⚡ electrical engineering

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

本文提出了一种针对具有缺失输出的多速率系统的非迭代、面向控制的辨识框架，该框架利用循环重构从单个数据集中导出降噪标称模型和多胞不确定性模型，从而在无需迭代优化的情况下实现基于线性矩阵不等式（LMI）的鲁棒控制器设计。

原作者： Hiroshi Okajima, Kakeru Ono

发布于 2026-07-13

📖 1 分钟阅读☕ 轻松阅读

原作者： Hiroshi Okajima, Kakeru Ono

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，你正在尝试教一个机器人走路。为此，你需要了解它的腿、关节和传感器是如何协同工作的。但这里有个转折：这个机器人拥有一种混合传感器。有些是每秒拍摄60张照片的超快速相机，而另一些是每秒仅检查20次的慢速陀螺仪。更糟糕的是，有时快速相机甚至会漏掉一帧，导致数据出现缺口。

这就是**多速率系统（multirate systems）**这种混乱的现实。长期以来，从这些杂乱、缺失的数据中推导出机器人的真实“大脑”（其数学模型）一直是一个令人头疼的问题。大多数现有方法试图通过在点与点之间画线（插值法）或者运行无休止且缓慢的猜解循环（如EM算法之类的迭代方法）来猜测缺失的部分。这篇论文的作者说：“不，让我们试试更聪明、更快速的方法。”

魔术技巧：展开时间

由 Hiroshi Okajima 和 Kakeru Ono 领导的团队使用了一个被称为**循环重构（cyclic reformulation）**的巧妙数学技巧。

想象机器人的数据是一串长长的、缠绕在一起的珠子。因为传感器的速度不同，这些珠子的间距也是不均匀的。与其试图逐一解开它们，作者的方法是将整条字符串折叠成一个整齐的、重复的模式。他们将这个周期称为 M（这仅仅是所有传感器再次对齐所需的最小步数）。

通过这种方式折叠数据，他们将一个混乱的、随时间变化的问题变成了一个干净的、稳定的问题。他们在折叠后的数据上运行了一个标准的识别工具（称为子空间识别法）。结果如何？数学并没有给出一个答案，而是吐出了 M 个不同版本的机器人模型。

“小组项目”解决方案

这正是这篇论文真正高明的地方。在一个完美、无噪声的世界里，所有 M 个版本都应该是完全相同的双胞胎。但在现实世界中，噪声（静电、故障、传感器误差）使得它们看起来略有不同，就像一群朋友试图凭记忆画出同一幅画一样。

论文提出了两种使用这 M 幅不同画作的方法：

质心（“平均水平”的朋友）： 作者提取所有 M 幅画作并对其进行平均。就像人群的平均猜测往往比任何单一人的猜测都更接近真相一样，这种“质心”模型抵消了随机噪声。在他们的模拟实验中，这个平均模型的效果显著优于试图从这组画作中挑选出单一“最佳”画作的做法。它还击败了旧有的“插值”方法——后者无论有多少数据，准确率始终停留在 67% 左右，而新的平均模型即使在有噪声的情况下也能达到 96% 以上的准确率。
多胞体（“安全气泡”）： 作者没有仅仅选取一个平均值，而是利用所有 M 幅画作构建了一个包裹住它们的 3D 形状（多胞体）。把它想象成一个安全气泡。真实的机器人模型很可能就隐藏在这个气泡内部。这对工程师来说意义重大，因为这让他们能够设计出即便机器人的行为表现为气泡内 M 种不同版本中的任何一种，也能保证正常工作的控制器。

本文排除了什么

作者非常明确地说明了他们的方法不是什么。

它不是迭代式的猜解过程： 他们明确避免了那些需要设定初始值并寄希望于不陷入局部陷阱的、计算量巨大的缓慢方法。他们的这种方法是非迭代的，意味着它运行一次即可得出答案。
它不是解决缺失数据的“神奇疗法”： 他们并不声称能神奇地知道缺失的传感器数据原本是什么。相反，他们将缺失的数据视为零（一个“零填充”序列），并利用数学手段在无需用虚假数字填补空白的情况下，恢复系统的结构。
它不是一个保证性的“集合成员”边界： 论文谨慎地指出，“安全气泡”（多胞体）是根据观测到的噪声构建的，而不是基于一个认为真实模型一定在其中的理论保证。这是一个数据驱动的描述，而非数学证明的笼子。

他们有多大的把握？

作者充满信心，但他们紧扣证据。

仅限模拟： 所有结果均来自计算机模拟。他们测试了一个简单的单传感器系统和一个更复杂的多传感器系统。
数据指标： 在他们的测试中，即使在高噪声水平（标准差为 0.1）下，位于他们安全气泡“内部”的最佳模型预测机器人行为的平均准确率仍超过 95%。
“最佳顶点”： 他们发现，平均模型（质心）的表现始终优于这组模型中的单个最佳模型。例如，在一项测试中，平均模型的准确率达到了 98.36%，而单个最佳猜测仅为 95.55%。

核心结论

这篇论文并不声称解决了机器人领域的所有问题。它目前还没有应用于物理机器人（那是未来的工作），并且假设机器人的基本物理特性不会随时间改变。

然而，它提供了一种处理混合速度传感器这种复杂现实的新颖、快速且极其准确的方法。通过将时间折叠成重复模式并对结果进行平均，作者展示了你可以获得一个超级干净的模型和一个鲁棒的安全气泡，而无需进行无休止的循环计算。这是一种“一劳永逸”的方法，将混沌的数据流转化为可靠的控制蓝图。

技术摘要：基于循环重构的多速率系统识别与多胞不确定性建模

问题陈述
现代控制系统经常使用运行采样率不同的异构传感器（多速率系统）。这为系统辨识带来了根本性的挑战：输出测量值是间歇性缺失的，且系统表现为周期性时变（PTV）系统，而非标准的线性时不变（LTI）系统。现有方法面临显著局限：

子空间与提升法（Subspace and Lifting methods）： 虽然它们可以识别快速速率模型，但由于扩展状态空间中存在变量乘积，恢复原始系统参数非常困难。
迭代法（例如 EM 算法）： 这些方法将缺失的输出视为隐变量，但需要精细的初始化，存在局部收敛问题，且计算量大。
基于插值的方法： 通过插值填充缺失数据会引入系统性建模误差，无论噪声水平如何，都会限制精度。

本文旨在填补这一空白，提供一种非迭代、面向控制的辨识方法，该方法能从单一数据集中同时获得鲁棒标称模型和多胞不确定性描述，特别处理了多速率辨识中固有的噪声诱导偏差。

方法论
所提出的框架依赖于循环重构（cyclic reformulation），将多速率系统转换为具有扩展维度的等效时不变表示。该方法通过以下步骤进行：

系统表示： 多速率系统被建模为一个 LTI 平面，其输出选择矩阵 $V_k$ 随周期 $M$ （传感器采样周期的最小公倍数）周期性变化。为了辨识目的，缺失的输出采用零填充。
循环重构： 利用循环移位矩阵，将周期性系统转换为维度为 $Mn $（其中$ n$ 为系统阶数）的时不变系统。这使得可以将标准的子空间辨识方法（如 MOESP）应用于“循环化”后的输入-输出信号。
坐标变换： 子空间辨识产生维度为 $Mn $的稠密矩阵。构造特定的坐标变换矩阵$ $的稠密矩阵。构造特定的坐标变换矩阵$ T $以恢复**循环重构结构**。此步骤提取$ $以恢复 * * 循环重构结构 * * 。此步骤提取$ M $个不同的参数集$ $个不同的参数集$ (A_{mi}, B_{mi}, C_{mi}, D_{mi}) $，其中$ $，其中$ i = 0, \dots, M-1$。
- 在无噪声场景下，这些 $M$ 个集合在坐标变换意义下完全一致。
- 在有限噪声下，它们因噪声诱导的扰动而表现出离散性。
双模型构建： 这 $M$ $M$ 个参数集以两种互补的方式被利用：
- 质心模型（Centroid Model）： 对 $M$ 个集合进行平均以形成单个标称模型。对于状态矩阵 $A$ 和 $B$ ，取均匀平均值。对于输出矩阵 $C$ 和 $D$ ，使用行平均法，仅针对特定输出被观测到的相位进行计算，从而避免零填充数据的重复计数。
- 多胞不确定性模型（Polytopic Uncertainty Model）： 这 $M$ 个参数集作为凸多胞的顶点。为确保模型的完备性，对应于非观测相位的 $C$ 和 $D$ 行使用行平均质心值进行填充。最终的多胞由这些 $M$ 个顶点的凸组合定义。

主要贡献

非迭代辨识： 该方法提供了一个精确的、非迭代的辨识流程，可以在不涉及 EM 算法收敛风险的情况下，恢复原始系统矩阵（在坐标变换意义下）。
利用噪声离散性： 不同于以往工作（如 [25]）将 $M$ 个参数集视为在无噪声极限下一致，本文利用其噪声诱导的离散性来构建多胞不确定性模型。该模型直接兼容基于顶点的线性矩阵不等式（LMI）鲁棒控制设计。
通过质心实现降噪： 本文证明了 $M$ 个集合的质心作为一个降噪后的标称模型，其性能优于单个顶点和基于插值的基准模型。
结构恢复： 本文重新阐述了无噪声结构恢复定理（定理 1），并将其与有限噪声建模步骤分离，通过输出层面的验证统计量而非矩阵坐标距离来评估后者。

结果
在 SISO 和 MIMO 多速率系统上的数值模拟验证了该方法：

质心性能： 在一个缺失 2/3 输出的 SISO 示例中，质心模型的验证 FIT 分数在所有噪声水平下均高于 96%，显著优于线性插值基准 MOESP（其得分保持在 67% 左右）。质心始终优于最佳单个顶点，证实了平均化的降噪效应。
多胞可靠性： 在一个具有两个传感器（ $M=6$ ）的 MIMO 示例中，构建的多胞包含了具有高预测精度的模型。即使在高噪声水平（ $\sigma = 0.1$ ）下，通过优化找到的“多胞内最佳”模型也实现了超过 95% 的平均验证 FIT。
鲁棒性： 在各种传感器周期配置（ $M \in \{4, 6, 8, 12\}$ ）和数据长度下，多胞可靠性保持在高水平（>98%），表明该方法适用于多样化的多速率传感场景。

意义与声明
本文声称弥合了多速率系统辨识与面向控制的不确定性建模之间的鸿沟，且无需迭代优化。其主要意义在于：

直接兼容性： 所得多胞自然兼容于基于顶点的 LMI 鲁棒控制设计（如 $H_\infty$ 、鲁棒极点配置），因为顶点是直接从辨识过程中推导出来的。
数据驱动的不确定性： 该多胞被呈现为一种“数据衍生的不确定性描述”，而非保证的集合成员界限。作者明确指出，顶点源于估计值的离散，并通过输出层面的统计数据对多胞的效用进行了经验验证。
研究范围适中： 作者澄清，理论保证（精确循环恢复）适用于无噪声情况。对于有限噪声，这是一种经验方法，其有效性是通过数值模拟而非形式化概率界限来展示的。本文并不声称解决了具有内在参数变化或非线性的系统，也未在物理硬件上进行实验验证，这些属于未来的研究方向。

总之，本文提供了一个实用的、非迭代的流程，将缺失多速率数据带来的挑战转化为生成高保真标称模型和结构化不确定性集的机遇，而该不确定性集适用于鲁棒控制合成。