⚡ electrical engineering

Soft projections for robust data-driven control

Die Arbeit stellt weiche Projektionen als regularisierte, datengetriebene Methode für die prädiktive Regelung vor, die eine robuste Schätzung aus verrauschten Daten ermöglicht, eine von der Systemordnung unabhängige Fehlergrenze bietet und effiziente Online-Anpassungen unterstützt.

Ursprüngliche Autoren: András Sasfi, Jaap Eising, Florian Dörfler

Veröffentlicht 2026-04-02

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: András Sasfi, Jaap Eising, Florian Dörfler

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

Das große Ganze: Lernen ohne Lehrbuch

Stellen Sie sich vor, Sie wollen ein Auto steuern, aber Sie haben keine Bedienungsanleitung und keine Ahnung von der Physik des Motors. Sie kennen nur die Vergangenheit: Sie haben ein Tagebuch geführt, in dem steht, welche Gaspedal-Bewegungen (Eingaben) zu welchen Geschwindigkeiten (Ausgaben) geführt haben.

Die herkömmliche Methode (die "indirekte" Methode) wäre: "Okay, ich lese mein Tagebuch, versuche, die physikalischen Formeln für den Motor herauszufinden, baue ein mathematisches Modell und programmiere dann den Controller." Das ist wie zu versuchen, ein Auto zu reparieren, indem man erst die gesamte Ingenieurswissenschaft neu erfindet.

Die Methode in diesem Papier (DeePC) ist direkter: "Ich schaue mir mein Tagebuch an und sage: 'Wenn ich jetzt so mache, passiert wahrscheinlich so'." Das nennt man datengetriebene Steuerung.

Das Problem: Das verrückte Tagebuch

Das Problem ist: Unser Tagebuch ist nicht perfekt. Es ist voller Fehler, weil unsere Sensoren verrauschen oder das Wetter das Auto beeinflusst. Wenn wir versuchen, aus diesem "schmutzigen" Tagebuch eine perfekte Regel abzuleiten, passieren zwei Dinge:

Wir lernen das Rauschen mit (wie wenn wir glauben, dass ein zufälliger Husten im Auto der Motor ist).
Die Berechnungen werden instabil.

Bisherige Methoden haben versucht, dieses Problem mit einem "Kleber" zu lösen, den man Regularisierung nennt. Man sagt im Grunde: "Pass auf, sei nicht zu genau mit den Daten, glätte es ein bisschen." Das funktioniert gut, aber niemand wusste wirklich genau, warum es funktioniert oder wie man den "Kleber" optimal dosiert.

Die Lösung: "Weiche Projektionen" (Soft Projections)

Die Autoren dieses Papiers haben eine neue Brille aufgesetzt. Statt zu versuchen, das perfekte Modell des Autos zu finden, fragen sie: "Wie können wir direkt aus den verrauschten Daten die beste Vorhersage machen, ohne das Modell zu kennen?"

Hier kommt das Konzept der "Weichen Projektionen" (Soft Projections) ins Spiel.

Die Analogie: Der Schatten im Nebel

Stellen Sie sich vor, Sie stehen in einem nebligen Raum und werfen einen Ball auf eine Wand.

Die ideale Wand (das wahre System): Wenn der Raum klar ist, sehen Sie genau, wo der Ball landet. Das ist die "harte Projektion".
Der Nebel (das Rauschen): Wenn es neblig ist, sehen Sie den Ball nicht genau. Wenn Sie versuchen, den Punkt auf der Wand zu erraten, landen Sie vielleicht daneben.

Die bisherigen Methoden haben versucht, den Nebel wegzublasen (das Modell zu reinigen), was schwer ist.
Die Autoren sagen: "Lass uns den Ball einfach 'weich' auf die Wand fallen lassen."

Eine "weiche Projektion" bedeutet: Wir nehmen den Ball, aber wir erlauben ihm, ein bisschen zu "verwischen", bevor er die Wand trifft. Wir sagen: "Der Ball landet hier, aber wir sind uns nicht 100% sicher, also nehmen wir einen Bereich um den Punkt herum."

Der Clou: Diese "Weichheit" wird durch einen einzigen Knopf gesteuert (einen Parameter, nennen wir ihn $\delta$ $δ$ ).
- Dreht man den Knopf stark, wird die Projektion sehr "weich" (man ignoriert Details, vertraut aber dem großen Bild).
- Dreht man ihn schwach, wird sie "hart" (man versucht, genau hinzusehen, riskiert aber, vom Rauschen getäuscht zu werden).

Warum ist das so genial?

Keine komplizierte Modellierung: Man muss nicht wissen, wie viele Räder das Auto hat oder wie schwer es ist (die "Ordnung des Systems"). Die Methode funktioniert einfach, egal wie komplex das System ist.
Der perfekte Kompromiss: Das Papier zeigt mathematisch, dass man durch diesen "Weichheits-Knopf" einen perfekten Ausgleich finden kann zwischen:
- Verzerrung (Bias): Wenn man zu weich ist, trifft man nie genau den Kern.
- Schwankung (Variance): Wenn man zu hart ist, wackelt das Ergebnis wild, weil man auf jedes kleine Rauschen reagiert.
- Die Methode erlaubt es, diesen Kompromiss automatisch zu finden.
Lernen im laufenden Betrieb (Online-Updates): Das ist wie ein Navigationssystem, das live den Verkehr sieht. Wenn neue Daten reinkommen (ein neuer Ballwurf), muss das System nicht das ganze Tagebuch neu lesen. Es aktualisiert seine "weiche Projektion" blitzschnell, als würde man einen einzigen neuen Strich in die Karte einzeichnen. Das macht es sehr schnell und effizient.

Das Ergebnis im Test

Die Autoren haben das an einem simulierten System getestet (zwei verbundene Federn und Dämpfer, wie ein sehr komplexes Auto- oder Flugzeugmodell).

Das alte Verfahren (DeePC): Hat funktioniert, aber bei starkem Rauschen (schlechtem Wetter) wurde es ungenau.
Das neue Verfahren (mit weichen Projektionen): Hat bei starkem Rauschen deutlich besser abgeschnitten. Es war robuster, hat weniger Fehler gemacht und die Kosten (Energieverbrauch) waren niedriger.

Zusammenfassung in einem Satz

Statt zu versuchen, das perfekte, fehlerfreie Modell einer Maschine zu bauen, nutzen die Autoren eine mathematische "Weichzeichner"-Technik, die direkt aus verrauschten Daten lernt, sich ständig an neue Informationen anpasst und dabei viel robuster gegen Fehler ist als alle bisherigen Methoden.

Es ist der Unterschied zwischen dem Versuch, ein Foto aus dem Nebel zu schärfen (was oft nur noch mehr Rauschen erzeugt), und dem Akzeptieren, dass es neblig ist, und trotzdem den sichersten Weg zu gehen.

1. Problemstellung

Das Paper adressiert Herausforderungen im Bereich des direkten datengetriebenen prädiktiven Regelns (Data-Driven Predictive Control, DDPC), insbesondere im Kontext von linearen zeitinvarianten (LTI) Systemen.

Hintergrund: Traditionelle DDPC-Methoden (wie DeePC) basieren auf der Verhaltenssystemtheorie (Behavioral Systems Theory), bei der ein System als Menge von Trajektorien (Verhalten) beschrieben wird, ohne explizite Zustandsraummodelle zu identifizieren.
Das Problem: In der Praxis sind Messdaten verrauscht. Herkömmliche Ansätze nutzen Regularisierungsterme (z. B. $\ell_2$ $ℓ_{2}$ -Norm auf den Koeffizientenvektor $g$ $g$ ), um mit diesem Rauschen umzugehen.
- Interpretationsprobleme: Die Wirkung dieser Regularisierung ist oft heuristisch und schwer zu interpretieren, insbesondere bei Vorhandensein von Constraints (Nebenbedingungen).
- Ordnungsabhängigkeit: Methoden, die versuchen, das Verhalten explizit als niedrigdimensionalen Unterraum zu schätzen, sind extrem empfindlich gegenüber der Wahl der Systemordnung. Eine falsche Schätzung der Dimension führt zu katastrophalen Fehlern (Gap-Metric von 1).
- Online-Anpassung: Die effiziente Integration von Streaming-Daten (Online-Lernen) ist bei bestehenden Methoden schwierig, da oft die explizite Schätzung des Unterraums neu berechnet werden muss.

2. Methodik

Die Autoren schlagen einen neuen Ansatz vor, der auf weichen Projektionen (Soft Projections) basiert, anstatt das Systemmodell oder den Unterraum explizit zu lernen.

Konzept der weichen Projektion:
Statt die orthogonale Projektion auf den exakten Verhaltensunterraum $B_L$ zu berechnen (was bei verrauschten Daten unmöglich ist), wird eine „weiche" Projektion $\tilde{P}_H$ verwendet, die aus den verrauschten Daten $H$ abgeleitet wird.
Die weiche Projektion ist definiert als:
$\tilde{P}_H^W = H(H^\top W H + \delta I)^{-1} H^\top W$
Dabei fungiert der Parameter $\delta$ als Regularisierungsparameter (ähnlich wie bei Ridge-Regression), der die Singularwerte der Datenmatrix dämpft und so Rauschen unterdrückt („Denoising").
Neue Regelungsformulierungen:
Die Autoren leiten zwei neue Optimierungsprobleme ab, die die Bedingung $w \in B_L$ durch Strafterme in der Kostenfunktion approximieren:
1. Formulierung (9): Nutzt den Term $\|(I - \tilde{P}_H)w\|^2$ . Dies wirkt wie ein Filter höherer Ordnung, der Signal und Rauschen besser trennt.
2. Formulierung (10): Nutzt einen gewichteten Term $w^\top(I - \tilde{P}_H)w$ . Diese Formulierung ist eine Verallgemeinerung des klassischen DeePC und konvergiert für $\delta \to 0$ gegen das DeePC-Ergebnis.
Online-Update (Streaming Data):
Ein wesentlicher methodischer Beitrag ist die Herleitung von Rank-One-Update-Formeln (Proposition 1). Diese ermöglichen es, den weichen Projektionsoperator und den Regularisierungsparameter $\delta$ effizient zu aktualisieren, wenn neue Datenpunkte eintreffen, ohne die gesamte Matrixinversion neu berechnen zu müssen. Dies macht die Methode für Echtzeitanwendungen geeignet.

3. Wichtige Beiträge

Theoretische Fehlerabschätzung: Die Autoren leiten eine rigorose Obergrenze für den Approximationsfehler $\|\tilde{P}_H - P_B\|$ $∥ \tilde{P}_{H} - P_{B} ∥$ her.
- Der Fehler setzt sich aus einem Bias (durch $\delta$ ) und einer Varianz (durch das Rauschen $E$ ) zusammen.
- Kritischer Vorteil: Die Fehlergrenze ist unabhängig von der wahren Systemordnung. Dies umgeht das Problem der Ordnungsschätzung, das bei expliziten Unterraum-Schätzern ein Hauptproblem darstellt.
Interpretierbarkeit: Die neuen Formulierungen bieten eine intuitive geometrische Interpretation als Approximation der Projektion auf das Systemverhalten, auch unter Berücksichtigung von Constraints.
Verallgemeinerung von DeePC: Es wird gezeigt, dass DeePC im unbeschränkten Fall als eine spezielle Form der weichen Projektion interpretiert werden kann, wobei die neuen Formulierungen (insbesondere (9)) robustere Filtereigenschaften bieten.
Effiziente Online-Adaption: Durch die Rank-One-Updates wird die Rechenkomplexität für die Anpassung an neue Daten drastisch reduziert ( $O((qL)^2)$ statt $O(D^3)$ ).

4. Ergebnisse (Fallstudie)

Die Methode wurde an einem Doppelschwingungssystem (Double Spring-Mass-Damper) mit zwei rotierenden Scheiben getestet.

Vergleich: Die vorgeschlagene Methode (Formulierung 9) wurde mit dem klassischen DeePC (Formulierung 4) verglichen.
Performance:
- Bei verschiedenen Signal-Rausch-Verhältnissen (SNR = 10, 5, 3) erzielte die neue Methode (9) deutlich niedrigere Kosten und kleinere Vorhersagefehler als DeePC.
- Besonders bei hohem Rauschen (niedriges SNR) zeigte sich der Überlegenheit der Methode (9), was auf die bessere Rauschunterdrückung durch den Filter höherer Ordnung zurückzuführen ist.
- Die Parameteroptimierung war bei der neuen Methode stabiler; während bei DeePC ein Trade-off zwischen Vorhersagefehler und Kosten bestand, konnten bei Methode (9) beide Ziele gleichzeitig minimiert werden.

5. Bedeutung und Ausblick

Das Paper bietet einen fundamental neuen Blickwinkel auf datengetriebene Regelung:

Paradigmenwechsel: Statt das Modell zu lernen, wird direkt die Lösungskarte (Projektion) gelernt.
Robustheit: Die Unabhängigkeit von der Systemordnung macht die Methode besonders robust für Anwendungen, bei denen die Systemordnung unbekannt oder schwer zu schätzen ist.
Praktische Anwendbarkeit: Die vorgestellten Update-Formeln lösen das Problem der Online-Adaption und machen die Methode für sich ändernde Systeme (z. B. nichtlineare Systeme, die als linear zeitvariabel angenähert werden) praktikabel.

Zusammenfassend stellt die Arbeit einen theoretisch fundierten und praktisch effizienten Rahmen dar, der die Lücke zwischen heuristischer Regularisierung und theoretisch fundierter Verhaltensregelung schließt und dabei die Robustheit gegenüber Rauschen und Unsicherheiten in der Systemordnung signifikant verbessert.