在机器人技术和自动驾驶领域，机器一直在试图追踪一条路径，无论是无人机追踪移动目标，还是机械臂组装精密部件。挑战在于，这些机器往往对其自身的内部状态并不确定；它们并不总能看到自己的速度或加速度，只能看到当前的位姿。此外，驱动它们的物理电机具有硬性限制。它们不能无限快地旋转，也不能施加无限大的推力。如果控制器要求电机执行不可能完成的任务，机器就会踉跄、迷失方向，甚至损坏。几十年来，工程师们一直致力于为这些机器设计一种“大脑”，使其能够在看不全全局图景的情况下保持轨迹，同时尊重其肌肉（物理极限）的严格限制。目标是确保机器始终处于一个安全的、不断缩小的误差范围内，在不撞上自身限制之墙的前提下，越来越接近目标。
现在，一组研究人员开发出了一种新的控制策略，解决了这类复杂机器中这一难题。他们的工作聚焦于这样一种系统：期望路径并非预先写好的脚本，而是实时测量的，例如一辆车追逐另一辆正在变换方向的汽车。在这种情况下，机器无法依赖于预知未来的路径或自身的隐藏内部速度。研究人员创建了一个鲁棒系统，该系统仅利用可见的输出——即当前的位姿误差——来引导机器。他们引入了一种新型观测器，这是一种数学工具，充当着“眼睛”的角色，能够高精度地估计隐藏的速度和加速度。与那些往往会放大噪声或需要巨大的、不稳定的增益才能工作的旧方法不同，这种新观测器可以动态地调整其灵敏度。当误差较大时，它变得敏锐；当机器趋于稳定时，它则变得平缓，从而确保估计值保持准确，而不会被现实传感器中常见的静态干扰和噪声所扰乱。
这项创新的核心是一个使机器的性能目标与其可用动力相适应的机制。想象一名跑步者被告知要在特定时间内到达终点。如果这名跑步者强壮健康，他就会冲刺。但如果他受伤了或者背负着重物，目标就会随之调整：他仍被要求完成比赛，但时间线会根据他当前的能力进行延伸。同样，这种新控制器会不断监测机器距离达到电机极限还有多远。如果电机正处于吃力的状态，控制器会暂时放宽误差缩减的速度，防止系统提出超出电机所能提供的动力需求。这能防止机器停滞或变得不稳定。一旦电机有了喘息的空间，控制器就会再次收紧要求，将误差降低到极小的、预定义的尺寸。这种动态调整确保了机器始终在物理安全区内运行，同时实现最佳性能。
为了证明其理念可行，研究人员在两个截然不同的物理模型上测试了它：一个带有类似弹簧般弯曲关节的柔性机械臂，以及三角翼飞机的滚动运动。在第一个测试中，机械臂必须追踪正弦波路径，同时其电机在推力大小和推力变化速率方面都受到限制。即使在电机达到极限时，新控制器也能将机械臂的追踪误差保持在安全边界内。估计的速度和位置与实际情况高度吻合，且施加给电机的控制信号非常平滑，避免了其他系统常有的那种剧烈、不规则的跳动。在涉及飞机的第二个测试中，系统必须处理一种天生具有不稳定倾向的滚动运动。即使研究人员将电机能提供的最大力量降至极低水平，新控制器仍能保持飞机的稳定并使其按既定航向飞行。相比之下，那些未能适应这些严苛限制的旧方法则失败了，导致飞机失去控制并发生旋转。
研究还考察了该系统如何处理来自现实世界传感器的静态干扰和噪声。当研究人员在数据中加入随机测量噪声时，新控制器依然能够精确地追踪路径。更重要的是，它发送给电机的控制信号保持得异常平滑。面对同样的噪声，其他方法产生的控制信号会出现锯齿状、震荡式的指令，这可能会磨损电机或损坏精密机构。研究人员发现，他们的这种方法无需了解机器物理特性的确切数学细节或干扰的性质，即可实现这种平滑性。他们证明了，通过结合一种智能的自适应观测器和一个尊重机器物理极限的控制器，即使在最具不确定性和约束的环境中，也能实现可靠、高精度的追踪。这项工作表明，该框架可以成为下一代必须在现实世界中安全高效运行的自主系统的实用解决方案。
技术摘要：不确定高阶非线性系统的输出反馈自适应性能控制
问题陈述
本文研究了在两种关键约束下执行动态跟踪任务的不确定高阶非线性系统的控制问题：硬性执行器限制（幅值和变化率）以及有限的反馈可用性。在所考虑的框架中，仅系统输出误差是可测量的；系统内部状态以及期望轨迹的导数是不可获取的。这种场景在自动驾驶车辆和机器人系统等应用中非常典型，其中参考轨迹（例如移动目标）是通过传感器实时确定的，导致其高阶导数未知。挑战在于设计一种控制器，在确保所有闭环信号保持有界的同时，保证用户定义的瞬态和稳态性能指标，尽管存在模型不确定性、测量噪声以及无法获取全状态信息或轨迹导数的情况。
方法论
提出的解决方案将一种新型的预设性能观测器 (Prescribed Performance Observer, PPO) 与 自适应性能控制 (Adaptive Performance Control, APC) 框架相结合。
自适应性能控制 (APC)： 基于前人的工作，APC 方法通过动态调整性能规范来适应硬性输入约束。不同于静态性能漏斗，所提方案引入了一个依赖输入的收敛速率函数。该机制允许系统在执行器未饱和期间，利用可用的控制量在瞬态阶段加速向稳态集的收敛；而在发生饱和时，则放宽性能约束以确保可行性。控制律通过涉及饱和函数和自适应性能包络线 (ρu,ρr) 的动态控制律，显式处理幅值 (u∈[−uˉ,uˉ]) 和变化率 (u˙∈[−rˉ,rˉ]) 约束。
预设性能观测器 (PPO)： 为了解决状态测量缺失的问题，作者设计了一种扩展了标准高增益观测器 (HGO) 的非线性观测器。PPO 采用时间与误差相关的动态增益。具体而言，它利用性能函数 r(t) 和变换 T(⋅) 根据输出估计误差注入修正项。
- 结构： PPO 保留了标准 HGO 的计算简单性（阶数为 O(n)），但避免了需要固定高增益的情况，而高增益通常会放大测量噪声或引起峰值现象。
- 增益动力学： 注入增益是动态变化的。虽然时间相关系数呈指数级减小，但经过变换后的注入结果在稳态时的微分增益阶数为 O(n)，与经典 HGO 类似，但具有更平滑的瞬态响应。
- 复杂度： PPO 比标准扩展状态观测器 (ESO) 少一个状态，且计算复杂度与 HGO 相当。
分离原理与稳定性： 本文建立了分离原理，证明了该输出反馈方案可以恢复其状态反馈对应的性能。通过选择足够小的观测器最终精度界限 (r∞)，使观测器动力学比控制器动力学收敛更快。利用奇异摄动技术和李雅普诺夫稳定性理论进行的理论分析表明，只要执行器限制满足特定的可行性条件，所有闭环信号都将保持一致最终有界，且跟踪误差将指数级收敛到原点的一个预定义邻域内。
核心贡献
- 新型 PPO 设计： 引入了一种具有时间及误差相关注入增益的非线性观测器，能够在不需要植物模型信息的情况下提供快速的瞬态误差校正，同时保持标准 HGO 的低计算成本。
- 依赖输入的收敛速率： 这是对现有 APC 文献的突破，本研究提出了一个基于可用控制量的动态调整收敛速率函数。这使得系统能够在硬性输入约束下，通过在瞬态期间显式利用控制能力来加速收敛。
- 统一的输出反馈框架： 开发了一种集成 PPO 与 APC 的控制架构，用于同时处理硬幅值和变化率约束。不同于以往依赖启发式增益调节或虚拟饱和限制的漏斗式输出反馈方法，该方案提供了严格的可行性条件，以保证有界信号和预设性能。
仿真结果
所提方案的有效性通过三个仿真研究得到了验证：
- 柔性关节机器人： 一个 4 阶系统展示了在幅值和变化率限制下的精确跟踪和光滑控制输入应用，其中 PPO 在短暂瞬态后实现了高估计精度。
- 翼摇运动控制： 应用于三角翼飞机模型，该控制器在重度输入饱和 (uˉ=0.7) 条件下仍能成功恢复状态反馈性能，而现有文献中的对比 HGO 控制器因内部不稳定而失败。结果突显了该方法对不同初始条件和观测器参数的鲁棒性。
- 船舶航向控制（对比研究）： 将所提控制器与漏斗控制及其他自适应方法在船舶模型上进行对比。所提方案在不需要先验输入增益或轨迹导数知识的情况下，实现了更快的收敛速度和更小的稳态误差。
- 噪声鲁棒性： 在存在测量噪声的情况下，与表现出由于噪声放大而产生抖动的竞争对手相比，所提控制器产生的控制信号明显更加平滑。虽然 PCC 的噪声敏感性被指出是一个需要未来研究解决的局限性，但变化率限制机制有效地减轻了不利影响。
意义与主张
本文声称为不确定非线性系统提供了一个结合了鲁棒性、高性能控制和严格处理执行器约束的统一解决方案。其意义在于，能够在反馈受限和硬性执行器约束存在的情况下，保证自适应性能规范，且无需依赖显式的系统动力学或扰动模型。作者强调，通过动态调整性能漏斗，所提框架确保了在物理执行器限制内的“最佳可行性能”。虽然该方法通过不利用显式模型知识引入了一定的保守性，但它为模型不确定性和执行器饱和普遍存在的实际应用提供了一个鲁棒的替代方案。研究结论指出，虽然 PPO 有效平衡了估计精度与计算简单性，但未来仍需进一步研究以降低其对测量噪声的敏感性。
每周获取最佳 computer science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。