基于物理信息神经网络(PINN)的可信AI控制框架
无需训练数据集、严格满足稳定性理论要求的PINN控制网络;结合黎曼流形与收缩分析的鲁棒控制收缩度量(RCCM)。成果已被CDC 2026与AIAA 2027 SciTech Forum录用。
时间: 2025/08至2026/03 · 多伦多大学航空航天研究院
- 领导两人团队(1博士、1硕士),提出一种基于物理信息神经网络(Physics-Informed Neural Networks,PINNs)的非线性控制训练方法,使神经网络能够在完全没有训练数据集的情况下,根据系统的多体动力学方程自动生成鲁棒控制算法,实现复杂系统控制方案的快速生成。相比于传统的机器学习控制,PINN生成的控制方法严格满足控制稳定性的理论要求,实现了基于神经网络的可靠控制方案。
- 通过微分几何,将PINN与黎曼流形理论相结合,实现了对无人机及机器人空间姿态的无奇异控制。结合收缩分析(Contraction Analysis)控制理论,将鲁棒控制问题转化为偏微分方程求解问题,进而使用PINN求解偏微分方程,实现具备稳定性保证的控制网络。
- 首次提出将PINN与黎曼流形相结合的鲁棒控制理论(鲁棒控制收缩度量,Robust Control Contraction Metrics,RCCM),在系统存在外界未知扰动和参数不确定的情况下,仍能保证控制精度。
- 本研究提出的基于PINN的AI控制框架可广泛应用于无人系统控制和具身智能控制中。
- 成果已被国际控制领域顶级会议IEEE Conference on Decision and Control(CDC 2026)和AIAA 2027 SciTech Forum录用,参考学术成果:“Neural Robust Control on Lie Groups Using Contraction Methods”(CDC 2026)、“Contraction-based Neural Control for Cooperative Aerial Payload Transportation with Variable-length Cables”(AIAA 2027 SciTech Forum)。
理论框架简介
两篇论文的核心思路一致:将稳定性要求转化为关于黎曼度量的条件,再由神经网络在采样状态上同时求解满足这些条件的度量与控制器。整个过程不需要示教数据,只需要系统的运动方程。
背景知识
A. 什么是收缩分析。 李雅普诺夫分析关心轨迹是否收敛到某一个平衡点;收缩分析(Lohmiller与Slotine,1998)提出了更强的问题:任意两条相邻轨迹是否彼此收敛?它研究微分(虚拟)动力学 \(\delta\dot{x} = A(x)\,\delta x\)(其中 \(A = \partial f / \partial x\)),并用黎曼度量 \(M(x) \succ 0\) 衡量 \(\delta x\) 的长度。若该长度以统一速率 \(\lambda\) 衰减,
\[\frac{d}{dt}\big(\delta x^\top M(x)\,\delta x\big) \le -2\lambda\, \delta x^\top M(x)\,\delta x \quad \Longleftrightarrow \quad \dot{M} + \langle M A \rangle + 2\lambda M \preceq 0 ,\]则所有轨迹以指数速度彼此收敛。当 \(\underline{m} I \preceq M \preceq \overline{m} I\) 时,
\[\lVert x_1(t) - x_2(t) \rVert \le \sqrt{\overline{m}/\underline{m}}\; e^{-\lambda t}\, \lVert x_1(0) - x_2(0) \rVert .\]为什么用于控制。
- 跟踪而不只是镇定。 既然所有轨迹彼此收敛,系统就会收敛到规划器给出的任意可行参考轨迹 \((x^*, u^*)\),无需为每条轨迹重新构造李雅普诺夫函数。
- 逐点条件。 稳定性证书是每个状态 \(x\) 上的矩阵不等式,可以在采样状态上逐一检验,或作为损失函数逐点惩罚,这正是神经网络训练所需要的形式。
- 可量化的鲁棒性。 扰动作为额外输入进入微分动力学,从而得到明确的增益上界和误差管道,而不只是定性的“稳定”结论。
B. 控制收缩度量(CCM)。 Manchester与Slotine(2017)将收缩理论推广到带输入的系统 \(\dot{x} = f(x) + B(x)u\)。CCM是这样一种度量:存在微分反馈 \(\delta u = K(x)\,\delta x\) 使闭环系统收缩,即 \(\dot{M} + \langle M(A + BK) \rangle + 2\lambda M \preceq 0\)。引入对偶度量 \(W = M^{-1}\),并令 \(B_\perp\) 张成控制输入无法作用的方向(\(B_\perp^\top B = 0\)),可得到与 \(u\) 无关的充分条件:
\[B_\perp^\top \Big( -\partial_f W + \big\langle \tfrac{\partial f}{\partial x} W \big\rangle + 2\lambda W \Big) B_\perp \prec 0, \qquad \partial_{b_i} W - \big\langle \tfrac{\partial b_i}{\partial x} W \big\rangle = 0 .\]第一个条件要求系统在控制器无法作用的方向上自行收缩;第二个条件要求度量沿控制输入方向保持不变(\(b_i\) 为Killing向量场),从而控制器能够使这些方向收缩。只要这样的度量存在,就存在能跟踪任意可行轨迹的控制器。鲁棒版本(RCCM;Manchester与Slotine,2018)进一步引入扰动输入,把收缩性转化为下文使用的 \(\mathcal{L}_\infty\) 增益上界。
C. 李群。 李群是同时具有群结构的光滑流形。无人机、负载或机器人连杆的姿态都是旋转:
\[SO(3) = \{\, R \in \mathbb{R}^{3\times 3} : R^\top R = I_3,\ \det R = 1 \,\}, \qquad \dot{R} = R\, \omega^\wedge ,\]其中 \(\omega^\wedge\) 是角速度 \(\omega\) 的反对称矩阵。欧拉角等坐标表示存在缺陷:俯仰角为 \(\pm 90^\circ\) 时出现奇异(万向节锁),且会扭曲距离;四元数则对每个旋转有两种表示。直接在群上建模则全局有效。任何李群都是可平行化的:在任意 \(R\) 处的速度都可写成 \(R\,\xi^\wedge\)(\(\xi \in \mathbb{R}^3\)),因此存在一个处处张成切空间的光滑基 \(S(x)\),任意切向量都可写成 \(\delta x = S(x)\,v\),其中 \(v\) 为内蕴坐标。
D. 为什么CCM需要李群视角。 CCM理论建立在 \(\mathbb{R}^n\) 上。用 \(R\) 的9个元素存储的旋转只有3个自由度,若在 \(\mathbb{R}^9\) 上使用欧氏度量,就必须在另外6个离开 \(SO(3)\)、没有物理意义的方向上也满足收缩条件。两篇论文改为在内蕴坐标 \(v\) 下描述微分动力学,只在切空间上寻找更低维的度量 \(\mathcal{M}(x)\),再通过投影 \(P_S = S(S^\top S)^{-1}\) 提升回原空间:
\[\delta x = S\,v, \qquad B = S\,E, \qquad B_w = S\,E_w, \qquad M(x) = P_S(x)\, \mathcal{M}(x)\, P_S(x)^\top .\]由此,稳定性证书对任意姿态都成立且无奇异。误差以流形上的距离衡量,旋转误差采用李代数误差 \(\varepsilon_r = \tfrac{1}{2}\big(R^{*\top} R - R^\top R^*\big)^\vee\)。矩阵条件的维数也随之降低:三机协同负载系统的状态是嵌入在 \(\mathbb{R}^{30}\) 中的24维流形,因此神经网络学习的是 \(24\times 24\) 而非 \(30\times 30\) 的度量。
主要成果
1. 李群上的系统。 系统状态位于流形 \(\mathcal{X}\) 上(例如四旋翼的 \(\mathbb{R}^3 \times SO(3)\) 及其速度),扰动为 \(w\),输出为 \(z\),控制律围绕参考轨迹 \((x^*, u^*)\) 设计:
\[\dot{x} = f(x) + B(x)\,u + B_w(x)\,w, \qquad z = g(x,u), \qquad u = k(x,x^*) + u^* .\]与D中相同,微分长度在切空间上度量:\(V = v^\top \mathcal{M}(x)\, v\),其中 \(\delta x = S(x)\,v\)。
2. 鲁棒控制收缩度量(RCCM)。 若存在一致有界的度量 \(\mathcal{M}(x)\) 及常数 \(\lambda, \mu > 0\),使得
\[R_1 = \begin{bmatrix} \dot{\mathcal{M}} + \langle \mathcal{M}\mathcal{A} \rangle + 2\lambda\mathcal{M} & \mathcal{M}E_w \\ E_w^\top \mathcal{M} & -\mu I_p \end{bmatrix} \preceq 0, \qquad R_2 = \begin{bmatrix} 2\lambda\mathcal{M} - \alpha^{-1}\mathcal{C}^\top\mathcal{C} & 0 \\ 0 & (\alpha-\mu) I_p \end{bmatrix} \succeq 0,\]则闭环系统从扰动到输出具有 \(\mathcal{L}_\infty\) 增益 \(\alpha\)。其中 \(\mathcal{A}\) 与 \(\mathcal{C}\) 为内蕴坐标下的闭环微分动力学与输出映射。
3. 理论保证。 跟踪误差由扰动大小界定:
\[\lVert z - z^* \rVert^2_{\mathcal{L}_\infty^{[0,T]}} \le \alpha^2 \, \lVert w - w^* \rVert^2_{\mathcal{L}_\infty^{[0,T]}} + \beta\big(x(0), x^*(0)\big),\]因此在暂态过后,输出始终位于参考轨迹附近的管道 \(\Omega(z^*) = \{\, y : \lVert y - z^* \rVert \le \alpha \bar{w} \,\}\) 之内。
4. 用神经网络学习稳定性证书。 控制器与对偶度量 \(\mathcal{W} = \mathcal{M}^{-1}\) 均由神经网络表示,其结构保证 \(k_{nn}(x,x) = 0\) 与 \(\mathcal{W} \succeq \overline{m}^{-1} I\) 自动成立:
\[k_{nn}(x,x^*) = K_1(x,x^*;\theta_{k_1}) \tanh\!\big(K_2(x,x^*;\theta_{k_2})\, \varepsilon(x,x^*)\big), \qquad \mathcal{W}(x) = \Theta(x;\theta_w)^\top \Theta(x;\theta_w) + \overline{m}^{-1} I .\]二者在工作区域内的采样状态上联合训练,损失函数惩罚对上述条件的任何违反:
\[\mathcal{L}_k = \mathrm{L_{PD}}(-R_1) + \mathrm{L_{PD}}(R_2) + \mathrm{L_{PD}}(-C_1) + \sum_i \lVert C_{2,i} \rVert_F + \sum_j \lVert C_{3,j} \rVert_F + \mathrm{L_{PD}}(\underline{m}^{-1} I - \mathcal{W}) + \mathrm{ReLU}(\alpha - \underline{\alpha}),\]其中 \(\mathrm{L_{PD}}\) 惩罚非半正定矩阵,\(C_1\) 要求无控系统在控制输入无法作用的方向上收缩,\(C_{2,i}, C_{3,j}\) 要求控制输入与扰动方向为度量的Killing向量场(CDC 2026)。
5. 应用:变长度绳索多无人机协同负载运输(AIAA SciTech 2027)。 对于三架无人机吊运刚体负载的系统,运动方程被整理为负载与绳长分别由独立控制通道驱动的解耦形式。负载子系统 \(\Sigma_p\)(状态空间为 \(\mathbb{R}^{21} \times SO(3)\))采用神经CCM控制器,满足
\[C_{CCM} = \dot{\mathcal{M}} + \langle \mathcal{M}\mathcal{A} \rangle + 2\lambda\mathcal{M} \preceq 0,\]而绳长子系统是一个简单的双积分器,由独立的绳长跟踪器控制:
\[\Sigma_l: \quad \frac{d}{dt}\begin{bmatrix} l \\ \dot{l} \end{bmatrix} = \begin{bmatrix} \dot{l} \\ 0 \end{bmatrix} + \begin{bmatrix} 0 \\ I_N \end{bmatrix} \tilde{f}_{\parallel},\]因此编队可以通过收短绳索穿越高度受限的门框,如上方仿真所示。