科学机器学习方法用于学习动力系统，该方法结合了数据驱动模型、基于物理模型的建模和经验知识。本研究主要关注运算推断方法，该方法在已知物理学规律或由专家确定的模型结构的先验假设下，构建动力学模型，并通过适当的优化问题学习模型的算子。我们提出了稳定的二次模型的推断形式，并讨论了局部和全局稳定的参数化。进一步，为了避免数值导数并实现对连续系统的学习，我们利用了微分方程的积分形式。通过数值示例，我们展示了该方法在保持稳定性和发现控制方程和保存能量模型方面的应用。

Aug, 2023

针对多维线性系统的自适应稳定化问题，该研究提出了一种确知等效控制方案，该方案将在线参数估计与饱和线性控制相结合，证明了在系统及噪声假设条件下，闭环系统具有高概率稳定性界限，并给出了数值实验结果。

Apr, 2023

通过将非线性系统的内部模型控制原理与最先进的无约束优化方法相结合，我们解决了数据驱动和深度学习方法提高性能的问题，同时保证闭环稳定性。我们的方法可以学习稳定非线性系统上任意深的神经网络控制器，即使优化过早停止，即使未知基准动态，也能保证 Lp 闭环稳定性。我们通过多个数值实验讨论了所提出控制方案的实施细节，包括分布式方案和对应的优化过程，并展示了通过自由塑造代价函数的潜力。

May, 2024

基于机器学习方法的控制研究现已过渡到实际工程阶段。本文提出了一种学习方法，用于确保系统的稳定性、可靠性等方面，为各种控制理论提供了高度的自由度，以实现高性能和理论上的安全性。通过将简单线性控制与控制屏障函数相结合，展示了一个设计示例，并将其应用于汽车发动机的实时控制，实验结果表明具有良好的预测性能和稳定的控制能力。

Nov, 2023

该研究提出了一种基于物理信息的机器学习控制方法，用于具有高噪声测量的非线性动态系统。结果表明，该方法在高噪声条件下的非线性动态系统的建模准确性和控制性能方面优于现有的基准方法。

Nov, 2023

研究了具有未知动态的约束线性二次调节器，在数据驱动控制技术中解决了安全和探索之间的紧张关系。提出了一个框架，通过持续的激励进行系统识别，同时通过保证状态和输入约束的满足来维护安全。该框架涉及一种新的方法来合成强健的满足约束的反馈控制器，利用了系统级综合的新开发工具。将统计结果与成本次优性边界相连接，从而给出了关于估计和控制器性能的非渐近保证。

Sep, 2018

使用数据学习 Hamilton 系统的框架，基于 lifting 假设，将非线性 Hamilton 系统用具有三次 Hamilton 量的非线性系统表示，并通过强制施加 Hamilton 结构和辛自编码器来学习二次动力系统，实现了系统的长期稳定性和相对较低的模型复杂度。

Aug, 2023

提出了一种新的学习稳定非线性动态系统的框架，其中包括控制理论正则化器，以用于机器人连续控制任务，并且通过将稳定性概念根源化来保证稳定性的存在。

Jul, 2019

论文研究了通过调节策略的输入输出梯度，可以基于可行性半定规划问题获得健壮稳定性的保证，并通过应用于两个去中心化控制任务，证明强化学习代理可以在稳定控制参数空间中具有高性能和长期稳定的学习行为。

Oct, 2018

我们开发了一种算法，从轨迹数据中学习证明函数。我们从轨迹数据中建立了证明函数，并将其转换为全局稳定性保证，可以应用于其他任务中。

Aug, 2020