⚡ electrical engineering

Data-driven nonlinear output regulation via data-enforced incremental passivity

Dit artikel stelt een datagestuurd nietlineair outputreguleringskader voor dat asymptotische tracking en verstoringonderdrukking bereikt door een feedbackcontroller te ontwerpen die incrementele passiviteit waarborgt via datagegevensafhankelijke lineaire matrixongelijkheden, waardoor het ontwerp van de controller wordt ontkoppeld van het interne model en efficiënte oplossingen mogelijk worden voor zowel regulerings- als niet-nul evenwichtsstabilisatieproblemen.

Oorspronkelijke auteurs: Yixuan Liu, Meichen Guo

Gepubliceerd 2026-07-10

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Yixuan Liu, Meichen Guo

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een zeer koppige, wiebelende robot hond probeert te leren om in een perfecte cirkel te lopen, zelfs terwijl de vloer onder hem trilt en je de blauwdrukken van de robot niet hebt. Je kunt de tandwielen of de wiskunde in zijn brein niet zien; je hebt alleen een videocamera die zijn bewegingen opneemt en de commando's die je naar hem hebt gestuurd. Dit is de uitdaging waar de auteurs, Yixuan Liu en Meichen Guo, zich in hun nieuwe werk mee hebben aangewend.

Hun belangrijkste bevinding is een slim "data-gedreven" recept waarmee je een controller kunt bouwen voor deze lastige, niet-lineaire systemen met behulp van uitsluitend opgenomen experimenten, zonder ooit de exacte vergelijkingen te hoeven kennen van hoe de robot beweegt. Ze hebben bewezen dat je door een specifieke wiskundige truc genaamd "incrementele passiviteit" te gebruiken, de systemen kunt dwingen een gewenst pad perfect te volgen, waardoor de fout (de afstand tussen waar het systeem is en waar het zou moeten zijn) uiteindelijk precies naar nul krimpt.

Het "Black Box"-probleem

Normaal gesproken hebben ingenieurs, om een complexe machine te besturen, een perfect wiskundig model nodig—een reeks regels die precies beschrijft hoe de machine reageert op elke duw en trek. Maar in de echte wereld kunnen dingen zoals ecosystemen, hersennetwerken of zelfs een eenvoudige slinger te chaotisch zijn om perfect te modelleren. De auteurs argumenteren tegen het idee dat je moet hebben een perfect model om een perfect resultaat te krijgen. In plaats daarvan laten ze zien dat je de modelleringsstap volledig kunt overslaan en direct van "data" naar "controle" kunt gaan.

Ze zijn echter heel duidelijk over wat ze niet doen. Ze gebruiken geen "black box"-gokspelletjes zoals neurale netwerken die enorme hoeveelheden data nodig hebben en zonder garantie kunnen falen. Ze leunen ook niet op het eerst vinden van een "stabiliserende" controller om op gang te komen, wat een veelvoorkomende vereiste is bij andere geavanceerde methoden. Hun methode is direct: hier is de data, hier is de wiskunde, hier is de controller.

De "Magische Spiegel" en de "Geest"

Om uit te leggen hoe ze het doen, gebruiken we een metafoor. Stel je voor dat de robot hond een chaotische danser is. Je wilt dat hij danst op een specifiek nummer (de referentie), maar iemand stoot hem constant aan (de verstoring).

Stap 1: De "Passiviteit"-make-over
Eerst ontwerpen de auteurs een controller die werkt als een "magische spiegel". Ze nemen de chaotische danser en, gebruikmakend van alleen eerdere videobeelden van de dans, passen ze de bewegingen van de danser aan zodat deze "incrementeel passief" worden. In gewone mensentaal betekent dit dat ze de danser zo braaf maken dat als je hem een duwtje geeft, hij niet wild wordt; in plaats daarvan absorbeert hij de energie zachtjes en keert terug naar het ritme. Ze hebben bewezen dat je deze "duw" (de feedbackcontroller) kunt vinden door specifieke wiskundige puzzels op te lossen die Lineaire Matrix Ongelijkheden (LMI's) worden genoemd, gebruikmakend van de data die je hebt verzameld.

Stap 2: De "Geest"-partner
Zodra de danser braaf is, introduceren ze een "geest"-partner. Deze geest is een eenvoudige, voorspelbare machine (een intern model) die precies weet hoe de muziek en de schokken eruitzien. De geest hoeft de geheime bewegingen van de danser niet te kennen; hij hoeft alleen het ritme van de muziek en de schokken te kennen. De auteurs koppelen de braaf geworden danser aan deze geest. Omdat beiden "passief" (braaf) zijn, komen ze in een perfecte harmonie. De geest leidt, de danser volgt, en de schokken worden genegeerd.

Het "Ontkoppelde" Voordeel

Hier komt het echt coole deel: De auteurs hebben de "magische spiegel" (de controller) en de "geest" (het interne model) apart ontworpen. Ze zijn onafhankelijk.

Als het liedje verandert (de referentie verandert), hoef je de danser niet opnieuw te leren hoe hij moet bewegen. Je vervangt gewoon de geest.
Als de stijl van de danser iets verandert, hoef je de geest niet opnieuw te ontwerpen.
Dit "ontkoppelde" ontwerp is een enorme winst voor de efficiëntie. Bij oudere methoden, als het liedje veranderde, moest je vaak het hele systeem vanaf nul opnieuw simuleren. Hier verzamel je gewoon wat meer data en update je de geest.

Wat ze daadwerkelijk hebben gedaan (en niet deden)

De auteurs suggereerden niet alleen dat dit zou kunnen werken; ze hebben wiskundig bewezen dat het werkt voor een specifieke klasse van niet-lineaire systemen. Ze hebben aangetoond dat als je genoeg data hebt (specifiek een datasetlengte $T$ die minstens zo groot is als het aantal functies dat je gebruikt om het systeem te beschrijven plus de dimensies van de input en de verstoring), je kunt garanderen dat de fout naar nul gaat.

Ze hebben dit getest met twee simulaties:

Een Eenvoudige Slinger: Ze simuleerden een zwaaiende slinger met een ruisende wind die erop blies. Gebruikmakend van data van slechts 20 monsters (verzameld elke 0,5 seconde), ontwierpen ze een controller die de slinger exact naar het gewenste ritme liet zwaaien, ongeacht waar ze hem begonnen. De fout daalde in alle gevallen naar nul.
Een Niet-Nul Evenwicht: Ze pakten een moeilijker probleem aan: het stabiliseren van een systeem op een punt dat niet "nul" is. Stel je voor dat je een bezem op je hand balanceert, maar je wilt dat hij op een vreemde hoek gebalanceerd blijft, en je weet niet precies hoeveel kracht er nodig is om hem daar te houden. Hun methode vond een manier om het te stabiliseren zonder ooit die mysterieuze "houdkracht" te hoeven berekenen.

De Grenzen en de Toekomst

Het artikel is zeer eerlijk over zijn grenzen. Hun "magische spiegel" werkt het best als de rommelige delen van het systeem (de niet-lineariteiten) bekend zijn en perfect gecompenseerd kunnen worden. Ze geven toe dat als de ruis in de data willekeurig en onvoorspelbaar is (niet volgens een patroon zoals een sinusgolf), hun huidige methode moeite kan hebben. Ze suggereren dat toekomstig werk "robuustheid" moet toevoegen om dergelijke rommelige ruis aan te kunnen.

Daarnaast merken ze op dat hun methode momenteel ervan uitgaat dat je de snelheid van het systeem (de afgeleide van de toestand) direct kunt meten. Als je de snelheid moet schatten vanuit ruizige positiedata, introduceert dat onzekerheden die ze nog niet volledig hebben opgelost.

Kortom, Liu en Guo hebben een brug gebouwd van ruwe data naar perfecte controle voor een specif type wiebelig, luidruchtig systeem. Ze zeiden niet alleen "het is mogelijk"; ze bouwden de brug, toonden de wiskunde die hem ondersteunt, en liepen er in een simulatie overheen om te bewijzen dat hij niet instort. Het is een stap richting het beheersen van de chaotische, echte wereld zonder dat daar een perfecte kaart voor nodig is.

Technische Samenvatting: Datagestuurde Nietlineaire Outputregeling via Data-afgedwongen Incrementele Passiviteit

Probleemformulering
Dit werk behandelt het outputregulatieprobleem voor een klasse van nietlineaire systemen onder invloed van externe verstoringen, waarbij de systeemdynamica onbekend is. De plant wordt gemodelleerd als $\dot{x} = AZ(x) + Bu + Ew$ en $e = CZ(x) + Fw$, waarbij $Z(x)$ een bekende vector van continue functies is (inclusief de toestand en nietlineaire termen), maar de matrices $A, B, C, E$ en $F$ onbekend zijn. Het referentietraject en de verstoringen worden gegenereerd door een bekende lineaire exosysteem $\dot{w} = Sw$ . Het doel is om een feedbackcontrole-input $u$ te ontwerpen met behulp van uitsluitend een eindige set offline input-toestand-output data ( $D_S$ ), zodanig dat de regulatiefout $e$ asymptotisch naar nul convergeert, terwijl alle gesloten lus oplossingen begrensd blijven.

Methodologie
De voorgestelde aanpak berust op het afdwingen van incrementele passiviteit op het systeem in de gesloten lus via datagestuurde feedback, gevolgd door interconnectie met een intern model. De methodologie verloopt in twee hoofdfasen:

Datagestuurde Incrementele Passivatie:
De eerste stap ontwerpt een statische toestand-feedbackcontroller van de vorm $u = KZ(x) + v$, waarbij $v$ een virtuele input is. Het doel is om het systeem in de gesloten lus incrementeel passief te maken met betrekking tot de regulatiefout $e$ en de virtuele input $v$ .
- Model-gebaseerde Fundering: De auteurs stellen eerst vast dat indien er een winst $K$ en een positief definiete matrix $P$ bestaan die aan specifieke Lineaire Matrix Ongelijkheden (LMI's) voldoen, het systeem incrementeel passief wordt.
- Datagestuurde Extensie: Door gebruik te maken van de "fundamentele lemma" van datagestuurde controle, leiden de auteurs condities af waarbij de systeemmatrices worden vervangen door data-afhankelijke matrices geconstrueerd uit $D_S$ . Specifiek formuleren zij een set data-afhankelijke LMI's (Theorem 1) betrokken bij matrices $Y$ en $G_2$ . Het oplossen van deze LMI's levert de feedbackgain $K = U_0 Y P^{-1}$ op zonder de systeemmatrices $A, B, C, E, F$ expliciet te identificeren. Dit ontwerp gaat ervan uit dat de nietlineariteiten in $Z(x)$ bekend zijn en perfect gecompenseerd kunnen worden door de controle-input.
Regulator Synthese via Intern Model:
Zodra het systeem in de gesloten lus incrementeel passief is gemaakt, wordt een incrementeel passief intern model ontworpen op basis van de bekende exosysteem-dynamica. Het interne model wordt gegeven door $\dot{\eta} = S\eta - \alpha \Xi e$ en $\tilde{v} = \Xi^\top \eta$ .
- Interconnectie: Het systeem in de gesloten lus en het interne model worden met elkaar verbonden. Volgens Lemma 1 blijft de feedback-interconnectie van twee incrementeel passieve systemen incrementeel passief.
- Stabiliteitsbewijs: De totale regulator wordt gevormd door de lus te sluiten met een stabiliserende winst op de fout. Met behulp van een samengestelde opslagfunctie en Barbalat's lemma bewijzen de auteurs dat de regulatiefout $e(t)$ asymptotisch naar nul convergeert, mits het exosysteem voldoet aan standaard aannames (eenvoudige wortels op de imaginaire as) en de haalbaarheidsconditie (existentie van een lineaire stationaire oplossing) standhoudt.

Belangrijkste Bijdragen
Het artikel benadrukt vier primaire bijdragen:

Globale Asymptotische Regeling vanuit Data: Dit werk lost het outputregulatieprobleem voor nietlineaire plants direct op vanuit offline data, waarbij de asymptotische convergentie van de regulatiefout naar nul wordt gegarandeerd. Dit contrasteert met recente datagestuurde resultaten die ofwel focussen op lineaire systemen, ofwel slechts gebonden fouten garanderen voor nietlineaire systemen.
Ontkoppeld Ontwerp: Een significant kenmerk is de ontkoppeling van het ontwerp van de feedback-passivatiecontroller van het ontwerp van het interne model. De passivatiecontroller is onafhankelijk van het interne model, en het ontwerp van de regulator vereist geen data verzameld van het interne model. Dit biedt een hoge data-efficiëntie en flexibiliteit, aangezien wijzigingen in het exosysteem geen volledige herontwerp van de passivatiecontroller noodzakelijk maken.
Karakterisering van Passivatiecontrollers: De auteurs karakteriseren feedback incrementele passivatiecontrollers voor nietlineaire systemen en leiden data-gebaseerde LMI's af voor hun ontwerp. Dit breidt directe datagestuurde controle uit van louter verificatie of analyse van dissipativiteitseigenschappen naar de daadwerkelijke synthese van passiviteit-afdwingende controllers.
Stabilisatie van Niet-Nul Evenwichten: Het framework wordt uitgebreid om het stabilisatieprobleem voor niet-nul evenwichten op te lossen waarbij de evenwichtsinput noch bekend is, noch geschat wordt. Door een virtuele fout te definiëren op basis van de afstand tot het evenwicht, wordt het outputregulatieframework toegepast om asymptotische stabiliteit te bereiken zonder coördinatentransformatie.

Resultaten en Validatie
De theoretische resultaten worden gevalideerd door twee numerieke voorbeelden:

Eenvoudige Pendel: Een nietlineaire pendel onder invloed van sinusoïdale en constante verstoringen wordt gecontroleerd. De datagestuurde regulator slaagt erin de trackingfout vanuit diverse begincondities naar nul te drijven.
Stabilisatie van Niet-Nul Evenwicht: Een nietlineair systeem wordt gestabiliseerd bij een specifiek niet-nul evenwichtspunt ( $x_e = [-2, -1]^\top$ ) ondanks een onbekende evenwichtsinput en tijdvariërende verstoringen. De toestandstrajecten convergeren naar het doelevenwicht.

Betekenis en Claims
De auteurs claimen dat de betekenis van dit werk ligt in het bieden van een rigoureuze, datagestuurde oplossing voor nietlineaire outputregeling die globale asymptotische stabiliteit garandeert zonder expliciete systeemidentificatie te vereisen. De ontkoppelde architectuur wordt benadrukt als een groot voordeel ten opzichte van traditionele augmented system-benaderingen, vooral in datagestuurde settings waar het verzamelen van data van het augmented systeem (inclusief het interne model) complex is.

De auteurs zijn bescheiden over de reikwijdte van hun aannames. Zij merken expliciet op dat hun aanpak ervan uitgaat dat:

De nietlineariteiten in $Z(x)$ bekend zijn en perfect gecompenseerd kunnen worden (matched channels).
De experimentele data vrij is van meetruis (of dat ruis gemodelleerd kan worden door het exosysteem).
De existentie van een lineaire stationaire oplossing (Aanname 2) aanwezig is.

Toekomstige onderzoeksrichtingen die door de auteurs zijn geïdentificeerd, omvatten het afhandelen van algemene klassen van ruis via robuuste controletechnieken en het uitbreiden van de aanpak naar output-feedback ontwerpen met behulp van uitsluitend input-output data.

Het "Black Box"-probleem

De "Magische Spiegel" en de "Geest"

Het "Ontkoppelde" Voordeel

Wat ze daadwerkelijk hebben gedaan (en niet deden)

De Grenzen en de Toekomst

Meer zoals dit