获奖 | 入选第十七届北京青年优秀科技论文

近日，北京市科学技术协会发布《关于公布第十七届北京青年优秀科技论文征集入选名单的通知》，经征集、推荐、遴选、复核，最终产生209篇北京青年优秀科技论文。分布式人工智能实验室负责人沈栋教授的论文《Practical learning-tracking framework under unknown nonrepetitive channel randomness》成功入选。

获奖论文信息

Dong Shen. Practical Learning-Tracking Framework Under Unknown Nonrepetitive Channel Randomness. IEEE Transactions on Automatic Control, vol. 68, no. 6, pp. 3331-3347, 2023.

获奖论文简介

该论文首次研究了一般不可靠衰落信道通信条件的迭代学习跟踪问题，其中衰落信道的统计性质不仅未知且沿迭代轴变化。该文引入了一种实用的非渐近估计方法，它不同于目前广泛应用的渐近估计方法，仅基于一个批次内的有限测试信号建立衰落信道随机变量的均值逆的无偏估计。进一步，提出了一种学习跟踪控制框架，严格证明了其所产生的控制信号渐进收敛到最优输入信号，从而展示了所提方案的有效性。

研究课题介绍

信号随机衰落通信环境下的学习控制问题，是本课题组在国际上率先提出并深入研究的课题。传统考虑通信环境的数据不完备现象，通常用数据丢包进行刻画。在数据丢包场景下，虽然数据包传输成功与否是随机事件，但当数据包成功传输时其所包含的信息是准确无误的。而更一般的情形是，虽然数据包被成功传输，但在传输过程中由于信号反射、折射与散射等原因，导致其所包含的信息发生了漂移。换言之，接收到的信息相较于真实信息是有偏的，因此所接收到的信息往往不可直接应用，需要对实际信号做出必要的校正以实现有效控制。这一类问题被称为信号随机衰落通信，给高精度控制带来了本质性的困难。

针对这一问题，课题组取得了如下重要进展。

——————★ ★ ★——————

首先，输入信号经传输、校正后虽然相较原信息是无偏的，但也产生了依赖于信号的随机扰动，这对系统动态运行会造成本质性的影响。课题组提出了沿迭代轴的滑动平均机制，确保了控制信号的光滑性和系统运行的平稳性；综合对比分析多种迭代平均机制，立了各种机制下学习能力与跟踪能力之间的折中平衡关系数学表达式，刻画了多种平均机制之间的关系，为应用提供了指导原则。

其次，针对随机衰落信道统计信息未知的情形，课题组创新地提出了多种估计方案，其一是提出了仅基于有限测试信号的迭代估计机制，实现了沿迭代轴方向的渐进一致估计；其二是基于随机差分方法建立了系统动态信息与信道统计信息均未知情形下的学习梯度方向估计，放宽了对应用场景条件的要求；其三是考虑随机衰落信道统计信息随迭代轴也发生变化的广义非重复情形，刻画了实现渐进精确跟踪的最小信息需求，建立了仅基于单批次有限个测试信号的均值逆的无偏估计，实现关键信息的提取与校正。

最后，课题组还探索了多种复杂场景下的拓展研究，一是针对线性与非线性多智能体系统提出了基于随机衰落邻居信息的批次学习一致性算法；二是针对随机点对点跟踪问题，分别提出了输入更新与参考轨迹更新两种迭代学习控制方案，有效提升了相关场景下的迭代学习能力。

——————★ ★ ★——————

上述工作深入探索了迭代学习控制算法针对复杂系统在随机衰落信道场景下的本质学习能力，揭示了基于学习思想的设计方案具有强数据鲁棒性并给出了相应的数学刻画，提出了多个富有实用性的机制设计。相关成果发表在IEEE 汇刊与IEEE/CAA JAS等顶级期刊上，且均为长论文(Full Paper/Regular Paper/Paper)形式发表。课题组的这些工作得到了多位国内外院士和IEEE Fellow的引用与正面评价。

基于上述工作，沈栋教授与澳大利亚RMIT余星火教授合作在国际著名学术出版集团CRC Press出版专著《Iterative Learning Control over Random Fading Channels》。

课题相关文献

[1] Dong Shen, Xinghuo Yu. Iterative Learning Control Over Random Fading Channels. CRC Press, 2024.

[2] Dong Shen, Ganggui Qu, Qijiang Song. Learning Control for Networked Stochastic Systems with Random Fading Communication. IEEE Transactions on Systems, Man, and Cybernetics-Systems, vol. 52, no. 6, pp. 3659-3670, 2022.

[3] Dong Shen, Ganggui Qu. Performance Enhancement of Learning Tracking Systems Over Fading Channels with Multiplicative and Additive Randomness. IEEE Transactions on Neural Networks and Learning Systems, vol. 31, no. 4, pp. 1196-1210, 2020.

[4] Dong Shen, Ganggui Qu, Xinghuo Yu. Averaging Techniques for Balancing Learning and Tracking Abilities Over Fading Channels. IEEE Transactions on Automatic Control, vol. 66, no. 6, pp. 2636-2651, 2021.

[5] Dong Shen, Xinghuo Yu. Learning Tracking Over Unknown Fading Channels Based on Iterative Estimation. IEEE Transactions on Neural Networks and Learning Systems, vol. 33, no. 1, pp. 48-60, 2022.

[6] Dong Shen, Xinghuo Yu. Learning Tracking Control Over Unknown Fading Channels Without System Information. IEEE Transactions on Neural Networks and Learning Systems, vol. 32, no. 6, pp. 2721-2732, 2021.

[7] Dong Shen. Practical Learning-Tracking Framework Under Unknown Nonrepetitive Channel Randomness. IEEE Transactions on Automatic Control, vol. 68, no. 6, pp. 3331-3347, 2023.

[8] Ganggui Qu, Dong Shen, Xinghuo Yu. Batch-Based Learning Consensus of Multiagent Systems With Faded Neighborhood Information. IEEE Transactions on Neural Networks and Learning Systems, vol. 34, no. 4, pp. 2965-2977, 2023.

[9] Ganggui Qu, Dong Shen, Qijiang Song, Xinghuo Yu. Point-to-Point Learning and Tracking for Networked Stochastic Systems with Fading Communications. IEEE Transactions on Systems, Man, and Cybernetics: Systems, vol. 53, no. 6, pp. 3600-3612, 2023.

[10] Shunhao Huang, Dong Shen, JinRong Wang. Point-to-Point Learning Tracking Control via Fading Communication Using Reference Update Strategy. IEEE Transactions on Cybernetics, vol. 54, no. 4, pp. 2284-2294, 2024.