的统一架构，以同时克服上述两个障碍。该系统通过两个串行运行的学习过程进行工作：

在线自适应辨识器： 设计了一个基于观测器的被动辨识器，用于在线估计未知的 Volia 核函数（ $f_1, \dots, f_N$ ）。该辨识器使用截断的 $N$ 阶 Volterra 级数和一个基于投影的参数更新律。至关重要的是，该设计无需持久激励（persistence-of-excitation）假设即可确保稳定性，因为估计误差在 Lyapunov 导数中表现为耗散项。
离线神经算子求解器： 从估计的植物参数到所需的反步控制增益的映射是一个复杂的无穷维算子，涉及一系列线性 Volterra 积分方程的级联。该映射记为 $Q_N$ $Q_{N}$ ，通过神经算子（ $\hat{Q}_N$ $\hat{Q}_{N}$ ）进行离线近似。
- 不同于以往研究中神经算子学习已知植物的控制器，本文学习的是“核生成映射”（kernel-generation map）。神经算子以运行中的参数估计值 $\hat{f}(t)$ 作为输入，并实时输出控制核函数 $\hat{k}(t)$ 。
- 实现的控制器在确定性等价框架下使用这些学习到的核函数，作用于观测器状态。

核心贡献

针对未知线性核的自适应设计： 本文将自适应控制扩展到了全非线性 Volterra 类，其中甚至连线性核（ $f_1$ ）也是未知的。这使得增益级联从一系列闭式求积过程（如已知模型设计中那样）转变为一系列自耦合的线性 Voleria 积分方程。作者证明了对于任何容许的非线性规模，这些方程都是可逆的，且无需满足小规模性条件。
截断与近似下的稳定性： 作者建立了闭环系统的先验 $L^2$ $L^{2}$ 稳定性与渐近调节性。他们利用单个 Lyapunov 函数来同时吸收由以下因素引起的扰动：
- 截断无限 Volterra 级数产生的误差。
- 在线参数估计误差。
- 神经算子的近似误差。
神经算子实现（定理 2）： 本文证明了使用离线训练的神经算子代理替代在线 PDE 级联求解可以保持闭环稳定性。随着近似误差趋于零，基于神经算子的控制器的吸引域会扩大至与精确核控制器的吸引域一致。
核映射的 Lipschitz 连续性： 文中提供了一个严谨的证明，表明核生成算子 $Q_N$ 在参数估计空间上是 Lipschitz 连续的，这是神经算子具备通用逼近能力的前提条件。

结果

理论保证： 定理 1 确立了精确核情况下植物状态、观测器状态及输入的 Lyapunov 稳定性与渐近调节性。定理 2 将这些保证扩展到神经算子实现，表明只要初始条件位于特定吸引域内且神经算子的精度足够，系统仍能保持稳定并调节至零。
数值演示： 通过一个二次 Volterra PDE（ $N=2$ $N = 2$ ）的仿真展示了该设计。结果表明：
- 开环系统会在有限时间内发散。
- 自适应闭环系统成功将状态调节至零。
- 参数估计值和神经算子的输出核函数较早地收敛并趋于稳定，而植物状态则在传输时间尺度上较慢地衰减。
- 由于一旦状态消失便缺乏持久激励，估计值不一定收敛于真实的植物参数，但它们足以生成使系统稳定的核函数。
- 神经算子显著降低了在线计算成本（每步 0.17 ms，而数值级联求解为 0.64 ms），同时保持了较低的近似误差（约 $2 \times 10^{-2}$ ）。

意义
本文声称解决了一个无穷维自适应控制中的根本瓶颈：即随着植物估计值的演化，无法实时重新计算高维复杂反馈增益的问题。通过将复杂的核 PDE 级联求解（通过神经算子在离线处理）与在线自适应环路解耦，作者实现了对具有未知 Volterra 非线性的非线性双曲型 PDE 进行自适应反步控制的实际部署。这项工作弥合了 PDE 自适应控制理论与实时实现之间的鸿沟，特别解决了非线性级联中未知线性核带来的独特困难。