知识卡片：面向复合自适应控制的收缩动力学表征统计学习

一句话结论

该工作提出一个表示学习框架，用带 Kalman smoother 的 hard-EM 学习一致收缩的扰动潜动力学，并与贝叶斯滤波结合，形成具有预测能力、可证明指数收敛到有界邻域的复合自适应跟踪控制器；在湿滑地面车辆携带液晃罐与摆负载、以及耦合 Duffing 振子实验中，相比固定衰减表示学习、LTI DAC 和模型 PD 基线，取得更准确的扰动预测和整体跟踪性能提升。

事件概述或研究问题

研究问题：在动态耦合扰动下，如何为复合自适应跟踪控制学习扰动的动力学表示，并把经典 disturbance-accommodating control (DAC) 与近期 last-layer adaptive disturbance-rejection 方法连接起来。材料为 arXiv 论文摘要与元数据，未提供正文细节。

英文标题保留：Statistical Learning of Contractive Dynamical Representations for Composite Adaptive Control。

方法/产品要点

• 框架连接 classical disturbance-accommodating control (DAC) 与 recent last-layer adaptive disturbance-rejection methods。
• 引入 statistically principled hard expectation-maximization (hard-EM)，并在 hard E-step 中使用 Kalman smoother。
• 识别扰动的 dynamical representations，其 latent evolution 是 uniformly contractive。
• 学习表示从 measured plant features 和 control inputs 演化 latent disturbance-excitation state，并解码为作用在 nominal plant 上的 time-varying disturbance。
• 将先前 “fixed-decay” last-layer adaptive methods 扩展为 learned, predictive DAC-style formulation。
• 与 learned latent state 的 Bayesian filtering 结合，得到 composite adaptive tracking controller，具有 predictive capability 和 provable exponential convergence to a bounded neighborhood。

主要结果或产业意义

• 实验验证：slippery ground vehicle carrying a liquid-sloshing tank and a pendulum load；进一步在 coupled Duffing oscillators 上评估鲁棒性。
• 在两个设置中，方法实现 accurate disturbance prediction 和 improved overall tracking performance，对比对象包括 fixed-decay representation-learning ablations、LTI disturbance-accommodating baselines、model-based PD baselines。
• 产业意义：对需要在线预测或抑制动态耦合扰动的控制场景，如车辆、机器人、含液体或柔性负载系统，提供“学习扰动模型 + 自适应控制”的潜在路线。具体适用边界与工程成本待核实。

为什么重要

• 将表示学习与经典 DAC/自适应控制结合，并用 hard-EM + Kalman smoother 学习收缩潜动力学，可能兼顾预测能力与稳定性理论保证。
• 与已有相关卡片主题不同，本条不重复其事实；增量点在于把表示学习用于扰动动力学，并给出可证明收敛到有界邻域的复合自适应控制 formulation。
• 对 foundation-model 相关讨论的增量：目前材料仅在 Topics 标注 foundation-model，正文未展开基础模型方法；此关联待核实。

局限与不确定性

• 原始材料仅提供摘要/元数据摘录，方法细节、定理条件、有界邻域界的大小、实验规模、超参数、计算开销、代码/数据可用性均待核实。
• 实验平台特定，跨系统泛化能力待核实。
• 可证明指数收敛到有界邻域的具体假设与证明范围待核实。
• 原始材料未单列英文关键词；以下关键词为从标题/摘要/元数据提取，需以论文原文为准：disturbance-accommodating control, composite adaptive control, representation learning, contractive dynamical representations, hard-EM, Kalman smoother, adaptive disturbance rejection, foundation-model。

可用于图书/PPT/简报的角度

• “从固定衰减到学习预测”：last-layer 自适应扰动抑制如何演进为 DAC 风格预测控制。
• “统计学习 + 控制理论”：hard-EM、Kalman smoother 与收缩潜表示如何服务稳定性保证。
• “收缩性作为先验”：为什么让 latent evolution uniformly contractive 可能重要，及其理论含义待核实。
• “实验故事”：湿滑地面车辆 + 液晃罐 + 摆负载；耦合 Duffing 振子鲁棒性测试。
• “产业落地讨论”：学习扰动模型在车辆、机器人、含液体负载系统中的机会与验证清单。

原始材料

• 英文标题：Statistical Learning of Contractive Dynamical Representations for Composite Adaptive Control
• 作者：Min Kim, José Leonardo Brenes, Fred Hadaegh, Soon-Jo Chung
• arXiv ID：2609.35758v1
• 发布时间：2026-09-28T17:59:07Z；更新：2026-09-28T17:59:07Z
• Primary category：eess.SY
• Categories：eess.SY, cs.LG, cs.RO
• Track：academic；Topics：foundation-model
• Abstract URL：https://arxiv.org/abs/2609.35758v1
• PDF URL：https://arxiv.org/pdf/2609.35758v1