清华大学李升波教讲课题组正在数据驱动限度编造方面获得了一系列原创性表面成效，鞭策限度表面从模子驱动向数据驱动革新。

　　02该团队提出了首个合用于数据驱动限度编造的安定性断定算法η-检讨，管理了安定性断定困难。

　　03为此，切磋职员提出了“数据规范型”的全新观念，抬高了数据驱动限度算法的作用。

　　04同时，该团队提出了“微域可控性”观念和其检讨技巧，管理了数据驱动限度编造空间描画不完好的可控性检讨困难。

　　05通过操纵这一数据驱动明白框架，该团队获胜开采了国内首套端到端自愿驾驶编造iDrive。

　　近年来，跟着人为智能技巧的渊博操纵，以数据为主题的编造表征技巧赶疾分泌到限度范围，限度编造的策画技巧正迎来一场从模子驱动向数据驱动的范式革新，即从古板的模子驱动限度（modelic control，即model-driven control）到数据驱动限度（datatic control，即data-driven control）。

　　对付限度编造而言，编造的安定性、可控性及规范型是限度表面的基础题目。数据驱动限度不依赖于被控对象的数学模子，而是直接通过输入/输出（I/O，Input /Output）数据与限度器毗连，并凭据 I/O 数据对编造状况举办调节。

　　其便宜是限度器的策画不依赖于繁杂的编造模子，但却无法担保限度编造的安定性和鲁棒性。于是，必要构修基于数据的限度本能界说和明白技巧，以进一步完备数据驱动限度的表面框架。

　　近年，清华大学李升波教讲课题组正在数据驱动限度编造（datatic control system）的个性明白方面，获得了一系列原创性表面成效 [1-3]。

　　该切磋团队模仿古板限度表面的根蒂表面，提出了一套全新的数据驱动明白框架，搜罗编造数据描画方法的特征与限造、用于安定性检讨的 η-检讨算法、从“切确可控性”到“微域可控性”观念拓展，用于可控性检讨的 MECS 算法，以及用于练习算法本能提拔的数据描画规范型等。

　　编造安定性方面，提出了首个合用于数据驱动限度编造的安定性断定算法 η-检讨，管理了数据描画方法空间不陆续形成的安定性断定困难：诈欺编造动力学的利普希茨陆续性（Lipschitz continuity），将离散数据点上的状况改观讯息延拓到未知的陆续空间，并据此估量出李雅普诺夫（Lyapunov）函数的导数上界，从而断定编造的李雅普诺夫安定性。

　　数据规范型方面，提出了一种基于数据的编造描画新表面，每个规范表面的样本由改观和属性构成，诀别用于描画编造转变秩序和人工界说特质。符合推广的属性组分，不光便于提拔编造描画的精确性，还能提拔最优限度政策的练习作用，为数据驱动限度算法的高效实行供给新的思绪。

　　编造可控性方面，提出了用于数据驱动限度编造的“微域可控性”观念，将古板的点对点可控性拓展到点对区域的表面，进而将状况改观讯息从离散数据点延拓到数据点之间的陆续空间中。基于这一道理，该切磋团队提出了首个数据驱动限度编造的可控性检讨算法 MECS（maximum expansion of controllable subset），通过树搜罗迭代寻找编造的微域可控状况。

　　这三项切磋成效既拥有相闭又互为增加，通过从新界说数据驱动编造的安定性、规范型及可控性，为明白该类编造的个性供给了核默算法和适用用具，这对数据驱动限度器的归纳策画拥有紧急的指示道理。

　　第一次工业革命通过普及呆板化技巧，为厥后的自愿化奠定了根蒂。第二次工业革命通过电气化和通讯技巧，发端实行了模仿自愿化。

　　正在第三次工业革掷中，借帮于估量机与半导体技巧，通过数字信号实行自愿化的技巧趋于成熟。进入第四次工业革命后，以人为智能为主题技巧，协调大数据、云估量和物联网等技巧，实行了从感知到决议的智能奔腾。

　　自愿限度范围的表面发达史册悠远，正在古板的模子驱动限度范式下，已酿成了一套全数且普适的根蒂表面。

　　然而，正在人为智能期间，自愿限度编造的策画范式已发作革新，从利用通报函数、状况空间为根蒂的限度器策画与优化，过渡到利用数据练习和优化以参数化函数为根蒂的限度器。

　　李升波指出，“以自愿驾驶范围为例，因为车辆模子非线性，车辆之间交互随机，车辆行驶场景繁杂，很难利用一个特定的动力学模子对其举办切确描画。于是，自愿驾驶的感知、决议和经营正在数据驱动范式下举办切磋会有更好的后果。”

　　恰是因为古板的模子驱动技巧依赖于修模的切确性，导致繁杂编造的修模变得难题，于是直接诈欺编造天生的数据来策画限度器，成为人为智能范式下自愿限度范围切磋的闭头偏向。

　　因为模子驱动范式与数据驱动范式之间存正在明显的分别，于是到目前为止，数据驱动范式下的限度表面系统尚未完整设立，且无法直接用模子驱动的表面举办转移。

　　最初，模子驱动范式表面利用模子来描画，正在繁杂编造下存正在修模差错，而数据驱动范式则通过离散的状况改观数据点对编造举办切确描画，但数据点之间存正在着间隙，这导致数据点之间的编造讯息无法直接获得。

　　其次，正在表面层面，古板模子驱动范式下的限度算法策画以矩阵明白为根蒂，而数据驱动范式下的算法以迭代优化表面为根蒂。

　　除此以表，二者的限度政策承载体也存正在差异，前者依赖于显式的限度方程 (如黎卡提方程)，然后者依赖于参数化的神经收集。

　　综上所述，古板模子驱动范式下的根蒂表面正在数据驱动范式下并分歧用。于是，怎么正在数据驱动范式下设立编造的规范型、安定性断定和可控性断定等根蒂表面，成为数据驱动范式下最初必要解答的题目。

　　编造的安定性是限度器策画的首要考量成分，安定性断定表面是闭环限度的基石。

　　正在模子驱动的限度编造中，安定性断定表面已较为成熟。早期的表面搜罗劳斯-赫尔维茨（Routh-Hurwitz）判据和奈奎斯特（Nyquist）判据，它们是经典限度表面的紧急根蒂。

　　尔后，由俄国数学家亚历山大·米哈伊洛维奇·李雅普诺夫（Aleksandr Mikhailovich Lyapunov）提出的李雅普诺夫安定性及其断定表面是操纵最为渊博的安定性表面，这也为摩登限度表面的振兴奠定了根蒂。

　　模子驱动的安定性断定表面依赖已知的编造动力学模子。比方，断定李雅普诺夫安定性必要诈欺动力学模子估量陆续空间中，李雅普诺夫函数对期间的导数。

　　然而智能，正在数据驱动的限度编造中，数据点只可供给空间上离散的编造描画，于是数据点之间的描画缺失导致模子驱动的安定性断定表面分歧用于数据驱动的编造。

　　为管理该题目，切磋职员提出首个合用于数据驱动限度编造的安定性断定算法 η-检讨。

　　这一算法的基础道理是诈欺编造动力学的利普希茨陆续性，将数据点上的状况改观讯息延拓到未知区域，并据此估量出李雅普诺夫函数的导数上界，从而断定编造的李雅普诺夫安定性。

　　图丨安定编造的安定性检讨结果（左：表面值，右：估量值）（出处：arXiv）

　　实习注明，η-检讨算法可能精确断天命据驱动限度编造的安定性、担心定性和临界安定性。该切磋为数据驱动编造的安定性断定供给了有用技巧。

　　该职业的第一作家、清华大学博士生杨雨杰默示：“假若有了数据驱动的编造安定性断定算法，就能够仅依赖数据，正在将限度器操纵于现实编造之前，事先判决出其安定性。这对数据驱动限度算法的策画拥有紧急的指示道理。”

　　图丨担心定编造的安定性检讨结果（左：表面值，右：估量值）（出处：arXiv）

　　以加强进修为例，练习算法往往涉及豪爽的迭代估量，假若没相体贴数据样本的内正在个性（比方因果性、限度性等），往往导致每步练习迭代都邑反复估量少许所需讯息（比方各样本之间的范数间隔等），推广了不需要的估量承当。

　　该切磋职业的第一作家、清华大学博士生占国修阐明说：“因果性是指状况改观与限度举措的动态依赖性，每一步的举措都影响了下一步的状况，而下一步的状况又决策了来日的状况，这种因果相闭链贯穿于全体状况改观和限度举措的序列。限度性是指每步的限度举措至多依赖于有限的史册交互讯息，这应允了正在线采样流程高效估量与存储练习所需的讯息。”

　　诈欺数据样本的这两个内正在个性，切磋职员为数据驱动限度编造提出了“数据规范型”的全新观念。

　　每个数据样本由改观和属性两个一面构成智能，个中改观用于描画编造的转变秩序，属性用于描画人工界说的特质。符合推广的属性组分不光能够辅帮编造描画，还能为限度器的练习供给方便并抬高作用。

　　实习注明，采用规范表面的数据能够将限度器的练习期间从 21 幼时缩短至 7 幼时，作用抬高近 3 倍，同时明显省略了练习中的担心定气象。

　　李升波默示：“切磋提出的数据规范型用少量的存储空间换取了明显的期间上风，增添了基于数据的编造描画规范表面的空白，为抬高数据驱动算法作用供给了新的偏向。”

　　可控性是限度编造的一项基础属性，判决一个编造是否拥有可限度性是限度表面切磋的主题题目之一。正在模子驱动的编造中，已有渊博的切磋体贴可控性断定表面。

　　该切磋职业的作家之一、清华大学博士生陶笑天默示，纵然模子驱动的限度编造正在可控性检讨的表面方面一经趋近成熟，但因为数据驱动的限度编造只可依赖于离散的数据点，这范围了对编造行径的完好描画。于是，古板基于模子的可控性检讨技巧对付数据驱动的限度编造来说并分歧用。

　　为管理上述题目，切磋职员第一次提出“微域可控性”观念和其检讨技巧，用于管理数据驱动限度编造空间描画不完好的可控性检讨困难智能。

　　古板的可控性是指编造状况能正在有限期间内从任何初始点切确地改观到方向状况，又称切确可控性。

　　与之分别，微域可控性将切确的点对点可控性延迟至点对区域的表面，体贴编造状况是否可能改观到方向状况邻近的一个幼邻域内。这一观念将状况改观讯息从离散的数据点，扩展到数据点之间的陆续空间中。

　　基于微域可控性的界说，切磋职员提出了首个合用于寻常非线性数据驱动限度编造的可控性检讨算法——MECS。该算法通过对可控状况树举办搜罗，迭代举办挑选、扩展、评估、修剪四个次序，从而寻找最大可控集。

　　图丨双平均点编造的微域可控性检讨（左：平均点 1，右：平均点 2）（出处：arXiv）

　　实习结果注明，MECS 算法仅通过数据就能断天命据凑集的微域可控状况，进而检讨编造的可控性。

　　“有了微域可控性的观念，咱们就能够纯粹靠数据来检讨一个编造对象是否拥有可控性，而正在此之前这是无法实行的。之前的技巧必要先设立一个显式的编造动力学模子，然后再根据该模子来检讨编造的可控性。很昭彰，假若模子不精确，编造的可控性检讨也是不精确的。”该职业的联合切磋者、清华大学博士生杨雨杰说。

　　安定性、规范型和可控性是限度编造切磋的基石，正在数据驱动的编造描画范式下，这些观念获得了进一步的完备和发达。

　　李升波及其课题组的切磋生们通过深刻切磋这三个主题题目标性质属性，构修了一套全新的数据驱动明白框架，为来日“人为智能+自愿限度”范围的交叉切磋奠定了紧急根蒂。

　　自愿驾驶技巧是人为智能范围的一大打破，拥有提拔平时出行安然性、作用性和便捷性的庞大潜力。

　　然而，古板技巧往往依赖于切确模子和人为条例，难以诈欺数据实行本能提拔，正在面临未知或繁杂交通场景时智能性受到范围，平日只可实行 L1 或 L2 级辅帮驾驶效用。

　　比拟之下，端到端自愿驾驶编造通过全模块神经收集化，直接诈欺高维特质向量，实行原始感知数据到车辆限度指令的讯息通报。

　　这不光明显省略了从传感器到践诺器的讯息耗损，况且还给编造给予了数据驱动的闭环迭代才智，为实行更高级别自愿驾驶拓荒了新途途。

　　实行安然高效端到端自愿驾驶编造的一个主题挑拨是：怎么对该类数据驱动的编造举办规范表面的描画，并正在确保编造安定性和可控性的条件下实行本能的接续提拔智能。

　　此前，该范围切磋尚未获得充实索求。李升波课题组构修的数据驱动明白框架获胜增添了这一空缺，为端到端自愿驾驶技巧供给了主题绪论援帮。

　　通过深刻切磋和操纵这一表面框架，该团队获胜开采了国内首套端到端自愿驾驶编造 iDrive，涵盖了“感知-预测-决控”的全链途症结，并率先告竣了中国都市工况的绽放道途验证。

　　该编造由三个数据练习告竣的基座模子构成：感知基座模子、预测基座模子和决控基座模子，是一个类型的“三段式”端到端自愿驾驶编造。

　　“咱们秉持蚂蚁迁居的心灵，从表面、算法、用具链到操纵验证，一一构修了端到端自愿驾驶编造研发的完整系统。”这一切磋职业的列入者、清华大学博士生吕尧如是说。为AI时间智能操纵体例奠定根底：科学家构修崭新数据驱动说明框架鼓吹策画范式从模子驱动到数据驱动厘革