清华提出数据驱动控制新形式，算法效率提升三倍

随着大数据技术的广泛应用，控制系统正从依赖模型转向依赖数据。然而，数据驱动控制领域一直缺乏标准化的数据表示形式。清华大学李升波教授课题组（iDLab）首次将现代控制理论中的标准型概念引入数据驱动控制，提出了一种基于数据的系统描述新形式。

该方法中，每条样本数据由两部分组成：必要的转移部分，包含当前状态、动作和下一状态；可插拔的属性部分，用于存储奖励信号或人工设计特征。前者提供控制器设计所需的动力学信息，后者可根据算法需求灵活定制，从而减少冗余计算，提高效率。这一创新显著加速了控制器设计，为数据驱动算法提供了全新思路。

研究团队还通过仿真实验验证了数据标准型的优势。例如，在强化学习中，许多算法需要进行近邻搜索，但传统方法需遍历整个数据集，计算负担沉重。而借助数据标准型，每个样本可提前计算并保存其与若干锚点的距离，形成“空间属性”。结合空间筛选条件定理，算法可以快速缩小候选范围，大幅提升搜索效率。

实验结果显示，在D4RL数据集的Hopper环境中，应用数据标准型后，训练时间从20小时缩短至7小时，效率提升了三倍。此外，数据标准型以极小的存储开销换取显著的时间优势，并具备高度扩展性，为数据驱动控制算法的优化开辟了新方向。

论文链接：https://ieeexplore.ieee.org/document/11107988