Formal Abstraction of Linear Systems via Polyhedral Lyapunov Functions
United Technologies Research Center(联合技术研究中心);Eindhoven University of Technology(埃因霍温理工大学);Boston University(波士顿大学)
提出一种抽象算法,利用多面体Lyapunov函数生成自治离散时间线性系统的有限双模拟商,用于验证任意线性时序逻辑公式。
2012-03-29 cs.SY eess.SY math.OC
Automated Stability Analysis of Piecewise Affine Dynamics Using Vertices
本文针对 PWA 动力系统,提出基于候选 Lyapunov 函数导数符号或向量场变化、并结合 Delaunay 三角剖分的自动多面体划分方法,以更少区域和更短计算时间找到稳定性证书。
2023-12-05 cs.SY eess.SY
Lyapunov Constructions for System Interconnections Arising from Adaptation in Some Optimization Methods
San Diego State University(圣地亚哥州立大学);University of California San Diego(加州大学圣地亚哥分校)
该研究针对自适应梯度方法中的互联系统,采用不同技术构造李雅普诺夫函数,证明自适应梯度优化器全局渐近稳定,提供了验证该性质的李雅普诺夫函数构造方法。
2026-10-06 cs.SY eess.SY math.OC
Proxy Control Barrier Functions: Integrating Barrier-Based and Lyapunov-Based Safety-Critical Control Design
提出 PCBF 模块化安全控制方案,将严格反馈系统分解为代理子系统与虚拟跟踪子系统,结合 CBF、Lyapunov 控制及扰动观测器,在未知动态和非匹配扰动下保障安全并简化 CBF 构造。
2025-01-07 cs.SY eess.SY math.OC
A Class of Distributed Event-Triggered Average Consensus Algorithms for Multi-Agent Systems
本文提出一类基于Lyapunov函数设计的事件触发算法,解决多智能体平均一致性,保证指数收敛并排除Zeno行为,并应用于WSN时钟同步验证。
2019-11-24 cs.MA cs.SY eess.SY
Towards Learning and Verifying Maximal Neural Lyapunov Functions
University of Waterloo(滑铁卢大学)
本文提出基于物理信息神经网络的方法,用于学习接近最大化的Lyapunov函数,并通过SMT求解器验证局部和全局稳定性。
2023-04-14 cs.SY eess.SY math.OC
Compositionally Verifiable Vector Neural Lyapunov Functions for Stability Analysis of Interconnected Nonlinear Systems
本文利用互联非线性系统的组合结构,验证高维系统的神经Lyapunov函数,克服维数灾难,并通过Zubov方程训练的函数在数值实验中优于SOS多项式方法。
2024-03-15 cs.SY eess.SY math.OC
Universal Approximation of Maximal Lyapunov Functions with Anchored Neural Networks
University of Waterloo(滑铁卢大学)
该研究针对局部由渐近稳定齐次向量场主导的系统,构造锚定保正神经网络族,证明其可半全局通用逼近最大李雅普诺夫函数,还给出候选函数认证条件并通过数值示例验证架构有效性。
2026-08-19 cs.SY eess.SY math.OC
Uniform Input-to-State Stability for Switched and Time-Varying Impulsive Systems
Instituto Tecnológico de Buenos Aires(布宜诺斯艾利斯理工学院);CONICET-UNR(阿根廷国家科学技术研究委员会-罗萨里奥国立大学)
本文提出了一种基于Lyapunov函数的方法,用于建立时变脉冲系统的不同类型的统一输入到状态稳定性(ISS),并为脉冲系统提供了新的充分条件,扩展了现有结果在时间不变和时间变、切换和非切换、脉冲和非脉冲系统中的应用。
2020-08-13 cs.SY eess.SY math.OC
Stability of Lyapunov redesign trajectory tracking control with unbounded perturbations -- A tube-based stability analysis
本文提出基于管状分析的Lyapunov重设计方法,用于处理非线性系统在无界扰动下的轨迹跟踪问题,通过保证跟踪误差的收缩性来实现稳定性分析。
2025-12-03 cs.SY eess.SY math.OC
Neural Energy Casimir Control for Port-Hamiltonian Systems
能量Casimir方法是一种有效的控制器设计方法,可以使端口Hamilton系统稳定在期望的平衡点。然而,它的应用依赖于合适的Casimir和李雅普诺夫函数的可用性,其计算通常是棘手的。在本文中,我们提出了一个基于神经网络的框架来学习这些功能。我们展示了如何通过在训练成本中添加适当的正则化项来实现均衡分配。我们还提出了一个参数化的Casimir函数,以减少训练的复杂性。此外,学习的李雅普诺夫函数的平衡点和期望的平衡点之间的距离进行了分析,这表明,对于较小的次优差距,距离线性下降的训练损失。我们的方法是支持模拟上的钟摆系统。
2022-03-28 cs.SY eess.SY
ISS Lyapunov Functions for Cascade Switched Systems and Sampled-Data Control
University of California at Irvine(加州大学欧文分校)
本文研究了级联连接的切换系统输入到状态稳定性问题,提出了用于级联块的ISS Lyapunov函数,并利用这些函数构建整体系统的ISS Lyapunov函数,同时分析了混合系统的稳定性并推导了平均驻留时间的下界。
2020-01-04 cs.SY eess.SY math.DS
Lyapunov-based reinforcement learning for distributed control with stability guarantee
本文提出一种基于李雅普诺夫的强化学习分布式控制方法,通过稳定性条件指导局部策略设计,确保非线性系统闭环稳定,并在化工基准过程中验证其有效性。
2024-12-14 cs.SY eess.SY
Systematic, Lyapunov-Based, Safe and Stabilizing Controller Synthesis for Constrained Nonlinear Systems
针对状态和输入受限的非线性系统,提出了一种同时寻找连续分段仿射(CPA)类Lyapunov函数和控制器的控制器综合方法.非凸优化问题的可接受的状态,可以细化,以满足主要的控制目标,如稳定性和安全性,以及次要的性能目标的三角形子集制定。一个多阶段的设计也给出了扩大区域的吸引力(ROA)顺序,同时允许每个阶段的独家性能。由所得的Lipschitz李雅普诺夫函数得到了闭环系统ROA不变子集的清晰边界。对于控制仿射非线性系统,非凸问题被表述为一系列保守的、适定的半定规划。这些迭代地降低代价函数,直到满足设计目标。由于所得的CPA类李雅普诺夫函数也是Lipschitz控制(或障碍)李雅普诺夫函数,它们可以用于在线二次规划,以找到最小范数控制输入。数值算例验证了该方法的有效性。
2022-03-05 cs.SY eess.SY
Distributed Learning of Neural Lyapunov Functions for Large-Scale Networked Dissipative Systems
Purdue University(普渡大学)
本文研究了由耗散非线性子系统组成的大规模网络系统的稳定域的分布和计算问题。估计一般非线性系统的稳定区域的一种标准方法是首先找到系统的李雅普诺夫函数,并将其吸引区域表征为稳定区域。然而,经典的方法,如平方和方法和二次近似,找到一个李雅普诺夫函数,要么不规模大系统或非常保守的估计的稳定区域。在这种情况下,我们提出了一种新的分布式学习的方法,利用耗散结构的子系统。我们的方法有两个部分:第一部分是一个分布式的方法来学习所有的子系统的存储函数(类似于李雅普诺夫函数),第二部分是一个分布式的优化方法来寻找李雅普诺夫函数的网络系统使用学习的子系统的存储函数。我们证明了我们提出的方法,通过广泛的案例研究,在微电网网络的优越性能。
2022-07-15 cs.LG cs.SY eess.SY
SOS-Convex Lyapunov Functions and Stability of Difference Inclusions
Princeton University(普林斯顿大学);Université catholique de Louvain(天主教鲁汶大学)
本文提出SOS-凸Lyapunov函数用于分析线性和非线性差分包含系统的稳定性,证明其在切换线性系统中为必要充分条件,并展示其在非线性系统中对稳定性分析的贡献。
2018-03-06 cs.SY eess.SY math.DS
Learning Robust Control Lyapunov Functions through Lipschitz Neural Networks
New York University(纽约大学)
提出学习鲁棒控制李雅普诺夫函数和稳定控制器的新框架,利用李普希茨神经网络联合学习,建立神经网络高阶导数边界并引入算法加速验证,通过模拟验证方法。
2026-10-08 cs.SY eess.SY
Systematic Stabilization of Constrained Piecewise Affine Systems
本文提出了一种有效的离线方法,同时综合控制器和寻求闭环李雅普诺夫函数的约束分段仿射系统的可容许状态的三角化子集。三角细分探索了丰富的控制器和李雅普诺夫函数。由于一个显式的Lipschitz李雅普诺夫函数的发现,得到的闭环吸引区域的不变子集。此外,它是一个控制李雅普诺夫函数,所以最小范数控制器可以通过在线二次规划实现。它被公式化为半定规划序列。该方法避免了计算负担的非凸优化和先验的设计选择,是典型的类似的现有方法。
2022-02-28 cs.SY eess.SY
Certified Training with Branch-and-Bound for Lyapunov-stable Neural Control
University of California, Riverside(加州大学河滨分校);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of California, Los Angeles(加州大学洛杉矶分校)
本文提出CT-BaB框架,通过动态训练数据集和自适应分割技术,提升神经控制器在区域吸引域内的认证保证,减少训练与验证时间差异,实现更高效的验证和更大的吸引域。
2026-04-06 cs.AI cs.LG cs.RO
A Lyapunov-Based Small-Gain Theorem for Fixed-Time Stability
University of California, San Diego(加州大学圣地亚哥分校)
本文提出一种基于李雅普诺夫的小增益方法,通过非线性小增益条件确保互联动力系统的固定时间稳定性,并填补了该领域稳定性分析的重要空白。
2026-06-01 cs.SY eess.SY
Koopman-Based Neural Lyapunov Functions for General Attractors
Koopman谱理论在过去的十年中发展成为动力系统分析和控制的有力工具。在本文中,我们将展示如何利用最近的数据驱动技术估计Koopman不变子空间与神经网络提取底层系统的Lyapunov证书。在我们的工作中,我们专门专注于系统的极限环,超越只是一个孤立的平衡点,并使用Koopman特征函数有效地参数化候选李雅普诺夫函数,以构建一些(未知)吸引子动态下的前向不变集。此外,当动力学是多项式时,并且当神经网络被多项式取代作为我们方法中的函数逼近器的选择时,可以进一步利用平方和程序和/或非线性程序来产生可证明正确的李雅普诺夫证书。在这种多项式的情况下,我们的基于Koopman的方法来构建李雅普诺夫函数使用显着更少的决策变量相比,直接制定和解决平方和优化问题。
2022-03-23 cs.SY eess.SY math.DS
Greedy Synthesis of Event- and Self-Triggered Controls with Control Lyapunov-Barrier Function
National Institute of Informatics(国立信息学研究所)
研究了在控制李雅普诺夫函数和控制障碍函数的约束下,事件触发控制和自触发控制的控制输入和执行决策的协同设计问题.所提出的方法计算的控制输入的方式,允许更长的执行间隔,这区别于许多现有的事件和自触发控制器或控制李雅普诺夫-障碍函数控制器。所提出的方法保证了最小执行间时间的下限。所提出的方法的有效性证明,并与现有的方法相比,使用数值例子。
2023-02-24 cs.RO cs.SY eess.SY
Neural Lyapunov Differentiable Predictive Control
Pacific Northwest National Laboratory(太平洋西北国家实验室)
提出一种基于可微编程和概率李雅普诺夫稳定性保证的神经预测控制方法,联合学习策略与李雅普诺夫函数,提供离线训练的高效替代方案,并通过双积分器和飞机模型仿真验证优势。
2022-05-22 cs.LG cs.SY eess.SY
Neural Lyapunov Model Predictive Control: Learning Safe Global Controllers from Sub-optimal Examples
ETH Zürich(苏黎世联邦理工学院);NAISENSE SA(NAISENSE公司)
随着对数据驱动控制技术的兴趣日益增长,模型预测控制(MPC)提供了可靠地利用剩余数据的机会,特别是在考虑安全性和稳定性的同时。在许多现实世界和工业应用中,通常具有现有的控制策略,例如,由人类操作员执行。这项工作的目的是通过学习一个新的控制器,保持安全性和稳定性,以改善这种未知的,安全的,但次优的政策。学习如何安全是直接从数据和系统约束的知识中实现的。该算法交替学习终端成本和更新MPC参数根据稳定性度量。终端成本被构造为一个李雅普诺夫函数神经网络的目的是恢复或扩展的稳定区域的初始演示使用一个短的预测范围。定理的特点的稳定性和性能的学习MPC轴承模型的不确定性和次优性,由于函数逼近。所提出的算法的有效性证明了非线性连续控制任务的软约束。所提出的方法可以改进初始演示器也在实践中,并实现更好的稳定性比流行的强化学习基线。
2021-06-03 cs.AI cs.NE cs.SY
Riemannian Motion Policy Fusion through Learnable Lyapunov Function Reshaping
Georgia Institute of Technology(佐治亚理工学院);University of Washington(华盛顿大学);NVIDIA(英伟达)
RMPflow是最近提出的一个基于微分几何的策略融合框架。虽然RMPflow已经证明了有前途的性能,它需要用户提供合理的子任务策略作为黎曼运动策略(RMP:运动策略和重要性矩阵函数),这本身就是一个困难的设计问题。我们提出RMPfusion,RMPflow的一个变体,来解决这个问题。RMPfusion补充RMPflow的权重函数,可以分层重塑的李雅普诺夫函数的子任务RMP根据当前配置的机器人和环境。这种额外的灵活性可以弥补用户提供的不完美的子任务RMP,提高组合策略的性能。这些权重函数可以通过反向传播来学习。此外,我们证明了,在温和的限制下的权重函数,RMPfusion总是产生一个全球的Lyapunov稳定的运动策略。这意味着我们可以将RMPfusion视为策略优化中的结构化策略类,即使在学习的不成熟阶段,也可以保证生成稳定的策略。我们证明了这些性质的RMPfusion在模仿学习实验在模拟和现实世界的机器人。
2019-10-08 cs.AI cs.LG cs.RO