⚡ electrical engineering

Soft projections for robust data-driven control

本文提出了一种基于行为系统理论的软投影方法，用于从含噪数据中直接构建数据驱动预测控制所需的投影算子，该方法通过正则化权衡偏差与方差，实现了独立于系统阶数的误差界、支持直观的泛化扩展，并提供了适用于流式数据的高效更新公式。

原作者： András Sasfi, Jaap Eising, Florian Dörfler

发布于 2026-04-02

📖 1 分钟阅读☕ 轻松阅读

原作者： András Sasfi, Jaap Eising, Florian Dörfler

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

这篇论文提出了一种让机器人在“嘈杂”环境中也能聪明控制的新方法。为了让你轻松理解，我们可以把控制系统想象成一位大厨，把数据想象成食材，把控制算法想象成烹饪食谱。

1. 背景：大厨的困境（传统方法 vs. 直接数据驱动）

想象一下，你想教一位大厨（控制器）做一道完美的菜（控制机器人）。

传统方法（间接法）： 大厨先花大量时间研究食材的化学成分、生长环境，写出一本厚厚的《食材百科全书》（建立数学模型）。然后，他根据这本书来制定食谱。
- 缺点： 如果食材有点不新鲜（数据有噪声），或者这本百科全书写得不够完美（模型不准），做出来的菜味道就会大打折扣。而且，如果食材变了（系统动态变化），大厨得重新写书，太慢了。
直接数据驱动法（DeePC）： 现在的流行做法是，大厨不写书了。他直接看过去做过的几千道菜（历史数据），然后说：“上次做这道菜时，我放了 5 克盐，味道很好，这次我也放 5 克。”
- 优点： 不需要懂化学，直接利用经验。
- 缺点（论文要解决的问题）： 如果过去的记录里，有人记错了盐的克数（数据有噪声），或者记录太乱了，直接照搬就会翻车。为了解决这个问题，之前的方法会加一个“正则化”（Regularization），这就像给大厨加了一条模糊规则：“如果不确定，就稍微保守一点”。但这条规则有点“黑盒”，大厨自己都不清楚为什么这么改，而且如果数据量太大，计算起来非常慢。

2. 核心创新：软投影（Soft Projections）—— 给数据加个“柔光镜”

这篇论文的核心思想是引入**“软投影”**。

什么是“投影”？
想象你在一个满是灰尘（噪声）的房间里，墙上有一个完美的影子（真实的系统行为）。

硬投影（传统理想情况）： 你试图把那个影子精准地描下来。但如果墙上有灰尘，你描出来的线就会歪歪扭扭，甚至完全描错。
软投影（论文的方法）： 我们不追求把影子描得“绝对精准”，而是给影子加了一层柔光镜（Soft Filter）。
- 这层柔光镜会自动过滤掉那些因为灰尘（噪声）产生的杂乱线条。
- 它承认：“我知道数据里有噪音，所以我不会死板地相信每一个数据点，而是取一个‘平滑’后的结果。”

比喻：
这就好比你在看一张模糊的老照片（噪声数据）。

旧方法是试图强行把照片里的每一个像素都修得清晰，结果修出来全是噪点。
**新方法（软投影）**是像使用美颜相机的“磨皮”功能，它知道哪里是人脸（真实信号），哪里是噪点（灰尘），然后智能地把噪点抹平，保留人脸的轮廓。

3. 为什么这个方法更牛？（三大优势）

A. 不怕“系统有多复杂”（与系统阶数无关）

以前的方法在估算影子时，需要猜测这个影子是由几个基本形状组成的（系统阶数）。猜错了（比如以为是 3 个形状，其实是 5 个），整个影子就全歪了。

新方法的比喻： 软投影不需要数影子由几个形状组成。它直接处理整张图。无论影子多复杂，它都能通过“柔光镜”自动适应。这就像你不需要知道照片里有多少个人，只要知道怎么把照片修得好看就行。

B. 误差可控（偏差与方差的平衡）

论文证明了一个数学公式，告诉我们这个“柔光镜”的强度（参数 $\delta$ ）是可以调节的：

如果镜太“硬”（参数小），虽然保留了细节，但噪点也多了（方差大）。
如果镜太“软”（参数大），虽然没噪点了，但人脸也模糊了（偏差大）。
好处： 我们可以像调节收音机音量一样，找到一个完美的平衡点，让做出来的菜既好吃又稳定。

C. 像“流媒体”一样实时更新（在线更新）

这是最实用的部分。以前的方法，每来一个新数据，大厨就得把几千条旧记录重新整理一遍，累得半死。

新方法的比喻： 软投影有一个**“一键更新”**功能。
- 当新数据（新食材）进来时，大厨不需要重读整本书，只需要在现有的“柔光镜”上轻轻加一笔（秩一更新），就能把新信息融合进去。
- 这就像你在看直播流媒体，画面是实时流动的，而不是每次都要重新下载整个视频。这让机器人能实时适应环境的变化（比如突然刮风了，机器人能立刻调整）。

4. 实验结果：真的更好吃吗？

论文做了一个实验（双弹簧质量阻尼系统，可以想象成两个连在一起的摆锤）。

场景： 给系统加了很多噪声（就像在嘈杂的厨房里做菜）。
对比： 传统的“直接数据驱动”（DeePC）vs. 新的“软投影”方法。
结果： 在噪音很大的情况下，新方法做出来的“菜”（控制效果）不仅更稳，而且成本更低，预测更准。就像在嘈杂的厨房里，用了“柔光镜”的大厨，依然能做出比传统方法更美味的菜。

总结

这篇论文就像给数据驱动的控制系统装上了一副智能的“柔光眼镜”。

它不再死板地追求完美的数学模型，而是直接利用数据。
它能自动过滤数据中的“灰尘”（噪声），不需要人工去猜测系统的复杂程度。
它能像流媒体一样，随着新数据的到来实时自我进化，不需要每次都推倒重来。

简单来说，它让机器人在面对混乱、嘈杂的真实世界时，能像一位经验丰富的老手一样，“抓大放小，灵活应变”，从而做出更稳健、更聪明的决策。

这篇论文提出了一种基于**软投影（Soft Projections）**的鲁棒数据驱动控制方法，旨在解决直接数据驱动预测控制（Direct Data-Driven Predictive Control）中在噪声数据下模型估计和正则化解释性不足的问题。

以下是该论文的详细技术总结：

1. 研究背景与问题 (Problem)

直接数据驱动控制的挑战：传统的直接数据驱动控制（如 DeePC）基于行为系统理论，利用原始数据直接表示系统行为（即轨迹的线性子空间）。然而，当测量数据含有噪声时，直接应用行为子空间约束会导致问题病态。
现有方法的局限性：
- 正则化的解释性：现有的正则化方法（如 DeePC 中的 $\ell_2$ 正则化）通常是启发式的，缺乏对“行为子空间投影”这一核心概念的直观解释。
- 子空间估计的敏感性：显式估计低维行为子空间（Subspace Estimation）的方法对系统阶数（Order）的选择非常敏感。如果估计的子空间维度与真实系统维度不匹配，误差会急剧增大（间隙度量变为 1）。
- 在线更新困难：现有的在线适应方法通常依赖于显式的子空间更新，计算复杂且难以处理流式数据。

2. 核心方法论 (Methodology)

作者提出不再显式学习系统模型或子空间，而是直接学习从数据到控制输入的映射（投影算子）。

软投影（Soft Projections）的定义：
引入软投影算子 $\tilde{P}_H$ 来近似真实的正交投影算子 $P_B$ （其中 $B$ 是真实行为子空间）。对于数据矩阵 $H$ 和权重矩阵 $W$ ，软投影定义为：
$\tilde{P}^W_H := H(H^\top W H + \delta I)^{-1} H^\top W$
其中 $\delta > 0$ 是正则化参数（类似于岭回归中的参数）。
- 去噪机制：当 $\delta \to 0$ 时，软投影退化为标准正交投影；当 $\delta > 0$ 时，它通过抑制 $H$ 的小奇异值来“去噪”，从而在存在噪声时提供稳定的投影。
新的控制公式：
作者提出了两种基于软投影的预测控制公式，用于在约束集 $C$ 内寻找最优轨迹：
1. 公式 (9)：在代价函数中加入惩罚项 $\alpha \|(I - \tilde{P}_H)w\|^2$ 。这被解释为一种二阶滤波器，能更有效地分离信号与噪声。
2. 公式 (10)：在代价函数中加入惩罚项 $\hat{\alpha} w^\top (I - \tilde{P}_H) w$ 。这被证明是标准 DeePC 公式的推广（当 $\delta \to 0$ 时等价）。
在线更新机制：
利用**秩一更新（Rank-one update）**公式（Proposition 1），实现了软投影算子和正则化参数 $\delta$ 的递归更新。这使得算法能够高效地处理流式数据（Streaming Data），无需在每一步重新计算大矩阵的逆。

3. 关键贡献 (Key Contributions)

理论误差界（Error Bounds）：
- 推导了软投影算子 $\tilde{P}_H$ 与真实投影 $P_B$ 之间近似误差的上界。
- 该误差界由**偏差（Bias）和方差（Variance）**两项组成，可通过调节 $\delta$ 进行权衡。
- 关键突破：该误差界完全独立于真实系统的阶数。这解决了显式子空间估计方法对系统阶数选择高度敏感的问题，证明了软投影在未知阶数下的鲁棒性。
新的控制架构：
- 提出了公式 (9) 和 (10)，将正则化项解释为对行为约束的软近似。
- 特别是公式 (9)，通过 $(I - \tilde{P}_H)^2$ 项提供了比传统 DeePC 更强的噪声抑制能力（类似于高阶滤波器）。
高效的在线适应算法：
- 推导了软投影算子的递归更新公式，使得数据驱动控制器能够实时适应新数据，且计算复杂度不随数据量线性增长（仅涉及 $O((qL)^2)$ 操作）。

4. 实验结果 (Results)

案例研究：在双弹簧 - 质量 - 阻尼器系统（Double Spring-Mass-Damper System）上进行了验证。
性能对比：
- 在不同信噪比（SNR = 10, 5, 3）下，提出的方法（公式 9）与标准 DeePC（公式 4）进行了对比。
- 结果：随着信噪比降低（噪声增大），提出的方法在平均实现开环成本（Mean Realized Open-Loop Cost）和预测误差方差上均显著优于 DeePC。
- 参数调节：在公式 (9) 中，预测误差和实现成本在相同的参数区间内同时达到最小，而 DeePC 需要在两者之间进行权衡。

5. 意义与结论 (Significance)

理论深度：将数据驱动控制中的正则化现象重新解释为“软投影”，提供了清晰的几何和统计解释（偏差 - 方差权衡）。
鲁棒性：证明了该方法在系统阶数未知或估计不准的情况下依然有效，克服了传统子空间方法的缺陷。
实用性：提出的在线更新算法使得该方法能够应用于时变系统或需要实时适应的工业场景，无需离线重新训练模型。
未来方向：为随机环境下的行为投影近似提供了新的理论框架，并展示了其在处理流式数据方面的巨大潜力。

总结：这篇论文通过引入“软投影”概念，成功地将正则化数据驱动控制从启发式实践提升为具有严格理论保证的鲁棒控制框架，不仅解决了噪声敏感性问题，还实现了高效的在线自适应控制。