关于《IEEE Transactions on Systems, Man, and Cybernetics: Systems》2017年7月论文《Robust Adaptive Iterative Learning Control for Discrete-Time Nonlinear Systems with Time-Iteration-Varying Parameters》的学术报告
本报告旨在向研究同仁介绍于淼（Miao Yu）和李超勇（Chaoyong Li）在控制理论与工程领域的一项重要研究成果。该研究以论文《针对具有时-迭代变化参数的离散时间非线性系统的鲁棒自适应迭代学习控制》的形式，发表于 IEEE Transactions on Systems, Man, and Cybernetics: Systems 第47卷第7期，出版时间为2017年7月。两位作者均隶属于浙江大学电气工程学院。
一、 学术背景与研究目标
本研究的核心科学领域为迭代学习控制（Iterative Learning Control， ILC），这是一种专为具有重复运行特性的系统设计的先进控制策略。其核心思想是利用系统前次运行的数据，不断修正控制输入，以期在有限时间区间内实现对给定期望轨迹的完美跟踪。相较于其他学习方法（如强化学习），ILC在处理具有重复性的工业过程（如机器人轨迹跟踪、批次化工生产）方面展现出独特优势。近年来，随着实际工业应用中对离散时间实现的需求日益增长，针对离散时间系统的ILC研究变得尤为重要。
然而，传统ILC通常假设系统不确定性或参数在迭代间保持不变，即具有迭代不变性。但在实际工程实践中，这种理想条件往往难以满足，系统参数、环境扰动等可能存在迭代变化的非重复性因素，这严重制约了传统ILC的性能。为解决此问题，已有文献采用了多种鲁棒化方法，如基于二维系统理论的设计、扰动观测器、基于内模原理的学习等。然而，对于具有非线性特性的离散时间系统，特别是在基于李雅普诺夫（Lyapunov）理论框架的自适应ILC（Adaptive ILC, AILC）设计中，如何有效处理迭代变化参数，仍是一个具有挑战性的难题。此前的研究者Chi等人虽然提出了一种适用于离散时间非线性系统参数不确定性的自适应ILC方法，但它并未充分考虑鲁棒性问题。
因此，本研究的主要目标在于：针对一类具有时变且迭代变化参数的离散时间非线性系统，设计一种鲁棒自适应迭代学习控制（Robust Adaptive ILC） 方案。其具体研究目标包括：1）建立一种能够有效描述“时-迭代变化参数”的模型；2）提出一种新的鲁棒自适应律，能够同时估计参数中迭代不变的部分和迭代漂移的边界；3）通过严格的理论分析，确保系统跟踪误差的最终有界性；4）在无迭代漂移的特殊情况下，实现跟踪误差沿迭代轴的渐近收敛至零。本研究旨在弥合自适应ILC理论与实际应用需求之间的差距，提升ILC算法在面临非重复性干扰时的鲁棒性。
二、 研究流程与方法论详述
本研究遵循理论控制研究的范式，其工作流程主要包括五个关键步骤：问题建模、控制器设计、鲁棒自适应律设计、严格的理论性能分析以及仿真验证。
步骤一：问题建模与系统假设。 研究首先对所关注的离散时间非线性系统进行数学建模。系统方程被表述为：系统状态x(i, t+1)依赖于时-迭代变化的未知参数矩阵θ(i, t)、未知时-迭代变化的输入增益矩阵B(i, t)、已知非线性函数ξ(x(i, t))、控制输入u(i, t)以及时-迭代变化的外生扰动d(i, t)。为分离问题，研究提出了一个关键建模技巧：将每个时-迭代变化变量分解为一个迭代不变但时变的分量（例如θ̄(t)）与一个有界的迭代漂移项（例如θ̌(i, t)）之和。这样，系统的时-迭代变化不确定性就被分离为可学习（迭代不变部分）和需鲁棒对抗（有界漂移）两部分。此外，研究对系统做出了三个核心假设：1) 非线性函数满足扇区有界条件；2) 迭代漂移项有界；3) 输入增益矩阵正定且其迭代不变部分的下界已知。
步骤二：控制器与核心算法设计。 基于“确定性等价”原则，研究人员设计了控制律。该控制律利用当前迭代对迭代不变参数分量（包括θ̄(t), B̄(t), d̄(t)）的估计值，构建控制输入u(i, t)，其目标是使系统输出跟踪期望轨迹r(i, t)。研究的核心创新在于其鲁棒自适应律，特别是引入的一种新型死区（Dead-Zone）方法。传统的死区方法通常在误差小于某个预设阈值时停止参数更新，这虽然增强了鲁棒性，但牺牲了渐进跟踪性能。
本文提出的新型死区函数a(i, t)是时变且依赖于状态和估计值的。其定义巧妙地关联了前一迭代的跟踪误差e(i-1, t+1)、系统状态相关变量Δ(i-1, t)的范数，以及对于漂移项上界的估计值δ̂(i-1, t)。当跟踪误差大于λδ̂Δ的乘积时，死区函数取值为0到1之间的一个数值，有效地调制了参数更新量；当误差小于该乘积时，死区函数为零，暂停参数更新。这种设计使得死区间隔不再是固定常数，而是根据系统当前表现动态调整的。
步骤三：自适应参数更新律。 与上述死区函数紧密结合，研究提出了参数更新律，用于同时更新对迭代不变参数向量Γ(t)（包含θ̄(t), B̄(t), d̄(t)）的估计值Γ̂(i, t)和对漂移项上界δ(t)的估计值δ̂(i, t)。更新律的形式为梯度下降类算法，但创新之处在于将两者在同一个框架下进行更新。更新量的大小受死区函数a(i, t)和标准化因子d(i-1, t)调节。此外，为防止输入增益矩阵估计出现奇异性，研究人员还设计了一个投影（Projection）算法，确保其估计值始终不小于预设的正定矩阵下界。
步骤四：学习性能的严格理论分析。 这是本研究的关键环节，用以证明所提控制方案的收敛性和鲁棒性。研究人员精心构造了一个包含参数估计误差和漂移界估计误差的李雅普诺夫（Lyapunov）函数V(i, t)。通过详细分析该函数沿迭代轴的差分ΔV(i, t)，并结合新颖的死区函数定义，研究证明了ΔV(i, t)是负半定的，进而推导出关键结论：a(i, t)与跟踪误差范数的乘积沿迭代轴的极限为零。随后，利用一个著名的“关键技术引理”（Lemma 1）以及由系统假设和控制器结构导出的线性有界性条件，研究人员最终证明：在迭代变化漂移存在的情况下，系统跟踪误差沿迭代轴最终一致有界（Uniformly Ultimately Bounded）；当迭代漂移项消失（即λ=0）时，跟踪误差将沿迭代轴渐近收敛到零。理论分析还给出了最终误差界的显式表达式，该表达式与漂移项的界、系统非线性函数的扇区界以及初始条件和参考轨迹的界相关。
步骤五：数值仿真验证。 为验证所提算法的有效性，研究对一个具有时-迭代变化参数和扰动的二阶离散非线性系统进行了仿真。仿真设置了50步的控制时域，迭代次数为多次。系统参数、输入增益和扰动均包含与迭代次数i和时间t相关的复杂变化成分。此外，初始状态和期望轨迹的幅度均在不同迭代间随机变化。研究选取了一个较小的可调参数λ（λ=0.01）进行控制设计。仿真结果以多个图表形式呈现。图1展示了沿迭代轴变化的归一化跟踪误差，结果显示即使存在随机初始条件和期望轨迹，跟踪误差也能在迭代过程中迅速减小并保持在一个很小的有界范围内。图2显示了第100次迭代时系统状态与期望轨迹的对比，可见两者高度吻合。图3和图4分别展示了随机变化的初始状态和期望轨迹幅度。图5进一步验证了当不存在迭代变化不确定性时，所提算法能实现跟踪误差的渐近收敛（误差趋于零）。最后，图6将本方法与文献[16]中的最小二乘型离散自适应ILC方法进行了对比，结果表明在存在迭代变化不确定性的情况下，本方法在暂态性能上更优。
三、 主要研究结果
本研究每一步流程均产生了明确而相互支撑的结果： 1. 在问题建模阶段，成功地建立了将时-迭代变化参数分解为“迭代不变时变部分+有界迭代漂移”的模型框架，为后续设计奠定了基础。 2. 在算法设计阶段，提出了融合新型时变死区函数的鲁棒自适应ILC方案。该算法的核心结果体现在控制律（4）、死区函数（6）和参数更新律（7）中。 3. 在理论分析阶段，获得了最关键的数学结果：证明了所设计控制器能够保证跟踪误差的最终一致有界性（公式(26)给出了误差上界），并在无迭代漂移的特殊情况下恢复了渐近收敛性。这为算法的稳定性和有效性提供了坚实的数学保障。 4. 在仿真验证阶段，获得了直观的数值结果：所有仿真图均强有力地支持了理论分析的结论。图1-4证明了算法在多重复杂变化（参数、初始条件、期望轨迹）下的鲁棒跟踪能力；图5验证了算法在理想条件下的精确收敛性；图6则通过对比凸显了本方法相对于传统自适应ILC在鲁棒性方面的优势。
这些结果环环相扣：建模框架决定了算法的设计思路；独特的死区设计是理论分析中确保李雅普诺夫函数差分负定性的关键；理论分析的收敛性结论则为仿真观察到的优良性能提供了根本解释。
四、 研究结论与意义
本研究得出结论：通过将一种新颖的动态死区方法融入参数估计更新律，成功解决了具有时-迭代变化参数的离散时间非线性系统的鲁棒自适应迭代学习控制问题。该方法不仅确保了存在迭代变化不确定性时的跟踪误差有界性，还保证了在无迭代变化时能够实现零误差跟踪。
本研究的价值体现在以下几个方面： 1. 科学价值：它丰富和发展了自适应迭代学习控制的理论体系，为解决非重复性因素对学习控制性能的限制提供了一个系统性的解决方案。文章将鲁棒自适应控制中的死区思想创造性地引入到迭代学习框架，并进行了适应性的改进（时变死区间隔），这是一个方法论上的创新。 2. 应用价值：ILC广泛应用于机器人操纵器轨迹跟踪、精密运动控制、重复性工业过程（如化工批次生产）等领域。在这些应用中，批次间（即迭代间）的参数漂移、设备磨损、原料差异等是不可避免的。本研究提出的鲁棒自适应ILC算法为工程实践提供了一种能够有效抑制此类迭代变化影响、提升控制精度的潜在工具，具有明确的工程应用前景。
五、 研究亮点
六、 其他有价值内容
论文在“与现有方法比较”一节中，详细对比了所提方法与现有两种方法的本质区别，这对于读者理解本工作的独特贡献非常有帮助。例如，它明确指出，传统自适应ILC在面对迭代漂移项时，其李雅普诺夫函数差分无法保证为负，因而失效；而传统固定死区方法虽能增强鲁棒性，但会牺牲渐进跟踪性能。这些对比深刻揭示了本研究工作的必要性和先进性。此外，文章对后续研究方向也给出了建议，即计划将所提出的算法在机器人操纵器平台上进行实际验证，这体现了理论联系实际的科研导向。