2025_NIPS_Globally Optimal Policy Gradient Algorithms for Reinforcement Learning with PID Control Po

文章核心总结与翻译

一、主要内容

文章聚焦强化学习（RL）与比例-积分-微分（PID）控制的融合，解决传统PID调参依赖启发式规则、缺乏理论保障的问题。通过将PID控制建模为优化问题，推导PID参数的精确策略梯度表达式，提出两种具有全局最优性和收敛保证的算法：模型基的PG4PID（适用于完整PID控制）和无模型的PG4PI（适用于PI控制）。在ControlGym环境的实验中，两种算法均展现出快速收敛性、零稳态跟踪误差和强鲁棒性，性能优于PPO和LQR等基准方法。

二、创新点

1. 建立PID控制与RL策略梯度方法的严格理论衔接，证明PID优化目标的梯度优势特性，确保一阶平稳点即为全局最优。
2. 推导PID参数（KP、KI、KD）的精确策略梯度表达式，为算法设计提供理论基础。
3. 提出模型基PG4PID算法，通过系统辨识估计系统矩阵，实现线性收敛；提出无模型PG4PI算法，引入随机策略规避模型依赖，首次为PI控制提供全局最优性和样本复杂度保证。
4. 实验验证算法在高维环境（8维化学反应器、48维医院系统）中的有效性，且PID架构自带的积分项使其相比LQR具有零稳态误差优势。

三、核心部分翻译（Markdown格式）

Abstract（摘要）

我们提出了具有全局最优性和收敛保证的策略梯度算法，用于基于比例-积分-微分（PID）参数化控制策略的强化学习（RL）。强化学习能够通过与