Belief-Informed Hybrid Control with Almost-Sure Target-Set Convergence
作者: Clinton Enwerem, Saleh Kemal, John S. Baras, Calin Belta
分类: eess.SY, cs.RO, math.OC
发布日期: 2026-10-06
备注: 8 pages, 5 figures, 6 tables. Project page: https://clintonenwerem.com/belief-hybrid-control/
💡 一句话要点
提出信念驱动的混合控制算法以解决目标集收敛问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 混合控制 信念驱动 参数不确定性 目标集收敛 双重控制算法 自动化控制 机器人操作
📋 核心要点
- 现有方法在面对参数不确定性时，难以有效控制混合系统到达目标集，常常需要偏离目标集进行探索。
- 本文提出了一种信念驱动的双重控制算法，通过信念空间的递归视野选择和期望减少约束来优化控制决策。
- 实验结果表明，所提算法在平面调节和双手组装任务中显著提高了目标集收敛性和相对位置精度。
📝 摘要（中文）
在参数不确定的情况下，控制混合系统到达目标集可能需要采取信息性动作，暂时使系统状态偏离指定集。本文提出了一种信念驱动的双重控制算法，结合了信念空间的递归视野选择和非负目标集进展函数的期望减少约束。为了适应探索性偏差，标量控制器状态限制了约束的累积松弛。我们证明了在距离比较界限、正确条件预测和递归可行性下，几乎确定的目标集收敛性，并界定了期望进展函数值的总和和期望邻域进入时间。通过在未知控制方向的平面调节中验证递归可行性，提出的两步选择在11次决策内将欧几里得状态范数降低到0.01以下。模拟的双手组装任务中，算法的单步实现利用间隙反馈在名义摩擦下完成组装，相较于基线方法，最终时刻的无穷范数相对位置误差降低了96.4%。
🔬 方法详解
问题定义：本文旨在解决在参数不确定性下控制混合系统到达目标集的问题。现有方法往往需要偏离目标集进行探索，导致控制效果不佳。
核心思路：提出的信念驱动双重控制算法结合了信念空间的递归视野选择与期望减少约束，允许在控制过程中进行探索性偏差，同时确保目标集的收敛性。
技术框架：整体架构包括信念更新模块、决策选择模块和约束评估模块。信念更新模块根据预测观察更新参数信念，决策选择模块基于更新后的信念进行两步选择，约束评估模块确保所选动作的可行性。
关键创新：最重要的创新在于引入信念驱动的双重控制策略，通过两步选择机制有效地平衡了探索与收敛，克服了传统方法的局限性。
关键设计：算法中设置了标量控制器状态以限制约束的累积松弛，并设计了期望减少约束以确保目标集的收敛性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，在平面调节任务中，所提算法在11次决策内将欧几里得状态范数降低至0.01以下，而传统的单步选择方法在零输入后立即失去可行性。在双手组装任务中，算法的单步实现相较于基线方法，最终时刻的无穷范数相对位置误差降低了96.4%。
🎯 应用场景
该研究的潜在应用领域包括自动化控制、机器人操作和智能制造等。通过提高混合系统在不确定环境下的控制能力，能够显著提升生产效率和安全性，具有重要的实际价值和未来影响。
📄 摘要（原文）
Controlling a hybrid system to a target set under parameter uncertainty can require informative actions that temporarily drive the system state away from the specified set. We propose a belief-informed dual-control algorithm that combines belief-space receding-horizon selection with an expected-decrease constraint on a nonnegative target-set progress function. To accommodate exploratory deviations, a scalar controller state bounds the constraint's cumulative slack. Our algorithm's two-step lookahead selection uses predicted observations to update the parameter belief before evaluating the subsequent action's admissibility. Under distance-comparison bounds, correct conditional prediction, and recursive feasibility, we prove almost-sure target-set convergence at decision times and bound both the sum of expected progress-function values and the expected neighborhood-entry time. Upper confidence bounds extend these convergence guarantees to bounded model samples with summable error probabilities. In planar regulation with an unknown control direction, we verify recursive feasibility: the proposed two-step selection reduces the Euclidean state norm below 0.01 within 11 decisions for either sign, whereas a myopic one-step selection loses admissibility immediately after zero input. In a simulated bimanual assembly task, our algorithm's one-step implementation uses clearance feedback to complete the assembly under nominal friction, yielding a 96.4% lower infinity-norm relative-position error than the reference-tracking baseline at the method's completion time. At lower friction, its posterior conditioning successfully detects an empty admissible set, whereas a fixed-prior alternative admits an action that violates the conditional decrease constraint. Project page: https://clintonenwerem.com/belief-hybrid-control/.