⚡ electrical engineering

Excitation of control-affine systems and Koopman error bounds

Dieses Paper schlägt ein datengesteuertes Framework für kontrollaffine Systeme vor, das die Robustheit bilinearer EDMD-Verfahren durch die Ableitung von Leitlinien zur Eingangsselektion und Optimalitätsbedingungen zur Maximierung des minimalen Singulärwertes verbessert, wodurch eine zuverlässige Systemidentifikation gewährleistet und die Wirksamkeit bei der Steuerung nichtholonomer Roboter nachgewiesen wird.

Ursprüngliche Autoren: Philipp Schmitz, Lea Bold, Friedrich M. Philipp, Mario Rosenfelder, Peter Eberhard, Henrik Ebel, Karl Worthmann

Veröffentlicht 2026-06-02

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Philipp Schmitz, Lea Bold, Friedrich M. Philipp, Mario Rosenfelder, Peter Eberhard, Henrik Ebel, Karl Worthmann

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen einem Roboter beizubringen, wie er sich bewegt, indem Sie ihm Beispiele zeigen. Sie wollen dem Roboter eine Regel beibringen, die besagt: „Wenn ich den Joystick auf diese Weise drücke, bewegt sich der Roboter auf jene Weise.“

In der Welt des Ingenieurwesens nennt man das Systemidentifikation. Die Arbeit, nach der Sie fragen, befasst sich mit einem spezifischen Problem: Wie wählt man die besten „Druckstöße“ (Eingaben), um den Roboter zu lehren, damit er die Regel perfekt lernt und nicht verwirrt wird?

Hier ist die Aufschlüsselung ihrer Arbeit unter Verwendung einfacher Analogien:

1. Das Problem: Lehren mit schlechten Beispielen

Die Autoren arbeiten mit kontinuierlich affinen Systemen (Control-Affine Systems). Stellen Sie sich das als eine Maschine vor, bei der die Bewegung eine Mischung aus zwei Dingen ist:

Natürlicher Drift: Der eigene interne Impuls des Roboters (wie ein Auto, das einen Hügel hinunterrollt).
Ihr Druck: Die Kraft, die Sie ausüben (wie das Drücken des Gaspedals).

Um dem Roboter die Mathematik hinter dieser Bewegung beizubringen, verwenden Forscher eine Methode namens EDMD (Extended Dynamic Mode Decomposition). Es ist wie ein superintelligenter Taschenrechner, der Ihre Daten betrachtet und versucht, eine gerade Linie (oder eine einfache Kurve) durch die Punkte zu ziehen, um die Zukunft vorherzusagen.

Der Haken: Wenn die Daten, die Sie dem Taschenrechner geben, „langweilig“ oder „geklumpt“ sind, wird der Taschenrechner verwirrt.

Analogie: Stellen Sie sich vor, Sie versuchen, die Form eines 3D-Objekts zu bestimmen, indem Sie es nur aus einem einzigen Winkel betrachten. Sie könnten denken, es sei ein flacher Kreis. Aber wenn Sie von oben, unten und von den Seiten darauf schauen, sehen Sie eine ganze Kugel.
In mathematischen Begriffen ausgedrückt: Wenn Ihre „Druckstöße“ (Eingaben) alle zu ähnlich sind, wird die „Lernmatrix“ instabil. Ein kleiner Singularwert bedeutet, dass die Mathematik wackelig ist und kleine Fehler in Ihren Daten (wie ein wenig Sensorrauschen) zu riesigen Fehlern in den gelernten Regeln des Roboters führen können.

2. Die Lösung: Die „Perfekte Druckstoß“-Strategie

Die Autoren schlagen ein Framework vor, um sicherzustellen, dass der Roboter die bestmöglichen Beispiele erhält. Sie behandeln die Wahl der Eingaben wie das Anordnen von Möbeln in einem Raum, um den Raum so offen und ausgewogen wie möglich wirken zu lassen.

Sie bieten drei Hauptstrategien an, um das System zu „erregen“ (es auf interessante Weise zu bewegen):

Strategie A: Die orthogonale Basis (Das perfekte Kreuz)
- Die Idee: Wählen Sie Eingaben, die perfekt senkrecht zueinander stehen, wie die X-, Y- und Z-Achsen in einem Koordinatensystem.
- Die Analogie: Stellen Sie sich vor, Sie streichen eine Wand. Anstatt Farbe in einen chaotischen Klecks zu sprühen, sprühen Sie eine Linie gerade nach oben, eine gerade nach unten, eine nach links und eine nach rechts. Sie decken den Raum gleichmäßig ab.
- Ergebnis: Dies gibt der Mathematik den meisten „Raum“ zum Arbeiten, was das Lernen sehr robust macht.
Strategie B: Das Simplex (Die Pyramide)
- Die Idee: Wählen Sie Eingaben, die die Ecken einer perfekten geometrischen Form bilden (wie ein Dreieck in 2D oder eine Pyramide in 3D), wobei das Zentrum der Form der „Nullpunkt“ ist.
- Die Analogie: Stellen Sie sich eine Gruppe von Freunden vor, die in einem Kreis stehen. Wenn sie alle in gleichem Abstand zum Zentrum und zueinander stehen, ist die Gruppe perfekt ausbalanciert.
- Ergebnis: Dies ist ein weiterer mathematisch perfekter Weg, Ihre Daten so zu verteilen, dass der Roboter das gesamte Bild lernt.
Strategie C: Die „Reparatur“-Strategie (Für Echtzeit-Lernen)
- Das Problem: Manchmal kann man nicht im Voraus eine perfekte Menge an Druckstößen planen. Vielleicht fahren Sie ein Auto und lenken einfach zufällig ein.
- Die Lösung: Die Autoren sagen: „Okay, Sie haben jetzt 3 zufällige Drehungen gemacht. Jetzt werde ich genau berechnen, wie die 4. Drehung aussehen muss, um die ersten 3 auszugleichen.“
- Die Analogie: Stellen Sie sich vor, Sie stapeln Bücher balancieren. Sie haben drei Bücher zufällig platziert. Bevor Sie das vierte Buch hinzufügen, messen Sie die Neigung und platzieren das vierte Buch genau an der Stelle, die nötig ist, damit der Stapel gerade steht.
- Ergebnis: Selbst wenn Ihre ersten Versuche zufällig waren, korrigiert diese eine „intelligente“ Eingabe das Gleichgewicht und macht das Lernen präzise.

3. Das Ergebnis: Ein besserer Roboter

Das Papier beweist, dass Sie durch die Verwendung dieser Strategien mathematisch garantieren können, dass das Lernmodell des Roboters robust ist.

Robustheit bedeutet: Wenn es ein wenig Rauschen gibt (wie eine zittrige Hand oder ein schmutziger Sensor), brechen die gelernten Regeln des Roboters nicht zusammen.
Sie haben dies an zwei Dingen getestet:
1. Einem starren Körper mit freien Bewegungsfreiheiten (wie ein Satellit oder eine Drohne im Weltraum) mit 6 verschiedenen Bewegungsarten.
2. Einem nicht-holonomen Roboter (wie ein Auto, das sich nicht seitwärts bewegen kann, sondern nur vorwärts/rückwärts und lenkt).

In beiden Fällen lernten die Roboter, die mit den „Perfekten Druckstoß“-Strategien unterrichtet wurden, viel schneller und machten weniger Fehler als die Roboter, die mit zufälligen, unorganisierten Druckstößen unterrichtet wurden.

Zusammenfassung

Das Papier ist im Wesentlichen ein Leitfaden für die Datenerhebung. Es sagt Ingenieuren: „Werfen Sie nicht einfach zufällige Daten auf Ihren Lernalgorithmus. Wenn Sie wollen, dass Ihr Roboter sicher und präzise ist, ordnen Sie Ihre Testeingaben wie eine perfekte geometrische Form an oder fügen Sie zumindest eine ‚intelligente‘ Eingabe hinzu, um die zufälligen auszugleichen. Dies stellt sicher, dass die Mathematik hinter dem Gehirn des Roboters solide ist und unter Druck nicht zusammenbricht.“

Technische Zusammenfassung: Anregung von kontrol-affinen Systemen und Koopman-Fehlergrenzen

Problemformulierung
Die Arbeit befasst sich mit der Herausforderung, kontrol-affine dynamische Systeme aus Daten unter Verwendung des Koopman-Operator-Frameworks, speziell mittels Extended Dynamic Mode Decomposition (EDMD), zu identifizieren. Während datengestützte Methoden wie EDMD für die Modellierung komplexer Systeme leistungsfähig sind, führt die Erweiterung auf kontrol-affine Systeme (die bilineare Ersatzmodelle ergeben) zu erheblichen Anforderungen an die Datenqualität. Das Kernproblem besteht darin, dass die Genauigkeit und Robustheit des Systemidentifikationsprozesses stark von der Qualität der Eingangsdaten abhängt. Insbesondere sind die Approximationsfehlerschranken dieser Modelle umgekehrt proportional zum kleinsten Singulärwert ( $\sigma_{\min}$ ) der Eingangsdatenmatrix. Wenn die Eingangsdaten nicht ausreichend „anregend“ sind (d. h. wenn die Eingänge schlecht verteilt oder korreliert sind), wird $\sigma_{\min}$ klein, was zu großen Fehlerschranken und unzuverlässiger Steuerungsleistung führt. Die Arbeit zielt darauf ab, Richtlinien für die Auswahl von Eingängen zu etablieren, um diesen Singulärwert zu maximieren und somit eine robuste Identifikation sowie zuverlässige Fehlerschranken für Steuerungsanwendungen zu gewährleisten.

Methodik
Die Autoren entwickeln ein Framework, das auf dem Regressionsproblem basiert, welches zur Schätzung der kontrol-affinen Abbildung $y = g_0(x) + G(x)u$ verwendet wird. Die Methodik gliedert sich in mehrere analytische Schritte:

Analyse der Fehlerschranken: Zuerst etabliert die Arbeit, dass der Fehler bei der Schätzung der Systemparameter ( $g_0$ und $G$ ) durch das Verhältnis der Störungsamplitude zu $\sigma_{\min}(V)$ begrenzt ist, wobei $V$ die Datenmatrix aus einer Zeile von Einsen und den Eingangsvektoren darstellt.
Optimalitätsbedingungen: Die Autoren leiten notwendige und hinreichende Bedingungen für die Maximierung von $\sigma_{\min}(V)$ $σ_{m i n} (V)$ ab.
- Eine notwendige Bedingung ist, dass die Summe der Eingangsvektoren Null ergeben muss ( $U\mathbf{1} = 0$ ).
- Unter dieser Bedingung ermöglicht die angemessene Skalierung der Eingänge, dass die Matrix den theoretischen oberen Grenzwert für den kleinsten Singulärwert erreicht.
- Spezifische optimale Konfigurationen werden identifiziert: orthogonale Eingänge (Korollar 3.3) und Eingänge, die die Eckpunkte eines regulären Simplizes bilden (Proposition 3.5).
Subraumwinkel und sequentielle Sammlung: In Anerkennung der Tatsache, dass praktische Anwendungen oft eine sequentielle Datensammlung statt einer a priori Entwurfsplanung aller Eingänge erfordern, führen die Autoren einen geometrischen Ansatz unter Verwendung von Subraumwinkeln ein. Sie leiten eine untere Schranke für $\sigma_{\min}(V)$ basierend auf den Winkeln zwischen neuen Eingangsvektoren und dem von bestehenden Eingängen aufgespannten Unterraum ab. Dies führt zu einer Strategie, bei der gegeben eine Menge zufälliger Eingänge ein spezifischer zusätzlicher Eingang gewählt (oder ein bestehender ersetzt) wird, um die Subraumwinkel zu maximieren und damit den minimalen Singulärwert zu maximieren.
Integration in das Koopman-Framework: Diese theoretischen Ergebnisse werden auf zwei spezifische EDMD-Varianten angewendet:
- Bilineare EDMD mit Steuerung (EDMDc): Das Framework ermöglicht ein flexibles Sampling, bei dem Daten nicht zu spezifischen, vordefinierten Steuerungswerten (wie Einheitsvektoren) erhoben werden müssen, sondern aus allgemeinen Datenclustern abgeleitet werden können.
- Kernel-EDMD: Die Autoren erweitern bestehende Fehlerschranken für kernelbasierte Methoden auf den kontrol-affinen Kontext und liefern uniforme Fehlerschranken, die die für datengestützte modellprädiktive Regelung (MPC) erforderlichen Annahmen rigoros verifizieren.

Wesentliche Beiträge

Daten-Fitting-Framework: Ein neuartiges Framework zur Anpassung kontrol-affiner Abbildungen, das die Eingangsselektion explizit mit der Robustheitsgrenze des Identifikationsproblems verknüpft.
Optimalitätsbedingungen: Ableitung notwendiger und hinreichender Bedingungen für die Optimalität der Eingänge zur Maximierung des minimalen Singulärwerts der Datenmatrix, einschließlich expliziter Konstruktionen für orthogonale und auf Simplizes basierende Eingänge.
Geometrische Richtlinien für sequentielle Daten: Eine praktische Richtlinie unter Verwendung von Subraumwinkeln, um zu bestimmen, wie zusätzliche Eingänge zu wählen sind, um die Konditionierung in sequentiellen oder Online-Lern-Szenarien zu verbessern.
Uniforme Fehlerschranken: Die Ableitung uniformer Fehlerschranken für die bilineare EDMDc und Kernel-EDMD in Gegenwart von kontrol-affinen Strukturen. Diese Schranken hängen vom Fill-Distance des Zustandsraums und der Konditionierung der Eingangsdaten ab.
Flexibles Sampling: Eine Methode zur Konstruktion künstlicher Datenpunkte (z. B. Antworten auf Einheitsvektor-Eingänge) aus allgemeinen, flexiblen Datensammlungen, wodurch restriktive Sampling-Anforderungen aufgehoben werden.

Ergebnisse
Die Arbeit validiert den vorgeschlagenen Ansatz durch zwei Anwendungsszenarien:

Freifliegender starrer Körper (6D-Input): Die Studie vergleicht vier Anregungsstrategien: Zufallseingänge, orthogonale Eingänge, Simplex-Eckpunkte und eine auf Subraumwinkeln basierende Strategie. Die Ergebnisse zeigen, dass während Zufallseingänge einen signifikant niedrigeren $\sigma_{\min}$ und höhere Approximationsfehler aufweisen, die vorgeschlagenen Strategien (insbesondere der auf Subraumwinkeln basierende Ansatz) $\sigma_{\min}$ -Werte nahe am theoretischen Maximum erreichen und dadurch die Fehler der Vektorfeld-Approximation drastisch reduzieren.
Nichtholonomer mobiler Roboter (2D-Input): Das Framework wird auf einen mobilen Roboter unter Verwendung von bilinearer EDMDc angewendet. Die Ergebnisse zeigen, dass die Verwendung der vorgeschlagenen Anregungsstrategien (selbst mit einer minimalen Anzahl von Datenpunkten) zu Koopman-Ersatzmodellen mit signifikant geringeren Ein-Schritt-Vorhersagefehlern im Vergleich zum Zufallssampling führt. Die Studie zeigt auch, dass eine Erhöhung der Anzahl der Zufallseingänge die Fehler mildern kann, aber die geometrisch geführte Selektion erreicht eine hohe Genauigkeit mit weniger Stichproben.

Bedeutung
Die Arbeit behauptet, dass ihre Beiträge entscheidend für die zuverlässige Anwendung datengestützter Regelung in sicherheitskritischen Systemen sind. Durch die Bereitstellung expliziter, geometrisch interpretierbarer Bedingungen für die Eingangsselektion schließt diese Arbeit die Lücke zwischen theoretischer Systemidentifikation und praktischer Datenerhebung. Die abgeleiteten Fehlerschranken sind entscheidend für die formale Verifizierung geschlossener Regelungseigenschaften, wie etwa der asymptotischen Stabilität in der modellprädiktiven Regelung (MPC). Darüber hinaus ermöglicht die Fähigkeit zum flexiblen Sampling die Identifikation von kontrol-affinen Systemen in Szenarien, in denen die Erhebung von Daten bei spezifischen, vordefinierten Steuerungseingängen unpraktisch oder unmöglich ist, was den Ansatz für reale Ingenieursprobleme wie Robotik und Fahrzeugdynamik anwendbar macht.

1. Das Problem: Lehren mit schlechten Beispielen

2. Die Lösung: Die „Perfekte Druckstoß“-Strategie

3. Das Ergebnis: Ein besserer Roboter

Zusammenfassung

Mehr davon