⚡ electrical engineering

Data-Driven Frequency-Selective Output Regulation of Nonlinear Systems under Almost Periodic Exosignals

Dieses Paper schlägt ein datengesteuertes, frequenzselektives Ausregelungs-Framework für unbekannte nichtlineare Systeme vor, die von fast periodischen Exosignalen angetrieben werden, welches ein p-Kopie-Internes Modell und ein rauschrobustes semidefinites Programm nutzt, um spezifische Fourier-Bohr-Fehlerkomponenten zu eliminieren und die Restenergie zu begrenzen, ohne dass eine Systemidentifikation oder Messungen der Amplitude bzw. Phase des Exosignals erforderlich sind.

Ursprüngliche Autoren: Yifei Li, Wenjie Liu, Gang Wang, Lihua Xie

Veröffentlicht 2026-06-12

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Yifei Li, Wenjie Liu, Gang Wang, Lihua Xie

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, eine Drohne perfekt ruhig in der Luft schweben zu lassen. Aber es gibt einen Haken: Die Drohne trägt ein schweres Paket, das an einem Seil hängt. Aufgrund der Physik schwingt dieses Paket wie ein Pendel vor und zurück. Dieses Schwingen erzeugt eine rhythmische, wackelige Kraft, die die Drohne nach oben, unten und zur Seite kippen lässt.

Ihr Ziel ist es, den Motoren der Drohne genau zu sagen, wie sie dagegenhalten müssen, um diese Wackler auszugleichen und die Drohne stabil zu halten.

Der alte Weg: „Alles wissen, um alles zu lösen“

Traditionell müssten Ingenieure eine perfekte mathematische Karte der Drohne, des Seils, des Windes und des schwingenden Pakets erstellen. Sie müssten unglaublich komplexe Gleichungen (genannt „Nichtlineare Reglergleichungen“) lösen, um genau zu berechnen, wie man dem Schwingen entgegenwirkt.

Das Problem: In der realen Welt kennt man selten das exakte Gewicht des Pakets, die exakte Länge des Seils oder die genaue Aerodynamik der Drohne. Wenn Ihre Karte auch nur geringfügig falsch ist, versagt die Mathematik, und die Drohne stürzt ab oder wackelt unkontrolliert.

Der neue Weg: „Vom Rhythmus lernen, nicht von der Karte“

Dieses Paper schlägt einen intelligenteren, „datengesteuerten“ Ansatz vor. Anstatt zu versuchen, das gesamte System aus Drohne und Seil abzubilden, bringen die Forscher der Drohne bei, auf den Rhythmus des Problems zu hören.

So machen sie es, unter Verwendung einiger einfacher Analogien:

1. Die „Stimmgabel“ (Das interne Modell)

Stellen Sie sich vor, das schwingende Paket ist wie ein musikalischer Ton, der immer wieder gespielt wird. Die Drohne muss nicht wissen, war Warum das Paket schwingt oder wie schwer es ist. Sie muss nur die Frequenz (die Geschwindigkeit) des Schwingens kennen.

Die Forscher haben eine spezielle „Stimmgabel“ in den Computer der Drohne eingebaut. Diese Stimmgabel ist so programmiert, dass sie mit exakt derselben Geschwindigkeit vibriert wie das schwingende Paket (und alle anderen bekannten rhythmischen Störungen).

Wie es funktioniert: Wenn das Paket schwingt, beginnt die Stimmgabel im Inneren der Drohne im Gleichtakt zu „summen“. Die Drohne nutzt dieses Summen, um genau vorherzusagen, wann der nächste Stoß kommt, und drückt rechtzeitig dagegen, bevor das Wackeln schlimm wird. Sie neutralisiert den spezifischen Rhythmus des Schwingens.

2. Der „Black Box“-Lerner (Datengesteuertes Design)

Normalerweise müssten Sie die technischen Daten des Triebwerks der Drohne kennen, um diese „Stimmgabel“ korrekt abzustimmen. Aber dieses Paper sagt: „Wir müssen die technischen Daten des Triebwerks nicht kennen!“

Stattdessen lassen sie die Drohne herumfliegen, lassen sie sich vom Wind und dem schwingenden Paket beeinflussen und zeichnen auf, was passiert ist. Sie nehmen diese Rohdaten (wie ein Video der Bewegungen der Drohne) und leiten sie durch einen speziellen mathematischen Filter (ein „Semidefinites Programm“).

Die Magie: Dieser Filter ermittelt die perfekten Reglereinstellungen direkt aus den Daten, ohne jemals das Gewicht der Drohne oder die Länge des Seils identifizieren zu müssen. Es ist, als würde man das Fahrradfahren lernen, indem man das Gleichgewicht spürt, anstatt die Physik von Zahnrädern und Ketten zu studieren.

3. Das Ziel der „Geräuschunterdrückung“

Die Forscher geben zu, dass sie es nicht schaffen können, die Drohne zu 100 % perfekt still zu halten. Es kann winzige, zufällige Erschütterungen oder seltsame Frequenzen geben, für die die Stimmgabel nicht programmiert wurde.

Das Versprechen: Ihre Methode garantiert, dass die spezifischen, rhythmischen Wackler (diejenigen, die dem Schwingen des Pakets entsprechen) vollständig verschwinden. Die verbleibenden winzigen Wackler sind mathematisch gesehen sehr klein und harmlos. Es ist wie bei Noise-Cancelling-Kopfhörern: Sie blocken vielleicht nicht einen plötzlichen Schrei ab, aber sie eliminieren das konstante Brummen eines Flugzeugtriebwerks vollständig.

Das Ergebnis

Sie haben dies in einer Computersimulation und in einer physikalischen Roboterumgebung (einer Drohne mit einem hängenden Gewicht) getestet.

Ohne ihre Methode: Wackelte die Drohne wild, wenn das Paket schwang.
Mit ihrer Methode: Blieb die Drohne bemerkenswert stabil. Das rhythmische Schütteln, das durch das Schwingen des Pakets verursacht wurde, wurde fast vollständig eliminiert, obwohl der Computer weder das exakte Gewicht des Pakets noch die Länge des Seils kannte.

Zusammenfassend

Dieses Paper präsentiert einen Weg, komplexe, wackelige Maschinen (wie Drohnen mit schwingenden Lasten) zu steuern, ohne eine perfekte Bedienungsanleitung oder ein vollständiges Verständnis der Physik der Maschine zu benötigen. Durch die Einbettung eines „Rhythmus-Detektors“ (des internen Modells) und das Lernen direkt aus Trial-and-Error-Daten kann das System spezifische, störende Vibrationen eliminieren und die Maschine stabil halten, selbst angesichts unbekannter Störungen.

Technische Zusammenfassung: Datengesteuerte frequenzselektive Ausgaberegelung nichtlinearer Systeme unter fast periodischen Exosignalen

Problemformulierung
Diese Arbeit behandelt das Problem der Ausgaberegelung für eine Klasse unbekannter kontinuierlicher nichtlinearer Systeme, die durch fast periodische Exosignale angetrieben werden. Es wird angenommen, dass die Plant-Dynamik über ein vorgegebenes Wörterbuch stetig differenzierbarer Basisfunktionen linear parametrisiert ist, wobei jedoch alle Koeffizientenmatrizen (System-, Eingangs-, Ausgabekanäle und Exosignal-Kanäle) unbekannt bleiben. Zudem sind die Amplituden und Phasen der Exosignale nicht messbar.

In der klassischen nichtlinearen Ausgaberegelung erfordert das Erreichen einer exakten asymptotischen Regelung das Lösen nichtlinearer Reglergleichungen (Nonlinear Regulator Equations, NOREs) – eine Aufgabe, die selbst bei bekannten Modellen im Allgemeinen unpraktikabel und in datengesteuerten Szenarien ohne Identifikation unmöglich ist. Während bestehende datengesteuerte Methoden oft auf periodische Signale oder restriktive strukturelle Annahmen angewiesen sind, zielt diese Arbeit auf eine breitere Klasse von Exosignalen ab, bei denen die Frequenzen rational unabhängig sind, was zu fast periodischen (aber nicht periodischen) Trajektorien führt. Das Ziel ist als frequenzselektive Regelung formuliert: Anstatt den Fehler gegen Null zu führen, muss der Regler die Fourier–Bohr-Koeffizienten des stationären Regelungsfehlers bei den spezifischen Frequenzen eliminieren, die in das Exosystem eingebettet sind, während die Energie der verbleibenden Fehlerkomponenten explizit begrenzt wird.

Methodik
Die vorgeschlagene Lösung integriert das Prinzip des internen Modells mit direkter datengesteuerter Reglersynthese und vermeidet eine explizite Systemidentifikation.

Struktur des internen Modells: Ein $p$ -faches Kopie-internes Modell wird in einen dynamischen Regler eingebettet. Dieses Modell reproduziert den konstanten Modus sowie die ausgewählten sinusförmigen Modi entsprechend der bekannten Exosystem-Frequenzen. Der Zustand $z$ des Reglers entwickelt sich nach $\dot{z} = \Phi z + \Gamma e$ , wobei $\Phi$ und $\Gamma$ so konstruiert sind, dass sie die spezifische Frequenzmenge $\{0, \sigma_1, \dots, \sigma_s\}$ einbetten.
Augmentierte Systemrepräsentation: Die Plant und das interne Modell werden zu einem augmentierten nichtlinearen System kombiniert. Die unbekannten Dynamiken dieses augmentierten Systems werden direkt unter Verwendung von offline gemessenen Input-State-Error-Daten repräsentiert.
Datengesteuerte Synthese via SDP: Ein robustes semidefinites Programm (SDP) wird abgeleitet, um die Rückkopplungsverstärkungsmatrix $K$ direkt aus verrauschten Daten zu synthetisieren. Diese Formulierung nutzt eine „rauschrobuste“ Bedingung, die Approximationsfehler und Messrauschen über eine beschränkte Störungsmenge berücksichtigt. Das SDP erzwingt eine inkrementelle Dissipationsungleichung, die garantiert, dass das geschlossene Vektorfeld auf einem vorgegebenen Arbeitsbereich exponentiell kontraktiv ist.
Stabilitäts- und Regelungsanalyse:
- Kontraktionstheorie: Die exponentielle Kontraktion des geschlossenen Systems gewährleistet die Existenz, Eindeutigkeit und exponentielle Attraktivität einer beschränkten gesamten Lösung.
- Fast Periodizität: Da das Exosignal fast periodisch ist und das System input-zu-zustand-konvergent ist, wird bewiesen, dass die eindeutige attraktive stationäre Trajektorie fast periodisch ist.
- Fourier–Bohr-Analyse: Durch die Analyse der stationären internen Modell-Dynamik wird gezeigt, dass die Beschränktheit des Zustands des internen Modells dazu führt, dass die Fourier–Bohr-Koeffizienten des Regelungsfehlers bei den eingebetteten Frequenzen verschwinden.
- Residuelle Energiegrenze: Für die nicht modellierten Spektralkomponenten etabliert ein Argument vom Typ Parseval eine zeitgemittelte Energiegrenze. Diese Grenze hängt von der Ableitung des Fehlers und der kleinsten Magnitude der nicht modellierten Frequenzen ab.

Wesentliche Beiträge

Problemformulierung: Die Arbeit formuliert ein frequenzselektives datengesteuertes Ausgaberegelungsproblem für nichtlineare Systeme unter fast periodischen Exosignalen mit endlichem Spektrum und charakterisiert die Regelung durch das Verschwinden spezifischer Fourier–Bohr-Koeffizienten anstelle einer exakten asymptotischen Konvergenz.
Direkte Synthesemethode: Es wird eine direkte Synthesemethode für einen auf einem internen Modell basierenden nichtlinearen Regler entwickelt. Sie konstruiert eine Rückkopplungsverstärkung über ein robustes SDP, ohne Systemmatrizen zu identifizieren oder Exosignal-Amplituden/Phasen zu messen.
Theoretische Garantien: Die Arbeit liefert eine vollständige Stationäranalyse, die beweist, dass das geschlossene System eine eindeutige, exponentiell attraktive, fast periodische Trajektorie besitzt. Sie demonstriert rigoros die Eliminierung der eingebetteten Frequenzkomponenten des Fehlers und liefert eine quantitative Schranke für die residuelle Energie des Fehlers.
Validierung: Der Ansatz wird durch numerische Simulationen und physikbasierte Experimente in einer gym-pybullet-drones Umgebung mittels eines Quadrotors mit einer seilaufhängten Last validiert.

Ergebnisse
Numerische und physikbasierte Simulationen an einem Quadrotor, der eine hängende Last trägt, demonstrieren die Effektivität des vorgeschlagenen Reglers. In Gegenwart von lastinduzierten oszillatorischen Störungen (die aufgrund unbekannter Anfangsbedingungen fast periodische Signale erzeugen) führt der vorgeschlagene Regler die Höhen- und Nickwinkelfehler erfolgreich in eine kleine Umgebung des Ursprungs.
Vergleichende Experimente zeigen, dass ein datengesteuerter Regler ohne das interne Modell versagt, diese oszillatorischen Störungen zu unterdrücken, was zu signifikanten stationären Fehlern führt. Im Gegensatz dazu dämpft der vorgeschlagene, auf dem internen Modell basierende Regler diese Oszillationen erheblich. Die Ergebnisse bestätigen, dass der Regler die dominanten Frequenzkomponenten des Fehlers eliminiert und gleichzeitig begrenzte Residualoszillationen beibehält, die konsistent mit den theoretischen Energiegrenzen sind.

Bedeutung
Das Paper beansprucht seine Bedeutung durch die Überbrückung der Lücke zwischen datengesteuerter Regelung und nichtlinearer Ausgaberegelung für allgemeine fast periodische Signale. Im Gegensatz zu bisherigen Arbeiten, die auf lineare Systeme, periodische Signale beschränkt sind oder eine lokale Linearisierung erfordern, behandelt dieser Ansatz nichtlineare Systeme mit unbekannten Parametern und rational unabhängig Frequenzen direkt aus Daten. Durch die Nutzung der Kontraktionstheorie und der Fourier–Bohr-Analyse bietet es eine rigorose Alternative zur Lösung von NOREs und liefert explizite Leistungsgarantien (verschwindende Koeffizienten und Energiegrenzen) in einem Szenario, in dem eine exakte Regelung typischerweise nicht erreichbar ist. Die Methode ist besonders relevant für Anwendungen wie den Lufttransport mit hängenden Lasten, bei denen Störungen inhärent oszillatorisch sind und Modellparameter unsicher sind.