A novel higher-order internal model-based boundary iterative learning algorithm for hyperbolic systems with sensor-actuator network

在工程领域，许多机器和过程并非仅仅是简单的、孤立的点，而是随空间和时间变化的广阔且连续的场。想象一下在风中摇曳的长而柔韧的大桥，或是热量在金属棒中不均匀地扩散。为了控制这些复杂的系统，工程师通常依赖一种称为迭代学习的技术。想象一个机器人手臂重复执行一千次相同的焊接任务：通过每一次尝试，机器人都会记住前一次尝试中的错误，并微调其动作，随着重复次数的增加变得越来越精准。当任务每次都完全一致时，这种方法效果极佳。然而，现实世界很少如此可预测。通常，目标本身在每一次尝试中都会发生变化。工厂可能需要焊接略有不同的图案，或者火车需要停靠在一个新的车站。当目标在每一次尝试中都移动或改变形状时，标准的学习方法往往会陷入困境，因为它们无法适应，因为它们正在寻找一个已不存在的模式。

这正是针对双曲系统（hyperbolic systems）的一项新研究所解决的具体挑战。双曲系统是一类用于描述在空间中传播的波和信号的数学模型，例如结构中的振动或管道中的流体流动。研究人员毛满奇（Manqi Mao）解决了在期望路径随每次迭代而变化时如何控制这些系统的问题。在许多实际情况下，将传感器和控制装置放置在系统的深处成本过高或在物理上无法实现。相反，工程师必须仅在系统的边缘或边界处施加控制。研究人员开发了一种新算法，使系统能够学习如何追踪一个移动的目标，即使该目标在每一次尝试中都会改变其模式。通过使用一种被称为“高阶内模”（high-order internal model）的特定数学结构，该算法可以预判期望路径将如何变化，而不是仅仅在错误发生后做出反应。

研究人员设计了一种控制策略，它不仅仅是简单地重复同样的修正。相反，它构建了一个关于目标轨迹如何演化的预测。他们创建了一个系统来估计机器的内部状态，并利用该估计值生成一个新的控制信号，随后该信号会在下一次尝试中得到优化。为了证明其有效性，研究人员在两种不同的场景下进行了详细的计算机模拟。在第一个示例中，他们模拟了一个没有时间延迟的系统，即控制动作会立即生效。他们将系统设定为跟随一个根据特定规则变化的目标，该目标在每次迭代中都会改变其形状。结果显示，新算法成功引导系统追踪到了目标。经过二十次尝试后，实际路径与期望路径之间的差异变得极其微小，误差稳定在小于 0.0026 的水平。相比之下，传统的控制方法由于没有考虑到这些变化的目标，导致无法收敛，使系统留下了巨大的持续误差。

第二个模拟引入了一层复杂性：时间延迟。在许多现实世界的系统中，指令发出与系统响应之间，或者传感器测量数值与该信息被使用之间，都存在滞后。研究人员在这样一个系统中测试了他们的算法：机器在任何时刻的状态都取决于其前一瞬间的状态。即使存在这种延迟，新方法依然证明了其有效性。在这种情况下，系统在十六次迭代内就达到了极高的精度，将追踪误差降低到了 0.005 以下。传统方法再次表现挣扎，随着迭代的进行，其性能并未得到改善。这些模拟表明，所提出的方法不仅是一个理论构想，更是一个能够处理变化任务和延迟响应等复杂现实情况的实用工具。

成功的核心在于该算法如何处理任务的“迭代变化”性质。该系统并非假设目标是固定的，而是将目标的改变视为一种可以被学习和预测的模式。通过引入高阶内模，控制器本质上学习了目标变化的“语法”。这使得它能够在误差发生之前，就准备好正确的控制输入。这项研究证实，通过使用这种预测性方法，即使在期望路径在每次试验中都不相同时，也能实现对复杂类波系统的精确边界控制。研究结果表明，对于处理柔性结构、流体动力学或任何目标随时间演化的系统的工程师来说，现在有了一种更稳健的方法，可以确保机器在一次又一次的迭代中，都能精准地完成既定任务。