联系我们：

　　近年来，跟着人工智能手艺的普遍使用，以数据为焦点的系统表征方式敏捷渗入到节制范畴，节制系统的设想方式正送来一场从模子驱动向数据驱动的范式变化，即从保守的模子驱动节制（modelic control，即model-driven control）到数据驱动节制（datatic control，即data-driven control）。对于节制系统而言，系统的不变性、可控性及尺度型是节制理论的根基问题。数据驱动节制不依赖于被控对象的数学模子，而是间接通过输入/输出（I/O，Input /Output）数据取节制器毗连，并按照 I/O 数据对系统形态进行调整。其长处是节制器的设想不依赖于复杂的系统模子，但却无法节制系统的不变性和鲁棒性。因而，需要建立基于数据的节制机能定义和阐发方式，以进一步完美数据驱动节制的理论框架。近年，大学李升波教讲课题组正在数据驱动节制系统（datatic control system）的特征阐发方面，取得了一系列原创性理论 [1-3]。该研究团队自创保守节制理论的根本理论，提出了一套全新的数据驱动阐发框架，包罗系统数据描述体例的特点取限制、用于不变性查验的 η-查验算法、从“切确可控性”到“微域可控性”概念拓展，用于可控性查验的 MECS 算法，以及用于锻炼算法机能提拔的数据描述尺度型等。系统不变性方面，提出了首个合用于数据驱动节制系统的不变性鉴定算法 η-查验，处理了数据描述体例空间不持续形成的不变性鉴定难题：操纵系统动力学的利普希茨持续性（Lipschitz continuity），将离散数据点上的形态转移消息延拓到未知的持续空间，并据此计较出李雅普诺夫（Lyapunov）函数的导数，从而鉴定系统的李雅普诺夫不变性。数据尺度型方面，提出了一种基于数据的系统描述新形式，每个尺度形式的样本由转移和属性构成，别离用于描述系统变化纪律和报酬定义特征。恰当添加的属性组分，不只便于提拔系统描述的精确性，还能提拔最优节制策略的锻炼效率，为数据驱动节制算法的高效实现供给新的思。系统可控性方面，提出了用于数据驱动节制系统的“微域可控性”概念，将保守的点对点可控性拓展到点对区域的形式，进而将形态转移消息从离散数据点延拓到数据点之间的持续空间中。基于这一道理，该研究团队提出了首个数据驱动节制系统的可控性查验算法 MECS（maximum expansion of controllable subset），通过树搜刮迭代寻找系统的微域可控形态。这三项研究既具有联系又互为弥补，通过从头定义数据驱动系统的不变性、尺度型及可控性，为阐发该类系统的特征供给了核默算法和适用东西，这对数据驱动节制器的分析设想具有主要的指点意义。第一次工业通过普及机械化手艺，为后来的从动化奠基了根本。第二次工业通过电气化和通信手艺，初步实现了模仿从动化。正在第三次工业中，借帮于计较机取半导体手艺，通过数字信号实现从动化的手艺趋于成熟。进入第四次工业后，以人工智能为焦点手艺，融合大数据、云计较和物联网等手艺，实现了从到决策的智能飞跃。从动节制范畴的理论成长汗青长久，正在保守的模子驱动节制范式下，已构成了一套全面且普适的根本理论。然而，正在人工智能时代，从动节制系统的设想范式已发生变化，从利用传送函数、形态空间为根本的节制器设想取优化，过渡到利用数据锻炼和优化以参数化函数为根本的节制器。李升波指出，“以从动驾驶范畴为例，因为车辆模子非线性，车辆之间交互随机，车辆行驶场景复杂，很难利用一个特定的动力学模子对其进行切确描述。因而，从动驾驶的、决策和规划正在数据驱动范式下进行研究会有更好的结果。”恰是因为保守的模子驱动方式依赖于建模的切确性，导致复杂系统的建模变得坚苦，因而间接操纵系统生成的数据来设想节制器，成为人工智能范式下从动节制范畴研究的环节标的目的。因为模子驱动范式取数据驱动范式之间存正在显著的不同，因而到目前为止，数据驱动范式下的节制理论系统尚未完全成立，且无法间接用模子驱动的理论进行迁徙。起首，模子驱动范式理论利用模子来描述，正在复杂系统下存正在建模误差，而数据驱动范式则通过离散的形态转移数据点对系统进行切确描述，但数据点之间存正在着间隙，这导致数据点之间的系统消息无法间接获得。其次，正在理论层面，保守模子驱动范式下的节制算法设想以矩阵阐发为根本，除此之外，二者的节制策略承载体也存正在差距，前者依赖于显式的节制方程 (如黎卡提方程)，尔后者依赖于参数化的神经收集。综上所述，保守模子驱动范式下的根本理论正在数据驱动范式下并不合用。因而，若何正在数据驱动范式下成立系统的尺度型、不变性鉴定和可控性鉴定等根本理论，成为数据驱动范式下起首需要回覆的问题。正在模子驱动的节制系统中，不变性判论已较为成熟。晚期的理论包罗劳斯-赫尔维茨（Routh-Hurwitz）判据和奈奎斯特（Nyquist）判据，它们是典范节制理论的主要根本。此后，由数学家亚历山大·米哈伊洛维奇·李雅普诺夫（Aleksandr Mikhailovich Lyapunov）提出的李雅普诺夫不变性及其判论是使用最为普遍的不变性理论，这也为现代节制理论的兴起奠基了根本。模子驱动的不变性判论依赖已知的系统动力学模子。例如，鉴定李雅普诺夫不变性需要操纵动力学模子计较持续空间中，李雅普诺夫函数对时间的导数。然而，正在数据驱动的节制系统中，数据点只能供给空间上离散的系统描述，因而数据点之间的描述缺失导致模子驱动的不变性判论不合用于数据驱动的系统。这一算法的根基道理是操纵系统动力学的利普希茨持续性，将数据点上的形态转移消息延拓到未知区域，并据此计较出李雅普诺夫函数的导数，从而鉴定系统的李雅普诺夫不变性。尝试表白，η-查验算法可以或许精确鉴定数据驱动节制系统的不变性、不不变性和临界不变性。该研究为数据驱动系统的不变性鉴定供给了无效方式。该工做的第一做者、大学博士生杨雨杰暗示：“若是有了数据驱动的系统不变性鉴定算法，就能够仅依赖数据，正在将节制器使用于现实系统之前，事先判断出其不变性。这对数据驱动节制算法的设想具有主要的指点意义。锻炼算法往往涉及大量的迭代计较，若是没相关注数据样本的内正在特征（例如性、局部性等），往往导致每步锻炼迭代城市反复计较一些所需消息（例如各样本之间的范数距离等），添加了不需要的计较承担。该研究工做的第一做者、每一步的动做都影响了下一步的形态，而下一步的形态又决定了将来的形态，这种关系链贯穿于整个形态转移和节制动做的序列。局部性是指每步的节制动做至少依赖于无限的汗青交互消息，这答应了正在线采样过程高效计较取存储锻炼所需的消息。”每个数据样本由转移和属性两个部门构成，其曲达移用于描述系统的变化纪律，属性用于描述报酬定义的特征。恰当添加的属性组分不只能够辅帮系统描述，还能为节制器的锻炼供给便当并提高效率。尝试表白，采用尺度形式的数据能够将节制器的锻炼时间从 21 小时缩短至 7 小时，效率提高近 3 倍，同时显著削减了锻炼中的不不变现象。李升波暗示：“研究提出的数据尺度型用少量的存储空间换取了显著的时间劣势，填补了基于数据的系统描述尺度形式的空白，为提高数据驱动算法效率供给了新的标的目的。”可控性是节制系统的一项根基属性，判断一个系统能否具有可节制性是节制理论研究的焦点问题之一。正在模子驱动的系统中，已有普遍的研究关心可控性判论。该研究工做的做者之一、大学博士生陶乐天暗示，虽然模子驱动的节制系统正在可控性查验的理论方面曾经趋近成熟，但因为数据驱动的节制系统只能依赖于离散的数据点，这了对系统行为的完整描述。因而，保守基于模子的可控性查验方式对于数据驱动的节制系统来说并不合用。为处理上述问题，研究人员第一次提出“微域可控性”概念和其查验方式，用于处理数据驱动节制系统空间描述不完整的可控性查验难题。取之分歧，微域可控性将切确的点对点可控性延长至点对区域的形式，关心系统形态能否可以或许转移到方针形态附近的一个小邻域内。这一概念将形态转移消息从离散的数据点，扩展到数据点之间的持续空间中。基于微域可控性的定义，研究人员提出了首个合用于一般非线性数据驱动节制系统的可控性查验算法——MECS。该算法通过对可控形态树进行搜刮，迭代进行选择、扩展、评估、修剪四个步调，从而寻找最大可控集。尝试成果表白，MECS 算法仅通过数据就能鉴定数据集中的微域可控形态，进而查验系统的可控性。“有了微域可控性的概念，我们就能够纯粹靠数据来查验一个系统对象能否具有可控性，而正在此之前这是无法实现的。之前的方式需要先成立一个显式的系统动力学模子，然后再根据该模子来查验系统的可控性。很较着，若是模子不精确，系统的可控性查验也是不精确的。”该工做的配合研究者、大学博士生杨雨杰说。不变性、尺度型和可控性是节制系统研究的基石，正在数据驱动的系统描述范式下，这些概念获得了进一步的完美和成长。李升波及其课题组的研究生们通过深切研究这三个焦点问题的素质属性，建立了一套全新的数据驱动阐发框架，为将来“人工智能+从动节制”范畴的交叉研究奠基了主要根本。然而，保守方式往往依赖于切确模子和人工法则，难以操纵数据实现机能提拔，正在面临未知或复杂交通场景时智能性遭到，凡是只能实现 L1 或 L2 级辅帮驾驶功能。比拟之下，端到端从动驾驶系统通过全模块神经收集化，间接操纵高维特征向量，实现原始数据到车辆节制指令的消息传送。这不只显著削减了从传感器到施行器的消息丧失，并且还给系统付与了数据驱动的闭环迭代能力，为实现更高级别从动驾驶斥地了新径。实现平安高效端到端从动驾驶系统的一个焦点挑和是：若何对该类数据驱动的系统进行尺度形式的描述，并正在确保系统不变性和可控性的前提下实现机能的持续提拔。此前，该范畴研究尚未获得充实摸索。李升波课题组建立的数据驱动阐发框架成功填补了这一空白，为端到端从动驾驶手艺供给了焦点理论支撑。通过深切研究和使用这一理论框架，该团队成功开辟了国内首套端到端从动驾驶系统 iDrive，涵盖了“-预测-决控”的全链环节，该系统由三个数据锻炼完成的基座模子构成：基座模子、预测基座模子和决控基座模子，是一个典型的“三段式”端到端从动驾驶系统。“我们蚂蚁搬场的，从理论、算法、东西链到使用验证，一一建立了端到端从动驾驶系统研发的完整系统。”这一研究工做的参取者、大学博士生吕尧如是说。