控制仿射系统

玻尔百科

核心要点

控制仿射系统通过将动态分为固有的“漂移”和一组线性影响系统的“控制杆”来进行建模。
可控性由李代数秩条件（LARC）确定，该条件不仅考虑直接输入，还考虑了通过李括号捕捉到的“摆动”操作所产生的新运动方向。
控制李雅普诺夫函数（CLF）和控制屏障函数（CBF）是强大的工具，它们分别为系统稳定性和安全性提供数学保证。
控制仿射框架是反馈线性化等先进技术的基础，并在机器人学、系统生物学和数据驱动控制等领域有广泛应用。

引言

在控制理论的广阔领域中，许多真实世界的系统——从简单的汽车到复杂的生物细胞——都表现出难以用简单分析方法处理的非线性行为。然而，这类系统中有一大类拥有特殊的结构，为我们理解和操控它们提供了强有力的视角。这就是控制仿射系统，它清晰地将系统固有的动态（即“漂移”）与我们为影响系统而采取的行动分离开来。这种分离是开启对控制进行深入几何理解的关键，它解决了当我们的影响力有限且间接时，如何引导一个系统的根本问题。

本文将带领读者踏入这个优雅的世界。首先，我们将探讨构成该理论基石的核心概念，从船在河中航行的直观类比，过渡到李括号和稳定性函数的强大数学工具。然后，我们将看到这一理论基础如何催生了大量的实际应用，从机器人运动规划到安全自主系统的设计等等。读毕本文，读者将对控制仿射系统的基本原理及其在多个科学领域的深远影响有一个全面的认识。我们首先剖析这些系统的构造，以揭示其潜在的原理和机制。

原理与机制

要真正领会控制仿射系统的力量与优雅，我们必须超越方程的符号，洞察它们所描述的几何世界。想象一下，你正驾驶着一艘小船在流动的河中航行。你的航程受两种截然不同的力支配：一是河水无情的潮流，无论你做什么，它都推着你向下游漂去；二是你所能控制的力——引擎的推力和舵的转向。这个简单的类比抓住了控制仿射系统的精髓。

控制的剖析：漂移与控制杆

一个控制仿射系统由以下形式的方程描述：

\dot{x} = f(x) + \sum_{i=1}^{m} u_i g_i(x)

我们不必被数学公式吓倒。这个方程讲述了一个非常物理的故事。系统的状态 $x$ 代表了我们需要了解的关于它的一切——对于我们的船来说，这便是它的位置和朝向。项 $\dot{x}$ 是它的速度，即其变化的方向和速率。

向量场 $f(x)$ 是漂移。这就是河水的潮流。它是系统固有的动态，是当你放开所有控制（ $u_i=0$ ）时系统会遵循的路径。它仅取决于你当前的状态 $x$ 。

项 $g_i(x)$ 是控制向量场。这些就是你的引擎和舵。它们代表了你可以施加作用力的方向。值得注意的是，你引擎推动的方向可能会根据你在河中的位置而改变——这就是为什么 $g_i$ 取决于 $x$ 。

最后， $u_i$ 是控制输入。这些是简单的标量值，是你发出的指令。你给引擎多大的油门？你多急地转动舵？这些是你施加影响的杠杆。系统在这些控制上是“仿射”的，因为它们以简单的线性方式进入方程。将你的油门指令 $u_i$ 加倍，控制向量场 $g_i(x)$ 的效果也会加倍。

在短时间内，如果我们保持指令不变，船的速度就是河水潮流与引擎和舵产生的力的简单叠加。如果我们施加一系列不同的恒定指令，船的整体路径仅仅是它在每种合力场下所遵循路径的拼接。这似乎相当直接。但我们真的能驶向任何我们想去的地方吗？还是我们只能受制于 $f$ 和 $g_i$ 所设定的方向？答案远比初看起来更为微妙和优美。

可控性的几何学：摆动的魔力

假设你的船有一个只能向前或向后推动的引擎，而你在一个平静的湖中（没有漂移， $f(x)=0$ ）。你能把船横向移动来停靠码头吗？你的直觉，源于侧方停车的经验，告诉你“可以”。但是怎么做呢？你无法直接施加一个侧向的力。

秘密在于执行一连串特定的操作。你向前开，转动方向盘，然后后退，再把方向盘转回来。经过这番小小的“摆动”，你会发现汽车并未回到初始的朝向，而是向侧面平移了。这种操作是几何控制的基石，它在原本不可用的方向上产生了运动。

这个新的方向在数学上由一种神奇的运算——李括号——来捕捉。对于两个向量场，比如你的“驱动”向量场 $g_1$ 和“转向并驱动”向量场 $g_2$ ，它们的李括号 $[g_1, g_2]$ 是一个新的向量场，代表了由这种摆动操作产生的无穷小位移。这个位移非常微小，量级大约是你花费在每一步上的时间的平方，但当你一遍又一遍地重复这个操作时，你就能产生显著的运动。你凭空变出了一个侧向的速度，仅仅利用了你操作的非交换性。先开再转和先转再开是不一样的！

这便是非线性控制的深刻见解。你能移动的方向集合不仅仅是初始控制向量场 $\{g_1, \dots, g_m\}$ 的线性张成空间。它是由它们生成的整个李代数所张成的方向空间——即原始向量场加上所有通过迭代李括号（如 $[g_1, g_2]$ , $[g_1, [g_1, g_2]]$ 等）所能创造出的新向量场的集合。

著名的 Chow-Rashevsky 定理为我们提供了可控性的明确检验标准。如果一个系统在任意点上，这个李代数的维数等于状态空间的维数，那么该系统是（局部）可控的。这就是李代数秩条件（LARC），也被称为 Hörmander 条件或括号生成条件。本质上，如果这些摆动和摆动的摆动足够丰富，能够在所有可能方向上产生运动，你就可以去任何地方。

桀骜不驯的漂移与对合性的囚笼

现在，让我们回到流动的河中，这里我们有一个非零的漂移 $f(x)$ 。水流不仅仅是一个被动的背景；它主动参与创造新的控制方向。当河水带着你的船漂流时，它也改变了你的舵的效果。漂移和你的控制动作之间的这种相互作用同样会产生李括号，形式如 $[f, g_i]$ , $[f, [f, g_i]]$ 等。这些所谓的“坏括号”，因为它们不受我们的直接指令控制，进一步丰富了可达运动的集合。我们能进入的全部方向集合，被称为可达性分布，是由控制场 $g_i$ 以及它们与漂移场 $f$ 的所有迭代括号所生成的李代数。

但是，如果李括号没有创造出任何新的方向呢？如果对于我们能生成的任意两个向量场 $X$ 和 $Y$ ，它们的李括号 $[X,Y]$ 只是我们已能产生的向量的一个线性组合呢？这样的一组向量场被称为对合分布。

在这里，Frobenius 定理给出了一个严酷的判决。它指出，如果你的系统动态被限制在一个维数为 $r$ 的对合分布中（其中 $r n$ ，即你完整状态空间的维数），那么你的系统就被困住了。它被限制在一个更大的 $n$ 维空间中的一个 $r$ 维子流形或“叶”上。你可以在这个叶上自由移动，但你永远无法离开它。想象一下你是一只在球面上的虫子；你可以在这个二维表面上任意漫游，但你永远无法进入三维内部。对合性是囚笼的数学体现；它是可控性的对立面。

在可达性（能够到达一个形成全维体积的点集）和小时间局部可控性（STLC）（能够到达你起始点的一个小邻域内的所有点）之间，也存在着一个微妙但重要的区别。强大的漂移可能确保你能到达很多地方（可达性），但同时又可能把你冲得太快，以至于你无法在短时间内回到“上游”的点，从而妨碍了 STLC。

驯服野兽：稳定性与安全性

知道我们可以引导系统是一回事；设计一个策略来可靠地做到这一点是另一回事。我们如何将系统驱动到期望的状态（例如原点）并保持在那里？这就是镇定问题。

一个强有力的工具是控制李雅普诺夫函数（CLF）。可以将李雅普诺夫函数 $V(x)$ 看作是一种“能量”或“不期望程度”的度量，它在我们的目标状态处为零，在其他任何地方都为正。对于像碗中滚动的球这样的物理系统，其势能会自然降低，最终停在碗底。对于一个自主系统 $\dot{x}=f(x)$ ，我们会要求其能量导数 $\dot{V}$ 为负。

对于一个受控系统，这个要求太高了。系统本身可能是不稳定的（比如平衡一根扫帚）。CLF 巧妙地放宽了这一条件。它不要求 $\dot{V}$ 本身为负，而是要求对于任何状态 $x \neq 0$ ，必定存在一个控制输入 $u$ 能够使得 $\dot{V}$ 为负。用数学语言表达，对于 $x \neq 0$ ：

\inf_{u} \dot{V}(x, u) = \inf_{u} \Big( L_f V(x) + L_g V(x) u \Big) 0

这个条件确保我们总有“一根杠杆可以拉动”，以降低能量并将系统引导回家。

一个密切相关的概念是安全性。我们可能不只是想驱动系统到达一个目标，而可能仅仅是想避开一个危险区域。我们可以通过一个不等式 $h(x) \ge 0$ 来定义一个安全集 $S$ ，其中边界 $h(x)=0$ 代表一个“悬崖边缘”。为了保证安全，我们需要确保我们永远不会掉下悬崖。控制屏障函数（CBF）提供了这种保证。它是一个函数 $h(x)$ ，对于它我们总能找到一个控制输入 $u$ 来将我们从边界“推开”。其条件是 $\dot{h}$ 不能“太负”，特别是当 $h(x)$ 很小时。具体来说，我们要求对于任何状态，存在一个控制 $u$ 使得：

\dot{h}(x, u) \ge -\alpha(h(x))

其中 $\alpha$ 是某个满足 $\alpha(0)=0$ 的函数。这确保了当我们接近边界时（ $h \to 0$ ），接近速率 $\dot{h}$ 被迫为非负，从而有效地建立起一个轨迹无法穿越的“屏障”。在实践中，CLF 和 CBF 条件可以组合在一个实时优化问题中，如二次规划，以找到一个既安全又能朝向目标前进的控制输入。

平滑性的限制与其他巧妙技巧

我们总能找到一个良好、平滑、连续的控制律 $u=k(x)$ 来镇定一个系统吗？R.W. Brockett 在一项深刻的发现中指出，答案是否定的。存在一个根本的拓扑障碍。Brockett 必要条件指出，若一个系统能被连续的、无记忆的反馈律镇定，其动态映射 $F(x,u) = f(x) + g(x)u$ 必须能够在原点附近的一个邻域内生成指向各个方向的瞬时速度向量。如果系统在原点处有一个固有的“盲点”，那么没有任何连续的控制律能够可靠地从任意方向将其引导至此。

典型的例子是非完整积分器，这是一个无法直接侧向移动的汽车模型。它不满足 Brockett 条件。这意味着对于这样的系统，不存在平滑的控制李雅普诺夫函数，因为一个平滑的 CLF 将保证存在一个连续的镇定控制器，而这是 Brockett 条件所禁止的。这告诉我们，一些系统只能通过更复杂的策略来镇定，比如不连续（突变）的控制或时变控制——这正像侧方停车的摆动操作一样！

最后，如果我们的系统一开始就不是方便的控制仿射形式呢？如果我们的引擎推力是油门的非线性函数，比如 $u^2$ 呢？旨在将非线性系统转换为线性系统的反馈线性化技术依赖于仿射结构。幸运的是，有一些巧妙的技巧。

输入重参数化：如果动态形式为 $\dot{x} = f_0(x) + g(x)q(u)$ ，我们可以简单地定义一个新的“虚拟控制” $v=q(u)$ ，并为 $v$ 设计一个控制器，稍后再恢复出 $u$ 。这只在 $u$ 的作用通过一个方向固定的单一函数传递时才有效。
动态扩展：一个更强大、更通用的技巧是，将麻烦的输入 $u$ 视为一个新的状态变量，并控制其导数 $\dot{u} = w$ 。这个新的、扩展后的系统，状态为 $(x, u)$ ，输入为 $w$ ，现在神奇地变成了控制仿射系统！我们把一个 $n$ 维的非仿射问题，转换成了一个 $n+1$ 维的仿射问题——这是一个绝佳的例子，说明了改变视角如何能让一个难题变得易于处理。

从一幅船在河上航行的简单画面出发，我们穿越了支配运动、稳定性和安全性的深层几何结构。我们看到了简单的摆动如何开启控制的新维度，固有的动态如何既能帮助我们又能阻碍我们实现目标，以及深刻的限制如何能激发更巧妙的解决方案。这就是控制仿射系统的世界——一个几何、代数和动力学在此交汇，赋予我们驾驭周遭世界工具的领域。

应用与跨学科联系

在探索了控制仿射系统的原理和机制之后，我们可能会感到某种满足感。我们已经建造了一座相当优雅的数学殿堂。但房子是用来住的。所以，我们现在要问一个关键问题：我们能用这个框架做什么？这个优美的数学结构在何处与现实世界交汇？正如我们将看到的，答案是：无处不在——从机器人避障的方式到我们自身基因的隐藏动态。控制仿射形式 $\dot{x} = f(x) + g(x)u$ 不仅仅是一种方便的分类；它是一块罗塞塔石碑，让我们能将意图翻译成动力学的语言。它清晰地分开了系统的“自然”演化，即其内部漂移 $f(x)$ ，和我们用来通过控制 $u$ 影响它的“把手” $g(x)$ 。有时，这种结构是显而易见的。另一些时候，一个系统的真实本质被伪装起来，我们必须进行简单的变量替换，比如定义一个新的输入，才能揭示其底层的控制仿射形式，并解锁我们的整个工具箱。

转向的艺术：可控性与运动规划

关于控制，我们能问的最基本的问题或许是：我们能从这里到达那里吗？如果我们有一个具有三个自由度的系统，比如位置 $(x, y)$ 和朝向 $\theta$ ，但只有两个控制输入，比如汽车的前进速度和转向速率，我们是否注定要被限制在某个有限的运动子空间中？直觉可能会这样认为。然而，现实远比这更微妙、更美好。

考虑侧方停车这个经典例子。你无法直接让你的车侧向移动。你的控制是“前进/后退”和“转动方向盘”。然而，通过一系列巧妙的允许动作——向右转时前进一点，向左转时后退一点——你在一个原本不可用的方向上产生了运动。你完成了一次“摆动”，最终导致了净侧向位移。这本质上就是李括号的魔力。

当我们有两个由向量场 $f_1$ 和 $f_2$ 代表的控制动作时，李括号 $[f_1, f_2]$ 代表了通过执行一次微小摆动所产生的无穷小运动：一点 $f_1$ ，一点 $f_2$ ，一点 $-f_1$ ，再一点 $-f_2$ 。如果这些向量场不“交换”（即它们的李括号非零），这个序列并不会让你回到起点。它在一个新的方向上创造了运动。

这个原理是 Chow-Rashevskii 定理的核心。它指出，如果原始的控制向量场，加上由它们重复的李括号生成的所有新方向，在每一点都张成了整个可能的运动空间，那么这个系统就是可控的——意味着它可以从任何一点到达任何其他点。这就是著名的李代数秩条件（LARC）。

一个绝佳的例证是“Heisenberg 系统”，这是一个出现在量子力学和切触几何中的数学抽象。仅用两个控制，我们就可以通过两个控制向量场的李括号生成缺失的第三个运动方向，从而在一个三维空间中导航。一个更具体的例子是 Chaplygin 雪橇，一个平面上滑板的简化模型。它有两个控制：向前/向后推（ $u_1$ ）和原地旋转（ $u_2$ ）。它不能侧向滑动。然而，通过计算“推动”和“旋转”向量场的李括号，我们发现一个新的向量场，恰好对应于侧向滑动。因为这三个向量——推、转、以及它们的括号诱导的滑动——是线性无关的，所以满足 LARC。这在数学上证明了我们从滑冰或侧方停车中直观了解到的事实：通过组合简单的运动，我们可以实现复杂的操作，并在世界中穿行。

驯服野兽：稳定性与安全性

四处移动是一回事；不发生碰撞是另一回事。控制理论既关乎运动，也关乎约束。控制仿射结构为确保系统保持稳定并在安全边界内运行提供了深刻的工具。

这里最优雅的概念之一是无源性。借用自电路和力学领域，一个无源系统是自身不能产生能量的系统；它只能存储或耗散能量。想象一个将电能耗散为热量的电阻，或一个在有摩擦表面上滑动的木块。这类系统天然是稳定的。如果你不去管它们，它们最终会静止下来。通过分析系统“存储函数”（一种抽象形式的能量）的时间导数，我们可以看到能量是如何流动的。控制仿射形式让我们能精确地看到漂移 $f(x)$ 和控制输入 $u$ 如何影响能量的变化。然后我们可以设计一个控制律，确保系统总是耗散能量，从而以一种鲁棒且物理直观的方式保证其稳定性。

一种更现代、更直接的保证安全的方法是使用控制屏障函数（CBF）。想象一下，我们想让机器人手臂不碰到障碍物，或者无人机不飞入禁飞区。我们可以用一个函数 $h(x) \ge 0$ 来定义一个“安全集” $\mathcal{C}$ 。这个集合的边界 $h(x) = 0$ 是我们绝不能越过的“危险区”。CBF 就像一个无形的排斥力场。当状态 $x$ 越来越接近边界时，CBF 条件会对控制输入 $u$ 施加一个约束，将系统从危险中引开。

这种方法在控制仿射框架内的美妙之处在于，这个关于状态的复杂安全约束，可以转化为一个关于控制输入 $u$ 的简单、通常是线性的不等式。这非常适合使用实时优化的现代控制器。即使输入不直接影响安全函数 $h(x)$ ，我们也可以使用我们接下来将遇到的思想——对安全函数求导直到输入出现——来创建高阶 CBF，为更广泛的系统类别保证安全。

魔术师的戏法：反馈线性化及其秘密

非线性控制理论家工具箱中最强大的技巧之一是反馈线性化。既然线性系统如此易于理解和控制，为什么不让我们的非线性系统表现得像一个线性系统呢？

其思想是设计一个能精确抵消掉不想要的非线性的控制律。假设我们感兴趣的是控制一个特定的输出 $y = h(x)$ 。我们可以对输出一次又一次地对时间求导，直到输入 $u$ 最终出现。所需的求导次数被称为系统的相对阶。如果相对阶为 $r$ ，我们会得到一个形如 $y^{(r)} = \alpha(x) + \beta(x) u$ 的表达式。函数 $\alpha(x)$ 和 $\beta(x)$ 是涉及李导数的复杂非线性表达式。但奇迹就在这里：我们可以简单地选择我们的控制输入 $u$ 为： $u = \frac{1}{\beta(x)} (v - \alpha(x))$ 其中 $v$ 是一个新的、合成的输入。当我们把这个代入 $y^{(r)}$ 的方程时，非线性项 $\alpha(x)$ 和 $\beta(x)$ 神奇地消失了，我们得到了完美的线性关系 $y^{(r)} = v$ 。我们已经将从输入 $v$ 到输出 $y$ 的动态变成了一个简单的积分器链。现在我们可以使用标准的线性控制技术来让 $v$ 遵从我们的指令，迫使输出 $y$ 跟踪任何期望的轨迹。这个强大的技术依赖于项 $\beta(x)$ ，它恰好是 $L_g L_f^{r-1} h(x)$ ，不为零。如果它为零，我们就会试图除以零，这个技巧就会失败。

但每个伟大的魔术都有一个秘密。当我们将所有控制精力都集中在让输出 $y$ 表现良好时，我们忽略了什么？我们忽略了零动态——那些从输出端无法观测到的系统内部动态。想象一个魔术师完美地让一位助手（输出）悬浮起来，而在后台，观众看不见的地方，支撑她的机械装置正在剧烈摇晃，濒临崩溃（内部动态）。

如果零动态是稳定的，它们代表着会自行消亡的良性隐藏运动。但如果它们不稳定，我们就面临一个所谓的非最小相位系统。在这种危险的情况下，我们的控制器可以迫使输出完美表现，而系统隐藏的内部状态却漂向无穷大。这可能导致控制输入本身无界增长，最终导致整个系统灾难性地失败。这是一个深刻而警示性的教训：眼见不一定为实，对系统完整结构的深刻理解对于真正的控制至关重要。

通往其他世界的桥梁：系统生物学与机器学习

控制仿射系统的语言并不仅限于机器和机器人。其力量在于其普适性，使其能够搭建通往看似迥异领域的桥梁。

例如，在系统生物学中，活细胞内部复杂的相互作用网络通常可以用非线性微分方程来建模。一个基因调控网络，其中蛋白质促进或抑制其他基因的表达，可以被描述为一个控制仿射系统，其中状态 $x$ 代表蛋白质浓度，控制 $u$ 可能是一个外部化学诱导剂或光遗传学光源。在这里，同样的李括号和可达性分析工具可以帮助我们回答一些基本问题：我们能否通过操纵单个输入来控制细胞中某个关键蛋白质的浓度？一个引人入胜的结果表明，对于围绕稳态的小扰动，用于可达性的复杂非线性 LARC 测试，与线性化系统的经典 Kalman 秩可控性条件完全等价。这提供了一个美妙的统一，展示了我们先进的几何工具如何优雅地回归到线性系统理论的基础概念。

也许最激动人心的新前沿是与机器学习和人工智能的交叉。如果我们没有系统的显式模型 $f(x)$ 和 $g(x)$ 怎么办？如果我们只有观察它的数据呢？这是数据驱动建模和“数字孪生”的领域。Koopman 算子框架提供了一个革命性的视角。其核心思想是将非线性动力学从原始状态空间“提升”到一个更大的（可能是无限维的）状态函数空间，称为“可观测量”。神奇之处在于，在这个提升的空间中，可观测量的动力学由一个线性算子——Koopman 算子——所支配。

带输入和控制的 Koopman (KIC) 方法将这一思想扩展到我们的控制仿射系统。通过在状态和输入可观测量的提升空间中学习一个线性模型，我们可以创建一个复杂非线性系统的数据驱动数字孪生。然后，这个学习到的模型可以用于预测、分析和控制设计，所有这些都无需写下原始的非线性方程。这种方法有望彻底改变我们为那些难以建立第一性原理模型的系统（从湍流到复杂的电网）进行建模和控制的方式。

从侧方停车的直观摆动到自动驾驶汽车的安全性，从反馈控制中的隐藏不稳定性到我们自身基因的动态以及未来的数据驱动模型，控制仿射结构证明了自己是一个深刻而统一的原理。它证明了找到正确的数学视角来看待世界的力量，将令人生畏的复杂性转化为易于处理的优雅，并为有目的的设计打开了大门。故事远未结束；通过庞特里亚金最小值原理和 Goh 条件等工具，与最优控制和变分法的深层联系揭示了这幅丰富几何织锦的更多内容。进入控制世界的旅程，现在和将来，都将是一场发现之旅。