⚡ electrical engineering

Control-Oriented System Identification: Classical, Learning, and Physics-Informed Approaches

本文综述了经典、机器学习及数据驱动的系统辨识方法，并提出了一种通过各种优化约束来整合控制相关属性与物理信息属性的统一框架，旨在增强模型的可解释性、样本效率，并为控制综合提供可证明的保证。

原作者： S. Sivaranjani, Yuanyuan Shi, Nikolay Atanasov, Thai Duong, Jie Feng, Tim Martin, Yuezhu Xu, Vijay Gupta, Frank Allgöwer

发布于 2026-07-16

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： S. Sivaranjani, Yuanyuan Shi, Nikolay Atanasov, Thai Duong, Jie Feng, Tim Martin, Yuezhu Xu, Vijay Gupta, Frank Allgöwer

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在试图教一个机器人走路，或者教一辆自动驾驶汽车如何在风暴中穿行。你可以只是给机器喂入海量的视频资料，让它自己去猜物理定律。这就像是让一个孩子通过摔倒一千次来学习骑自行车，直到他终于掌握了窍门。这种方法可行，但过程混乱、缓慢，而且有时孩子会学到错误的教训——比如认为可以骑车撞墙，因为他“还没撞过”为止。

在工程领域，这就是“从数据中学习”与“带着地图学习”之间的区别。你即将阅读的这篇论文生活在科学的一个角落，被称为控制导向系统辨识（Control-Oriented System Identification）。把“系统辨识”想象成构建一个关于物体如何运动或变化的数学地图的艺术；而“控制”则是引导该物体实现你预期目标的艺术。几十年来，工程师们一直遵循着一条严格的规则手册：如果你想安全地驾驶一架飞机，你的地图必须遵守物理定律，比如能量守恒，或者你不能凭空创造出某种东西。但最近，强大的新“机器学习”工具出现了，它们擅长猜测模式，却极其不擅长遵循规则。它们可能在模拟器中完美地学会飞行，却在现实世界中坠毁，因为它们忘记了重力的存在。这篇论文提出了一个大问题：我们能否教机器在从数据中学习的同时，强制它们尊重物理定律和安全规则？

伟大的制图大劫案

这篇论文是一份穿梭于思想之城的宏伟导览手册，向我们展示了如何为机器构建更好的地图。作者们（来自美国和德国大学的研究团队）本质上是在说：“别再让你的 AI 去瞎猜物理定律了，让它服从规律吧。”

他们认为，虽然现代机器学习在处理嘈ار（嘈杂）、混乱的数据并寻找模式方面表现惊人，但它们往往会产生“黑盒”模型。这些模型就像魔力 8 号球：你摇一摇，它给你一个答案，但你完全不知道背后的原理。如果这个魔力 8 号球正在控制着一座核反应堆或一只机械臂，并且它开始行为异常，在你意识到问题之前，你根本无法得知原因。论文指出，我们需要将机器学习的“魔力”与经典控制理论的“严苛规则”结合起来。

教机器人规矩的三种方法

作者提出了三种强制学习算法尊重宇宙规则的方法，并使用了一个简单的类比：想象你正在训练一只狗去捡球，但你希望确保它永远不会冲进车流。

直接参数化（构建狗的腿）： 这就像是在建造狗的腿时，从物理结构上就让它无法冲进车流。你从一开始就设计模型的结构，使其只能以符合物理规律的方式运动。例如，如果你在为一个单摆建模，你会构建数学模型，使其必须遵循能量守恒，就像真实的单摆一样。论文显示这种方法非常有效且高效，但很难为每种可能的情况都设计出这种“特殊的腿”。
硬约束（隐形围栏）： 这就像在院子里设置了一圈隐形的电网。狗可以在院子里随处奔跑，但如果它试图越界，就会受到电击（或者用数学术语来说，计算机说“不行，那是不被允许的！”）。论文解释说，这种方法非常精确，但计算成本很高，就像要同时计算一百万只狗的精确路径一样。有时，这个围栏会阻碍狗学习新的技巧。
软约束（温柔的提示）： 这就像是当狗待在院子里时给它零食，而在它游离出去时轻轻说声“不”。你并不禁止它冲进车流，但让这样做变得非常“昂贵”（在“点数”或“损失值”方面）。这是向现代 AI 添加规则最简单的方法，但论文警告说，这并不是一种保证。如果奖励不够丰厚，狗可能还是会冲进车流。

“哎呀”时刻：为什么仅仅靠猜测会失败

论文中最有趣的部分之一是他们进行的一个小实验，用以证明自己的观点。他们选取了一个已知具有“钝感性”（即不能凭空产生能量）的简单电路（RLC 电路）。他们将该电路的数据输入到一个标准的机器学习工具中，以构建一个模型。

结果如何？新模型看起来近乎完美。它预测电路行为的准确率达到了 99.6%。但是，当作者检查该模型是否遵守“无免费能量”规则时，他们发现模型出问题了。该模型认为电路可以自行产生能量！这就像一张地图显示了一条并不存在的穿山捷径。论文利用这一点证明了：仅仅做到准确是不够的。 如果你的地图对物理定律的理解稍有偏差，你的机器人可能会坠毁。

新工具：物理信息 AI

随后，论文深入探讨了研究人员用来解决问题的酷炫新工具。他们提到了 Neural ODEs（神经常微分方程），这类 AI 仿佛在用微积分的语言交流。它们不仅仅是猜测下一步，而是学习变化率，这才是真实物理运作的方式。

他们还重点介绍了 Hamiltonian Neural Networks（哈密顿神经网络），这类网络专门用于学习那些守恒能量的系统，比如绕太阳运行的行星或摆动的单摆。在一个例子中，他们训练了一个网络来学习无人机的动力学。相比于“黑盒”版本，“物理感知”版本的学习速度更快，所需数据更少。它甚至保持了无人机的能量平衡，防止了无人机因为误以为拥有无限燃料而撞墙。

“无模型”方法：从轨迹中学习

论文还探索了一个迷人的概念，叫做行为系统理论（Behavioral Systems Theory）。想象一下，你不知道一辆汽车是如何工作的，但你有一段它行驶的视频。与其试图猜测发动机的大小或轮胎的气压，你只需观察它留下的车辙轨迹。论文解释说，你无需建立完整的汽车模型，仅通过观察这些轨迹就能验证一个系统是否安全或稳定。这就像是通过观察水流来判断河流是否适合游泳，而不是测量每一个点的水深。

前方的道路：还有哪些难题

作者坦诚地说明了他们目前尚未解决的问题。他们指出，虽然我们在教 AI 学习物理规则方面取得了进步，但对于复杂的、变化的系统（例如会切换模式的电网或随时间变化的交通网络），这仍然非常困难。

他们还警告说存在一种权衡。如果你把规则定得太死，AI 可能会变得过于僵化，无法学习复杂的现实世界行为。这就像教狗去捡球，但如果你告诉它“绝对不能移动超过一英寸”，它就根本没法把球捡回来。论文暗示，未来的方向在于寻找完美的平衡点：一个既能从混乱数据中学习，又足够坚固以至于绝不会违反物理定律的模型。

核心启示

简而言之，这篇论文是对下一代工程师和科学家的行动号召。它在说：“不要只是让你的 AI 从数据中学习。给它一个指南针。”通过将机器学习的力量与永恒的物理规则相结合，我们可以制造出不仅聪明而且安全、可解释且值得信赖的机器人、汽车和电网。论文并未声称已经解决了所有问题，但它提供了一份清晰的领域地图，向我们展示了哪里有悬崖，哪里有通往安全的路径。

技术总结：面向控制的系统辨识

1. 问题陈述

本文探讨了动力系统辨识中的挑战，即其主要目标不仅仅是最小化训练数据上的预测误差，而是学习能够保留特定控制相关（control-relevant）和物理信息（physics-informed）属性的模型。

虽然现代机器学习（ML）方法在从高维噪声数据中识别模型方面表现出色，但它们往往无法保证对于下游控制综合至关重要的属性，例如稳定性、耗散性、单调性和对称性保持。相反，经典控制理论高度依赖这些属性来为闭环行为提供可证明的保证（例如，通过李雅普诺夫函数实现稳定性，或通过网络化系统中的耗散性实现可扩展性）。核心问题在于，标准的辨识算法即使在逼近输入-输出轨迹方面达到了极高的保真度，也并不本质地保证所学习的模型能继承这些结构属性。正如论文中所展示的，一个线性模型可以以 99.6% 的准确度逼近一个无源系统（passive system），但其本身却可能并非无源系统。

本文认为，将系统辨识与控制相关属性相结合，可以提供必要的归纳偏置（inductive bias）、增强可解释性、实现可证明的控制保证并提高样本复杂度。

2. 方法论与框架

作者将系统辨识建模为一个约束优化问题。他们提出了一个统一框架，通过三种不同的机制来强制执行控制相关属性：

直接参数化（Direct Parameterization）： 通过构造约束模型结构，使其满足某种属性。
- 示例： 拉格朗日/哈密顿神经网络（强制能量守恒）、输入凸神经网络（强制单调性）以及特定的传递函数参数化（强制无源性）。
硬约束（Hard Constraints）： 在优化问题中施加显式约束（例如，线性矩阵不等式 - LMI，半正定规划 - SDP）。
- 示例： 通过 $A^T P + PA \prec 0$ 强制李雅普诺夫稳定性，或通过 QSR-耗散性条件强制耗散性。论文指出，直接施加约束通常计算成本高昂，因此常采用“两阶段”方法：先识别一个无约束模型，随后进行扰动/投影以满足约束。
软约束（正则化/Soft Constraints）： 通过损失函数中的惩罚项来鼓励属性。
- 示例： 物理信息神经网络（PINNs），在最小化数据拟合误差的同时，也最小化物理定律（如能量守恒）的残差；或者通过惩罚具有正实部特征值的项来进行正则化。

该综述将现有文献分为三个主要流派：

经典系统辨识： 针对线性及非线性系统（如子空间方法、SINDy、Koopman 算子）的技术，通过上述三种机制来保持属性。
基于深度学习的辨识： 对 Neural ODEs、循环平衡网络（RENs）和 Transformer 等架构进行修改，以嵌入物理先验或约束。
直接数据驱动/行为方法： 跳过显式模型辨识（状态空间或传递函数），直接利用测量的轨迹验证属性，使用 Willems' Fundamental Lemma 和集合成员法（Set-Membership）。

3. 核心贡献与综述结果

A. 方法分类

论文提供了一个用于施加控制相关属性的方法全面分类法，比较了它们在保证程度、可扩展性和模型表达能力方面的权衡。

直接参数化通过构造提供强保证，但可能会限制模型的表达能力。
硬约束提供显式证书（例如通过 LMI），但可能导致计算不可行的问题，或者如果“最佳拟合”模型违反了约束，则会导致模型偏差。
软约束计算上具有可扩展性且易于集成，但通常仅提供概率性或经验性的保证，需要训练后的验证。

B. 经典与非线性辨识

线性系统： 论文回顾了在状态空间和频域模型中强制稳定性、无源性和耗散性的方法。它强调了“扰动法”，即对基准模型进行最小调整以满足约束（例如，修改 RLC 电路辨识中的 $C$ 矩阵以恢复无源性）。
非线性系统： 综述涵盖了：
- Koopman 算子： 在提升后的线性模型上强制稳定性与耗散性的方法。
- SINDy： 增强了“捕捉”（trapping）约束以保持能量或稳定性的稀疏辨识技术。
- Port-Hamiltonian (PH) 模型： 用于基于能量建模的统一框架，自然地保持无源性和互连结构。
- 高斯过程： 修改后的核方法，用以确保 BIBO 稳定或学习拉格朗日/PH 结构。

C. 深度学习架构

论文详细介绍了如何改进现代架构：

哈密顿/拉格朗日神经网络： 参数化能量函数而非动力学，从而保证能量守恒（或受控的耗散）。
单调神经网络： 旨在保证单调性的架构（例如，输入凸神经网络的梯度），这对于电力系统和生物网络至关重要。
循环平衡网络 (RENs)： 设计为通过构造实现收缩性和耗散性的模型，无需迭代投影即可提供稳定性保证。
物理信息神经网络 (PINNs)： 使用软约束将物理定律（如建筑动力学中的热传递方程）嵌入损失函数，在长时程预测中通常优于黑盒模型。

D. 直接验证（行为与集合成员法）

论文的很大一部分致力于无需显式模型辨识的直接验证：

行为框架： 使用 Willems' Fundamental Lemma，通过线性矩阵不等式（LMI）直接从单个输入-输出轨迹验证耗散性。
集合成员法： 定义与噪声数据一致的所有系统的集合（一个椭球外部近似）。随后使用鲁棒控制技术（S-procedure）来验证该集合中的所有系统是否满足某种属性（例如， $L_2$ 增益界限）。即使在有噪声的数据下，这也能提供严格的保证。

4. 实验说明

论文通过若干说明性示例支持其综述（代码可在公共仓库获取）：

单摆动力学： 对比黑盒 Neural ODE 与基于哈密顿的 Neural ODE。物理信息模型收敛更快，保持能量守恒并满足 $SO(3)$ 流形约束，而黑盒模型会出现漂移。
RLC 电路： 展示了尽管拟合精度很高，但标准的系统辨识工具仍会产生一个非无源模型，并演示了如何通过扰动法恢复无源性。
Duffing 振荡器： 对比带有和不带有软稳定性约束的 Koopman 模型。受约束的模型保持稳定，而不受约束的模型则会发散。
电力系统： 展示用于电压控制的单调神经网络，表明虽然它们达到了与标准 MLP 相当的准确度，但需要精细的训练并提供结构化保证。
建筑热动力学： 表明结合了电阻-电容物理特性的 PINNs 在长期温度预测方面优于标准神经网络。

5. 意义与未来方向

论文声称，面向控制的辨识不应仅被视为一个函数逼近问题，而应被视为一个模型选择问题，其中保持结构属性对于安全性、可解释性和控制综合至关重要。

意义：

它架起了经典控制理论（依赖结构属性）与现代机器学习（依赖数据驱动灵活性）之间的桥梁。
它为研究人员提供了路线图，使其能够根据是需要严格保证（硬约束）、可扩展性（软约束）还是特定结构先验（直接参数化）来选择合适的辨识策略。
它强调了如果没有这些归纳偏置，单纯的“原生”机器学习对于控制应用是不够的。

确定的未来方向：

网络化系统： 辨识既能保持图结构又能保持控制属性（如单调性）的大规模网络模型。
切换与时变系统： 将辨识扩展到具有未知切换信号或时变动力学的系统，同时保持耗散性等属性。
实验设计： 开发输入设计策略，既能激发系统模态，又能确保生成的数据支持控制相关属性的辨识。
表示层面的衔接： 创建一个统一框架，将行为/集合成员表示的严格保证与深度学习近似的灵活性相融合。
权衡： 进一步研究施加结构约束时的偏差-方差权衡，特别是关于结构化模型类的通用逼近定理。

论文总结道，尽管已取得显著进展，但该领域仍需在复杂、网络化及时变系统的可扩展算法方面开展更多工作，同时也需要标准化的基准测试来比较数据驱动方法与面向控制的方法。