arXiv機器人專業

基於收縮動力學表徵學習的複合自適應控制框架

Learning Contractive Dynamical Representations for Composite Adaptive Control

2026/09/292 分鐘閱讀

30 秒看懂

本文提出一種新型的表徵學習框架，用於解決動態耦合擾動下的複合自適應追蹤控制問題。研究團隊將傳統的擾動容許控制（DAC）與現代最後一層自適應擾動抑制方法相結合，透過「硬性期望最大化」（hard-EM）程序與卡爾曼平滑器，識別出具備均勻收縮特性的隱含動態擾動表徵。該方法在攜帶晃動液體與擺錘負載的打滑地面車輛，以及杜芬振盪器系統上完成了實驗驗證，展現出優於傳統 LTI 基準與 PD 控制的預測精度與追蹤性能。

核心重點

橋接經典控制與自適應學習

成功將傳統的擾動容許控制（DAC）與現代最後一層自適應擾動抑制方法連結，提升預測控制能力。

具收縮保證的統計學習

採用硬性 EM 程序配合卡爾曼平滑器，學習均勻收縮的隱含擾動狀態，確保系統穩定性。

理論保證的指數收斂

結合學習到的隱含狀態貝氏濾波，提供複合自適應追蹤控制高於傳統方法的指數收斂至有界鄰域保證。

複雜物理場景驗證

在攜帶液體晃動水箱及單擺負載的打滑地面車輛，以及雙耦合杜芬振盪器系統上成功驗證其強韌性。

技術圖解

收縮動力學表徵學習與自適應控制架構

為什麼重要

此研究為控制工程與機器學習的結合帶來了重要突破。傳統控制在面對複雜非線性擾動（如液體晃動或摩擦打滑）時難以建立精確模型，而純機器學習控制又缺乏穩定性保證。本框架在提供強大擾動預測與適應能力的同時，給出了數學上的指數收斂保證，對於安全要求極高的自動駕駛、無人機載運及機器人控制等領域具有實用價值。

對誰有影響

AI 研究人員
AI 開發者
企業決策者

可以怎麼使用

1自動駕駛車輛在結冰或打滑路面上的軌跡控制
2載運晃動液體或懸吊貨物的運輸無人機與機器人操控
3面臨強烈動態耦合非線性干擾的工業精密定位系統

限制與注意事項

需要在線或離線執行 Expectation-Maximization（EM）與卡爾曼平滑，運算開銷可能較高。
系統收斂僅保證至一個有界鄰域（Bounded Neighborhood），而非完全消除追蹤誤差。