只用L1也能扛住噪声？这篇控制论文给出精确解

这篇论文最狠的地方，不是又写了一个“鲁棒控制”故事，而是把连续时间里那种看起来很难伺候的无限约束，硬生生变成了可算、可证、还能恢复最优解的凸半无限规划。

龙哥读论文发布于 2026-08-14 21:47:08 阅读 3 查看原文

#人工智能 #机器人

🐉 龙哥读论文知识星球来了！
公众号每日8篇拆解不够看？星球无上限更AI领域论文、资讯、招聘、招博、开源代码，一站式干货，每日2分钟刷完即赚！ 👇扫码加入「龙哥读论文」知识星球，前沿干货、实用资源一站式拿捏～ xingqiu_header

龙哥导读：
这篇论文最狠的地方，不是又写了一个“鲁棒控制”故事，而是把连续时间里那种看起来很难伺候的无限约束，硬生生变成了可算、可证、还能恢复最优解的凸半无限规划。

原论文信息如下：

论文标题:
Sparse robust optimal control in continuous-time: a computationally viable approach 发表日期:
2026年07月发表单位:
没有原文链接:
https://arxiv.org/pdf/2607.11827v1.pdf

引言

连续时间稀疏控制，最怕的不是“动作少”，而是“动作少还得稳”。这篇工作盯住的就是这个硬骨头：在有噪声、参数不确定、状态/输入/终端约束都要满足的情况下，还要让控制尽量稀疏。

传统做法要么把时间离散化，只能在采样点上“看起来合规”，要么走场景法，靠抽样赌概率。本文则直接把问题推到凸半无限规划里，再用一个可计算的架构把最优值和最优控制都精确恢复出来。

方法概述

论文先把连续时间系统写成带噪声的线性 ODE，再对控制和扰动都做有限字典参数化。这样一来，原来无限维的控制轨迹，变成了有限个系数；但约束并没有偷懒，仍然要求对所有时间、所有扰动都成立。

很多方法会在这里顺手把约束也离散掉，结果就是“在网格点上没问题，网格之间出事了”。本文保留那一整片连续约束，转成一个凸半无限规划问题，再借助目标值连续性和严格可行性，构造出精确求解框架 SparseRob。

核心原理推导

数学主线就一条：先把原问题写成带有无穷多个约束的控制优化，再把控制轨迹和扰动轨迹都投影到有限字典空间里。于是，“无限维决策 + 无穷约束”变成了“有限维决策 + 仍然无穷约束”的半无限规划。

真正的技术点不在“降维”，而在“别把约束搞丢”。论文证明了参数集合是紧的、可行域是紧凸的，目标函数又是连续凸的，所以最优解存在；再加一个严格可行性假设，就能把目标值连续性和优化器恢复都立起来。

实验结果

图1：非鲁棒控制、场景法控制与对应状态轨迹对比。非鲁棒方案在扰动下会明显越界，场景法虽缓解了问题，但仍无法给出“全时域保证”。

图2：不同正则化参数下的控制轨迹与状态轨迹。随着 ε 变小，控制轨迹逐渐收敛到同一类稀疏解，说明正则化更多是在帮优化器“认路”，而不是改变问题本质。

图3：含参数不确定性的稀疏鲁棒控制结果。控制只在少数时段激活，但对一万组不确定参数的状态演化仍保持约束满足，说明方法不是“纸面鲁棒”。

图4：最小注意力问题中的控制率稀疏性。这里优化的不再是控制本身，而是控制变化率，结果依然能得到稀疏的“动作切换”模式。

实验部分最有说服力的地方，是它把三件事同时做到了：稀疏、鲁棒、连续时间全区间约束。很多方法只能在其中两项里选，本文相当于把“只要结果别翻车”这件事给补上了。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这方法为什么不直接离散化就完事了？因为离散化最容易把“约束成立”偷换成“采样点成立”。本文要的是连续时间全区间成立，不是网格上看着顺眼。

SparseRob 真正值钱的地方是什么？不是又起了个名字，而是它给出了一个能把最优值和最优控制都恢复出来的可计算框架。对控制工程来说，这比“能跑一个近似解”更有意义。

它离真正工程落地还有多远？思路很强，但代价也很明确：要做有限字典参数化，还要配合全局优化例程，工程复杂度不低。更像是一个“理论上很硬、实现上要认真调”的方案。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★☆。把稀疏控制、鲁棒控制和连续时间半无限规划拧在一起，还能给出“精确解”框架，这个组合不常见。

实验合理度：★★★★☆。弹簧-质量-阻尼系统是经典试金石，问题设定也比较完整，能看出方法不是只会写公式。

学术研究价值：★★★★☆。它补的是连续时间鲁棒稀疏控制里的一个老坑，属于“数学上难、工程上真有用”的那类工作。

稳定性：★★★★☆。理论链条比较完整，从可行性、连续性到最优值恢复都交代了，但严格可行性假设还是门槛。

适应性以及泛化能力：★★★☆☆。能扩到参数不确定系统和最小注意力问题，说明框架有弹性，但仍依赖合适的参数化与问题结构。

硬件需求及成本：★★★☆☆。不吃大模型算力，但吃优化器和全局搜索，算的是“数学账”，不是“显卡账”。

复现难度：★★★☆☆。理论部分清楚，算法实现却不算轻松，尤其是全局优化与半无限约束处理。

产品化成熟度：★★★☆☆。更像控制理论与优化算法的高质量原型，离工业级部署还需要更多工程封装。

可能的问题：严格可行性假设、有限字典选择和全局优化开销，都会影响实际落地；如果系统更复杂，计算压力也会迅速上来。

主要参考文献

M. Nagahara, D. E. Quevedo, and D. Nesic, “Maximum hands-off control: a paradigm of control effort minimization,” IEEE Transactions on Automatic Control, vol. 61, no. 3, pp. 735–747, 2015.

M. Nagahara and D. Nesic, “An approach to minimum attention control by sparse derivative,” in 2020 59th IEEE Conference on Decision and Control (CDC), pp. 5005–5010, 2020.

E. Polak, D. Q. Mayne, and D. M. Stimler, “Control system design via semi-infinite optimization: a review,” Proceedings of the IEEE, vol. 72, no. 12, pp. 1777–1794, 1984.

S. Das, A. Aravind, A. Cherukuri, and D. Chatterjee, “Near-optimal solutions of convex semi-infinite programs via targeted sampling,” Annals of Operations Research, 2022.

P. Paruchuri and D. Chatterjee, “Attaining the chebyshev bound for optimal learning: A numerical algorithm,” Systems & Control Letters, vol. 181, no. 105648, 2023.

R. B. Vinter, “Minimax optimal control,” SIAM journal on control and optimization, vol. 44, no. 3, pp. 939–968, 2005.

M. C. Campi and S. Garatti, “Introduction to the Scenario Approach,” vol. 26 of MOS-SIAM Series on Optimization, Society for Industrial and Applied Mathematics (SIAM), Philadelphia, PA; Mathematical Optimization Society, Philadelphia, PA, 2018.

连续时间系统中的稀疏鲁棒控制难题

稀疏控制的理想很简单：控制器别老动，能少动就少动。但一旦把“少动”放进连续时间、再加上噪声、参数不确定性、状态约束、输入约束、终端约束，问题立刻从“省电”升级成“别翻车”。

论文采用的稀疏指标是 L1 代价，即把控制输入在整个时间区间上的绝对值积分最小化。L1 比 L0 更容易算，往往还能把控制推向“长时间为零、少数时刻激活”的稀疏形态。

状态方程 ẋ(t)=Ax(t)+Bu(t)+w(t) 是全文的起点。A 是系统矩阵，B 是控制矩阵，w(t) 是扰动。控制 u 和扰动 w 要对整个连续时间区间负责。

控制输入被限制在盒约束集合里，每个维度都不能超出给定上下界。论文直接按真实系统的硬限制来建模。

扰动同样被限制在有界集合里。鲁棒控制面对一整族可能的世界，普通最优控制往往只面对一个理想世界。

从无限约束到有限参数的数学转化

论文把控制轨迹和扰动轨迹都放进有限字典里展开：控制用一组分段常数基函数表示，扰动也用一组分段常数基函数表示。真正需要优化的不再是函数本身，而是有限个系数。

这里的 dictionary 可以理解成“控制轨迹的积木盒子”。每个控制分量由若干个基函数线性组合而成，系数就是待求参数。分段常数基函数跟硬件实现也更贴。

控制输入写成 uD(t)=∑θi,jψj(t)，θ 就是控制参数矩阵。这一步把无限维问题拉回到了可计算的地面上。

扰动也按同样思路参数化。鲁棒性不再靠“只对一个扰动样本有效”，而是对整类扰动参数都要成立。约束数量会爆炸成一整片连续集合，问题从“无限维优化”变成了“有限维但无限约束”的半无限规划。

这是全文最核心的建模结果：目标函数是稀疏控制代价，但约束必须对所有时间点、所有允许扰动都成立。本文选择正面硬刚无限约束。

精确解的理论保证与算法实现

论文证明了这个复杂问题可以被精确求解，最优值和最优解都能以无损方式恢复出来。

论文先定义了可行初始状态集合 XT，只有那些存在可行轨迹的初始点才算数。控制理论先得有可行性，再谈最优性。

论文证明了可行集是紧的、凸的，目标函数也是连续凸的，因此最优解存在。再加上一层 strict feasibility（严格可行性），才能把后续的连续性和唯一性结果稳稳托住。

为了恢复最优解，论文引入正则项 εΥ(θ)。Υ(θ) 是连续、正的、严格凸函数，ε 是正则化强度。加了正则项后，问题变成严格凸，优化器更容易被唯一锁定。

算法框架 SparseRob 先把无限约束问题转成一个带参数的凸半无限规划，再通过数值策略恢复最优值与最优控制。这不是传统“采样点上成立”的近似方法，而是对连续约束做了真正处理。

作者构造了一个松弛版本：只在有限个时间点和有限个扰动参数上检查约束，然后通过理论证明把这个有限问题和原来的无限约束问题连接起来。

这类映射连续性证明很关键。一旦状态映射对参数连续，后面的最优值连续性、存在性、唯一性、数值算法收敛性才有落脚点。

应对噪声与参数不确定性的鲁棒控制

本文还讨论了参数不确定系统，系统矩阵 A、B 可能依赖未知参数 p，控制器必须对整个参数集合都成立。

参数依赖模型下，系统写成 ẋ(t)=A(p)x(t)+B(p)u(t)+w(t)。论文把所有允许参数都纳入鲁棒约束框架。

论文明确指出，它采用的不是“先保守一点再说”的套路，而是尽量保持精确性。这个取向很对，因为控制问题里保守过头，最后可能把稀疏性也一起牺牲掉了。

这张表格的核心意思是：本文框架专门针对连续时间、稀疏目标、鲁棒约束、半无限结构这几个条件同时成立的场景。很多已有方法要么只处理离散时间，要么只处理无噪声情形，要么只能做近似。

数值实验验证：弹簧-质量-阻尼系统

实验部分选的是经典的弹簧-质量-阻尼系统，有状态约束、有输入约束、有扰动、有不确定参数，能检验方法是不是只会写理论。

图1展示了非鲁棒控制和场景法控制的状态轨迹。非鲁棒方案在扰动下容易越界，场景法本质上还是靠有限样本撑场面，不能对连续时间全区间给出严格保证。

图2说明了正则化参数 ε 的作用。随着 ε 变化，控制轨迹会有差异，但整体稀疏结构保持一致。正则项更多是在帮优化器稳定地找到一个“更好认”的解。

图3是这篇论文最有说服力的地方之一。控制输入只在少数时段激活，但系统在一万组不确定参数实现下仍满足状态和终端约束。它真的把“稀疏”和“鲁棒”同时做到了。

图4把方法推广到了最小注意力问题。这里稀疏的不是控制本身，而是控制变化率，希望动作切换尽量少。这个问题在节能调度、人机交互里都很有现实意义。

从实验结果看，论文连续验证了三件事：稀疏性、鲁棒性、连续时间约束满足。这个组合很难，尤其是第三条，经常被很多方法悄悄弱化掉。

超越传统方法：工程应用与未来展望

这篇论文给“连续时间鲁棒稀疏控制”提供了一条能落地的计算路径。对于网络化控制、节能执行器、受扰动的工业过程、需要少动作切换的系统，这种方法都很有吸引力。

不过，工程上也别急着鼓掌。有限字典参数化意味着模型表达能力会受基函数选择影响；严格可行性假设并不是所有系统都天然满足；半无限规划的数值求解通常比普通凸优化更挑实现细节。

未来方向有三个：一是把框架扩展到更一般的非线性系统；二是研究更高效的数值求解器；三是把字典设计和硬件采样频率更紧密地耦合。

这篇工作的野心很清楚：不是只求一个“差不多”的近似答案，而是尝试把连续时间稀疏鲁棒控制做成一个既有理论保证、又能算得动的完整方案。😊

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文到底解决了什么问题？它解决的是“连续时间里，带噪声和参数不确定性的稀疏鲁棒控制怎么可计算地求精确解”这个问题。核心是尽量同时保证稀疏、鲁棒和全时域约束满足。

半无限规划是什么意思？简单说，就是决策变量虽然是有限个参数，但约束条件却有无穷多个，要对连续时间区间里的每个时刻都成立。本文把控制问题写成了凸半无限规划。

为什么要加正则项 εΥ(θ)？因为原始 L1 目标未必能唯一确定最优控制器。加上严格凸的正则项后，优化问题更容易恢复唯一解；当 ε 取 0 时，仍然可以恢复原问题的最优值。

龙哥点评

论文创新性分数：★★★★☆。把稀疏控制、鲁棒控制和连续时间半无限规划拧在一起，还给出可计算且能恢复最优解的框架。

实验合理度：★★★★☆。弹簧-质量-阻尼系统是经典测试题，场景法和非鲁棒控制的对比也比较有解释力。

学术研究价值：★★★★☆。它补的是连续时间鲁棒稀疏控制里的一个老坑，属于数学上难、工程上也确实有用的方向。

稳定性：★★★★☆。理论链条完整，但严格可行性假设和参数化选择会影响稳定性边界。

适应性以及泛化能力：★★★☆☆。能扩到参数不确定系统和最小注意力问题，但仍依赖合适的字典和问题结构。

硬件需求及成本：★★★☆☆。不吃大模型显卡，但吃优化器和半无限约束处理。

复现难度：★★★☆☆。理论部分写得比较清楚，但算法实现并不轻松。

产品化成熟度：★★★☆☆。更像高质量原型，离工业级部署还需要更多工程封装。

可能的问题：严格可行性、字典选择和半无限规划开销，都会影响实际落地。

主要参考文献

S. Ganguly, A. Aravind, S. Das, M. Nagahara, and D. Chatterjee, “Sparse robust optimal control in continuous-time: a computationally viable approach,” arXiv:2607.11827v1, 2026.

M. Nagahara, D. E. Quevedo, and D. Nešić, “Maximum hands-off control: a paradigm of control effort minimization,” IEEE Transactions on Automatic Control, 2015.

E. Polak, D. Q. Mayne, and D. M. Stimler, “Control system design via semi-infinite optimization: a review,” Proceedings of the IEEE, 1984.

M. C. Campi and S. Garatti, “Introduction to the Scenario Approach,” SIAM, 2018.