控制系统中数据描述的规范形式
内容提要
该文汇总多篇控制合成研究，涵盖：无需显式噪声分布，将系统抽象为有限状态模型并用场景法从样本计算控制器；基于概率时间逻辑与区间马尔可夫决策过程处理随机与认知不确定性；稀疏模式局部可控系统的学习控制；部分已知环境的策略综合；路径积分反馈控制；多智能体约束优化；系统级设计方法；固有稳定动力学推断；以及部分可观测系统的决策框架。
延伸解读
无需噪声分布假设的控制器合成
文章介绍了一种控制器合成方法，它不需要明确表示噪声分布，而是将控制系统抽象为捕捉噪声的有限状态模型，并利用场景方法从有限数量的噪声样本中计算可能正确的限制。这种方法降低了合成过程的复杂性，使其在实际控制系统中具有广泛的适用性。
处理随机与认知不确定性的概率时间逻辑方法
基于概率时间逻辑规范，文章提出了使用区间马尔可夫决策过程（iMDP）来构建随机动态模型，以解决安全关键场景中的挑战。该方法能够同时捕捉随机噪声和不确定参数带来的偶然与认知不确定性，实验验证表明考虑认知不确定性可以提高控制器的鲁棒性。
部分已知环境下的策略综合与学习控制
针对部分已知环境，文章考虑了由一组马尔可夫链建模的概率系统，其中环境模式对系统未知，控制目标为最大化满足规范的期望概率和最坏情况概率。此外，还研究了基于稀疏模式的局部可控线性动态系统的学习控制问题，提出了结构化条件和有限样本保证方法。
系统级设计与部分可观测系统的决策框架
文章介绍了一种“系统级”方法，通过三个互补元素将控制器设计、性能和可实施性参数化，以解决生物学和高级网络物理控制系统中的限制性问题。同时，针对具有离散状态和动作空间的连续时间部分可观测系统，提出了一个决策框架，通过近似方法处理大状态空间下的最优决策问题。
Q&A
如何在不依赖显式噪声分布的情况下合成控制器？
将控制系统抽象为捕捉噪声的有限状态模型，然后使用场景方法中的工具，基于有限数量的噪声样本计算可能正确的控制器。
iMDP在控制合成中有什么作用？
iMDP（带概率区间的马尔可夫决策过程）用于基于概率时间逻辑规范的随机动态模型，通过状态验证技术构建，以解决安全关键场景中的挑战。
稀疏模式局部可控系统的学习控制有哪些进展？
提出了结构化条件和有限样本保证方法，以优化控制并改善经典确定等价控制的结果。
部分已知环境下如何综合控制策略？
针对由马尔可夫决策过程建模的概率系统，环境由一组马尔可夫链建模，每个链描述不同模式，但模式对系统未知。控制目标为最大化满足规范的期望概率和最坏情况概率。
路径积分反馈控制中控制成本与有效采样大小有何关系？
利用广义路径积分控制公式计算状态相关反馈控制器，控制成本和有效采样大小之间存在关系，最优控制器提供零方差估计。
如何利用区间马尔可夫决策过程处理随机和认知不确定性？
使用区间马尔可夫决策过程抽象连续状态模型，捕捉随机噪声和不确定参数的aleatoric和epistemic不确定性，进行控制器综合。实验验证考虑epistemic不确定性可提高鲁棒性。
系统级设计方法如何解决控制系统中的限制？
通过三个互补的系统级元素将控制器设计、性能和可实施性参数化，解决生物学和高级网络物理控制系统中通讯、计算、感知和执行等方面的限制性问题。
如何推断具有固有稳定性保证的动力学模型？
基于先验假设构建低维度动力学模型，研究具有能量保持非线性的控制系统的稳定性特征，识别有界输入有界状态稳定的条件，并应用于学习过程，产生设计上固有稳定的推断模型。
部分可观测系统的决策框架如何处理大状态空间？
通过近似方法处理大状态空间下的最优决策问题，将高维过滤分布投影到参数化分布族进行近似，结合完全可观测系统的控制启发式方法获得可扩展策略。
