Cyclic Reformulation-Based Identification and Polytopic Uncertainty Modeling for Multirate Systems

技術要約：マルチレートシステムにおける、巡回再定式化に基づく同定とポリトピック不確かさモデリング

問題提起
現代の制御システムでは、異なるサンプリング周期で動作するヘテロジニアスなセンサ（マルチレートシステム）が頻繁に使用される。これは、出力計測が断続的に欠落することを意味し、システムが標準的な線形時不変（LTI）システムではなく、周期的な時変（PTV）システムとして振る舞うという、システム同定における根本的な課題を生じさせる。既存の手法には以下のような重大な限界がある：

• 部分空間法およびリフティング法： 高速レートのモデルを同定することは可能だが、拡張された状態空間における変数積（variable products）のため、元のシステムパラメータを復元することが困難である。
• 反復的手法（EMアルゴリズムなど）： 欠落した出力を潜在変数として扱うが、慎重な初期値設定が必要であり、局所収束の問題や計算負荷の高さに悩まされる。
• 補間ベースの手法： 欠落データを補間によって埋める手法は、ノイズレベルに関わらず系統的なモデリング誤差を導入し、精度を制限する。

本論文は、単一のデータセットから、ロバストな公称モデルとポリトピック不確かさの記述の両方を提供できる、非反復的かつ制御指向の同定手法を提供することで、このギャップに対処する。特に、マルチレート同定におけるノイズに起因する不一致の処理に焦点を当てている。

手法
提案されるフレームワークは、**巡回再定式化（cyclic reformulation）**に基づいており、マルチレートシステムを、拡張された次元を持つ等価な時不変表現へと変換する。手法は以下のステップで進行する：

1. システム表現： マルチレートシステムを、周期 $M$（各センサのサンプリング周期の最小公倍数）で周期的に変化する出力選択行列 $V_k$ を持つLTIプラントとしてモデル化する。同定の目的で、欠落した出力にはゼロパディングを施す。
2. 巡回再定式化： 周期的なシステムを、巡回シフト行列を用いて、次元 $Mn$（$n$ はシステム次数）の時不変システムに変換する。これにより、「サイクル化された」入出力信号に対して標準的な部分空間同定法（MOESPなど）を適用することが可能になる。
3. 座標変換： 部分空間同定により、次元 $Mn$の密な行列が得られる。特定の座標変換行列$T$を構築し、**巡回再定式化構造**を復元する。このステップにより、$M$個の異なるパラメータセット$(A_{mi}, B_{mi}, C_{mi}, D_{mi})$（$i = 0, \dots, M-1$）を抽出する。
   • ノイズフリーのシナリオでは、これら $M$ 個のセットは（座標変換を除いて）正確に一致する。
   • 有限のノイズが存在する場合、ノイズに起因する摂動により、これらは分散を示す。
4. デュアルモデル構築： 得られた $M$ 個のパラメータセットを、2つの相補的な方法で利用する：
   • 重心モデル（Centroid Model）： $M$ 個のセットを平均化して、単一の公称モデルを形成する。状態行列 $A$ および $B$ については一様平均を取り、出力行列 $C$ および $D$ については、ゼロパディングされたデータを二重にカウントすることを避けるため、特定の位相において実際に観測された位相のみを用いて行方向の平均を算出する。
   • ポリトピック不確かさモデル： $M$ 個のパラメータセットを凸多面体（ポリトープ）の頂点として利用する。ウェルポーズド（well-posed）な状態を保証するため、$C$ および $D$ の非観測位相に対応する行には、行方向の重心値を補完する。結果として得られるポリトープは、これら $M$ 個の頂点の凸結合によって定義される。

主な貢献

• 非反復的同定： 本手法は、EMアルゴリズムのような収束のリスクを負うことなく、元のシステム行列（座標変換を除いて）を復元する、正確で非反復的な同定パイプラインを提供する。
• ノイズ分散の活用： $M$ 個のパラメータセットをノイズフリー極限において一致するものとして扱った先行研究（[25]など）とは異なり、本論文は、これら $M$ 個のセットのノイズに起因する分散を利用して、ポリトピック不確かさモデルを構築する。このモデルは、頂点ベースの線形行列不等式（LMI）ロバスト制御設計と直接互換性がある。
• 重心によるノイズ低減： $M$ 個のセットの重心が、個々の頂点や補間ベースのベースラインよりも優れた、ノイズ低減された公称モデルとして機能することを実証している。
• 構造的復元： ノイズフリーの構造的復元定理（定理1）を再定義し、それを有限ノイズにおけるモデリングステップから分離した上で、後者を行列座標距離ではなく、出力レベルの検証統計量を通じて評価している。

結果
SISOおよびMIMOマルチレートシステムを用いた数値シミュレーションにより、本アプローチの妥当性が検証された：

• 重心の性能： 出力の2/3が欠落しているSISOの例において、重心モデルはすべてのノイズレベルにおいて96%を超える検証FITスコアを達成し、線形補間ベースのMOESPベースライン（約67%に留まった）を大幅に上回った。重心は常に最良の個別頂点よりも優れた性能を示し、平均化によるノ作用効果を確認した。
• ポリトープの信頼性： 2つのセンサ（$M=6$）を持つMIMOの例において、構築されたポリトープは高い予測精度を持つモデルを含んでいた。高ノイズレベル（$\sigma = 0.1$）においても、「ポリトープ内の最良」モデル（最適化により算出）は、平均して95%を超える検証FITを達成した。
• ロバスト性： ポリトープの信頼性は、様々なセンサ周期構成（$M \in \{4, 6, 8, 12\}$）およびデータ長にわたって高く維持されており、多様なマルチレートセンシングシナリオへの適用可能性を示している。

意義および主張
本論文は、反復的な最適化を行うことなく、マルチレートシステム同定とロバスト制御指向の不確かさモデリングを橋渡しすることを主張している。その主な意義は以下の通りである：

1. 直接的な互換性： 得られるポリトープは、頂点が同定プロセスから直接導出されているため、頂点ベースのLMIロバスト制御設計（例：$H_\infty$、ロバスト極配置）と自然に互換性がある。
2. データ駆動型の不確かさ： このポリトープは、保証された集合メンバーシップ境界ではなく、「データから導出された不確かさの記述」として提示されている。著者らは、頂点が推定値の分散から生じるものであることを明記しており、ポリトープの有用性は出力レベルの統計量を通じて経験的に検証されている。
3. 限定的な範囲： 著者らは、理論的な保証（正確な巡回復元）はノイズフリーの場合に適用されることを明確にしている。有限のノイズについては、本手法は数値シミュレーションを通じてポリトープの有効性を実証する経験的なアプローチである。本論文は、固有のパラメータ変動や非線形性を有するシステムの解決策や、物理ハードウェアを用いた実験的検証を提供するものではなく、これらは将来の課題としている。

要約すると、本論文は、欠落したマルチレートデータの課題を、高精度な公称モデルと、ロバスト制御合成に適した構造化された不確かさ集合の両方を生成するための機会へと転換する、実用的な非反復パイプラインを提示している。