近日，电子科技大学自动化工程学院2023级测控技术与仪器专业本科生郝琳，在中科院一区Top期刊《IEEE Internet of Things Journal》（IF=8.9）发表题为《Adaptive Optimal Tracking Control of Uncertain Robotic Systems With Global Predefined-Time Stability: A Unified Observer–Identifier–Learning Framework》的研究论文。郝琳为该论文第一作者，电子科技大学自动化工程学院为第一完成单位，彭知南副教授为通讯作者。该研究在程洪教授牵头的电子科技大学机器人研究中心完成，得到该团队主持的国家自然科学基金“面向机器人康复任务自适应的人机冲突交互建模与运动博弈协同控制研究”项目的支撑。论文围绕复杂不确定环境下机器人的高性能轨迹跟踪问题，提出了一种统一的观测—辨识—学习控制框架。
在实际机器人系统中，传感器噪声、硬件条件等因素使速度等高阶状态难以准确测量，同时负载变化、摩擦和模型误差等因素又会导致动力学参数存在不确定性。传统最优控制方法通常依赖完整状态信息或较准确的动力学模型，而在工业机器人、康复机器人等实际应用中，系统还常常对收敛时间、跟踪精度和瞬态性能提出明确要求。因此，如何在“状态不可测、模型不准确”的条件下，同时实现快速、稳定且具有性能保证的最优控制，是机器人智能控制中的重要问题。论文针对的正是状态不可测与动力学不确定同时存在的情形，并进一步要求观测、辨识和控制环节的收敛时间能够预先设计。
【图1 统一观测器—辨识器—学习控制框架（OILF）】
针对上述问题，本研究提出统一的Observer–Identifier–Learning Framework（OILF）。首先设计预定义时间状态观测器，对难以直接测量的高阶状态进行在线估计；在此基础上，提出预定义时间动态回归扩展与混合方法（PTDREM），实现未知动力学参数的在线辨识。与传统方法不同，该方法利用机器人系统的能量关系构造参数回归模型，避免直接处理复杂的科氏力和离心力项，并通过在观测器和参数更新律中直接引入预定义时间机制，使状态估计误差和参数辨识误差能够在设定时间内同步收敛。
在获得状态和动力学信息后，研究进一步构建了基于预设性能的Critic–Actor强化学习结构（PPCA）。Critic和Actor神经网络分别用于逼近最优性能指标和最优控制策略，使机器人在难以直接求解Hamilton–Jacobi–Bellman方程的情况下实现在线最优控制。同时，研究将预设性能约束引入各层级跟踪误差，使位置误差以及高阶子系统误差均能够在给定时间内进入预定范围，从而同时兼顾收敛速度、超调量和稳态精度。
【图2 机器人系统仿真及跟踪性能对比结果】
在理论分析方面，论文进一步证明了状态观测器、系统辨识器和强化学习控制器能够在统一框架下实现全局预定义时间稳定性（Global Predefined-Time Stability，GPTS），即各环节的收敛时间上界均可通过设计参数提前设定。二自由度机器人机械臂仿真结果表明，该方法能够有效完成未知状态和动力学参数估计，并实现快速、平滑的轨迹跟踪；相比有限时间和固定时间最优控制方法，在复杂轨迹条件下表现出更好的跟踪和控制输入性能。
《IEEE Internet of Things Journal》是IEEE旗下物联网领域的重要国际学术期刊，由IEEE Sensors Council、IEEE Communications Society、IEEE Computer Society和IEEE Signal Processing Society联合出版，属于中科院大类一区Top期刊。该期刊主要涵盖物联网体系结构、网络化控制、感知与通信技术、智能信息处理及物联网应用等研究方向，在机器人系统、智能控制、边缘智能和智能感知等交叉领域具有较高影响力。期刊最新公布的2026年影响因子为8.7，五年影响因子为9.6。
论文链接：https://ieeexplore.ieee.org/abstract/document/11541037
