⚡ electrical engineering

Optimal shaping filter design for data-driven feedforward controller tuning

本文提出了一种用于二自由度系统前馈控制器数据驱动调优的最优整形滤波器设计，有效地弥合了直接基于数据的辨识与精确模型匹配之间的差距，同时展示了其相对于估计响应迭代调优（ERIT）的优越性及其内在联系。

原作者： Yusuke Fujimoto

发布于 2026-08-03

📖 1 分钟阅读☕ 轻松阅读

原作者： Yusuke Fujimoto

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，你正试图教一个机械臂像专业舞者一样精准地舞动。在工程领域，这被称为“控制”，通常情况下，你需要一份完美的机器人身体蓝图（其物理特性、重量和摩擦力）来编写指令。但在现实世界中，构建这样一份蓝图简直是一场噩梦。机器人是复杂的，零件会磨损，有时你甚至不知道机器人明天会搬运多重的负载。因此，工程师们开始使用另一种技巧：“数据驱动”学习。他们不再去猜测蓝图，而是仅仅观察机器人的运动，记录数据，并不断调整指令，直到机器人跳出完美的舞姿。

然而，这里有一个陷阱。如果你只是告诉机器人：“完全模仿这位完美的舞者移动”，并试图通过简单地将机器人的动作与舞者的动作进行对比来寻找最佳指令，你可能会被误导。这就像仅仅通过听最终的乐曲来学习弹钢琴；你可能会在错误的时间按下正确的键，或者使用了错误的力度，仅仅是因为那个声音在图表上“看起来”是对的。数学理论告诉我们，仅仅复制“完美”的控制器并不足以获得完美的表现。你需要一个特殊的翻译器，或者说一个“整形滤波器”（shaping filter），来弥合这一差距。本文深入探讨了这个差距，提出了这样一个问题：“什么样的完美翻译器能让我们的数据驱动机器人完全达到预期效果？”

作者尤助介（Yusuke Fujimoto）通过关注一种特定的设置来解决这个问题：在这种设置下，机器人有两个类型的控制器协同工作——一个用于保持机器人稳定的“反馈”控制器（就像走钢丝者的平衡杆）和一个告诉机器人如何精确移动的“前馈”控制器（即舞蹈步骤）。目标是利用练习过程中的数据来调整这些“舞蹈步骤”，而无需了解机器人的隐藏物理特性。

论文指出，仅仅从数据中识别“最佳”控制器的常用方法是有缺陷的。这就像是通过品尝一道菜并猜测其配料来寻找最佳食谱；你可能能把味道做得接近，但口感会不对。作者展示了，为了获得你想要的精确表现，你需要先将数据通过一个特定的“整形滤波器”，然后再开始调优。这个滤波器就像一副特殊的眼镜，可以矫正你的视力，确保当你最小化数据中的误差时，你实际上是在最小化机器人在现实世界中的误差。

这里的主要发现是一个关于这个“完美滤波器”的公式。作者证明了，如果你仅利用已有的信息——比如机器人的初始运动、期望的舞蹈步骤以及稳定性控制器——来构建这个滤波器，你就可以在数学上保证你的调优是有效的。这不仅仅是一个猜测；论文提供了一个证明，证明随着数据的收集，这种方法会引导你走向最优解。有趣的是，论文还揭示了目前一种流行的现有方法，即“估计响应迭代调优”（ERIT），实际上是这个滤波器的的一个特殊且完美的版本，但前提是你必须在练习过程和最终表现中使用完全相同类型的运动信号。

为了证明这不仅仅是纸上的数学推演，作者进行了两项测试。首先是一个计算机模拟实验，其中“机器人”是一个数学模型。结果显示，如果没有这个特殊的滤波器，机器人的运动在某些区域表现尚可，但在另一些区域则偏差巨大。使用了该滤波器后，机器人的表现变得非常接近理想的“先知”（即一个掌握所有秘密的完美控制器）。在第二个测试中，作者在实验台上使用了一个真实的物理电机。当他们使用新滤波器对电机进行调优时，该电机追踪目标路径时的晃动和误差比不使用滤波器的方法要小得多。误差显著下降，证明了这个“翻译器”确实能帮助真实的机器舞动得更好。

简而言之，这篇论文解决了一个机器人控制中的难题：如何在不需要完美手册的情况下，利用过去的数据来编写未来的动作。答案是一个巧妙的“整形滤波器”，它矫正了我们观察数据的方式。事实证明，学习机器人错误性的最佳方式，并不是直接观察它们，而是通过正确的镜头去观察它们。对于那些一直在使用名为 ERIT 的特定方法的人来说，论文证实他们一直走在正确的轨道上，只要他们坚持在实验中使用相同类型的信号即可。

技术摘要：面向数据驱动前馈控制器调优的最优整形滤波器设计

问题陈述
本文研究了二自由度（2-DOF）控制系统中的数据驱动模型匹配问题。具体而言，其重点在于利用初步实验的输入-输出数据来调优前馈控制器 $C_{ff}(\rho)$ ，以最小化闭环系统 $T(\rho)$ 与期望参考模型 $T_d$ 之间的偏差。

虽然一种常见的方法是直接从数据中识别出“最优”控制器（即实现完美模型匹配的控制器），但本文认为这是不够的。在控制器结构固定且无法完美表示理想逆模型（即 $C^*_{ff} \notin \mathcal{C}$ ）的情况下，最小化识别出的控制器与最优控制器之间的误差并不能保证实现控制性能误差的最小化。这种差距的存在是因为控制器参数的相似性并不立即意味着闭环性能的相似性。为了弥补这一差距，本文在代价函数中引入了一个整形滤波器（或预滤波器） $L$ 。然而，设计一个仅依赖于可用数据而非未知真实受控对象 $P$ 的最优整形滤波器仍然是一个重大挑战。

方法论
本文将问题表述为寻找一个参数 $\rho$ ，以最小化模型匹配误差的加权 $H_2$ 范数：
$J(\rho) = \|W(T(\rho) - T_d)\|^2$
其中 $W$ 是权重函数，且 $P$ 是未知的。

作者提出了一个利用整形滤波器 $L$ 的数据驱动代价函数：
$J_L(\rho) = \sum_{k=0}^{N-1} \left( L(T_d u^0_k - C_{ff}(\rho) y^0_k) \right)^2$
其中 $u^0_k$ 和 $y^0_k$ 是在初始前馈参数 $\rho_0$ 下进行的初步实验的输入-输出数据。

核心方法论涉及推导最优的 $L$ ，使得当数据长度 $N \to \infty$ 时，最小化 $J_L(\rho)$ 在渐近意义上等价于最小化真实的性能指标 $J(\rho)$ 。该推导基于以下假设：

系统是无噪声的。
初始反馈回路是内部稳定的。
参考信号谱是已知的（由已知滤波器 $R$ 生成的阶跃信号或经过 $R$ 滤波的白噪声）。

主要贡献
本文的主要贡献是针对由于结构限制而无法实现完美模型匹配的数据驱动前馈调优问题，明确推导出了最优整形滤波器。所提滤波器为：
$L = \frac{1}{C_{ff}(\rho_0) + T_d C_{fb}} \frac{W}{R} \frac{1}{z^m}$
其中 $C_{fb}$ 是反馈控制器， $T_d$ 是参考模型，且 $z^{-m}$ 是为了确保滤波器是因果（proper）的纯延迟。

该贡献的关键特性包括：

可构建性： 该滤波器完全由可用信息（初始数据、已知控制器、参考模型和信号谱）构建而成，无需了解未知的受控对象 $P$ 。
最优性： 本文证明了使用该特定 $L$ 最小化代价函数，在极限条件下能获得与最小化真实性能代价 $J(\rho)$ 相同的最优参数 $\rho$ 。
与 ERIT 的关系： 本文建立了所提方法与估计响应迭代调优（ERIT）之间的理论联系。它表明，当权重函数 $W$ 被选择为恰好等于参考信号滤波器 $R$ 时（即在调优实验中使用相同的参考信号时），ERIT 是该框架的一个特例，并且是优化的。

结果
通过两个案例研究验证了所提整形滤波器的有效性：

数值示例：
- 使用了一个具有简单前馈结构（不足以完美匹配参考模型）的线性时不变系统。
- 情况 1 ( $W=1$ )： 最优整形滤波器表现出高通特性。虽然在不使用滤波器进行调优时，控制器在参数空间上更接近“理想”控制器，但其闭环跟踪性能较差。使用了滤波器的调优显著改善了对参考模型的闭环响应，特别是在高频范围内。
- 情况 2 ( $W=R$ )： 这种情况对应于 ERIT 设置。结果显示，使用整形滤波器（等效于 ERIT）与不使用滤波器进行调优相比，将平方跟踪误差降低了约 43%，有效地消除了输出中的振荡。
实际实验：
- 在带有阶跃参考输入的 Quanser Rotary Servo Base Unit 上进行了实验。
- 采用了信号投影技术以减轻噪声影响。
- 使用所提整形滤波器更新后的控制器比不使用滤波器的调优控制器具有显著更好的目标输出跟踪效果。
- 所提方法的平方误差和为 0.26，而未使用滤波器的调优方法为 0.76，初始控制器的值为 0.81。

意义与主张
本文声称，对于由于控制器结构受限的前馈控制器，所提整形滤波器为数据驱动的模型匹配问题提供了一个严谨的解决方案。通过利用可用数据构建最优滤波器，该方法避免了直接进行控制器识别可能导致的陷阱，即即使在无噪声数据下，直接识别也可能导致次优性能。

作者谦虚地指出，目前的工作侧重于渐近性质（大 $N$ ）。他们指出，研究有限数据量下的统计性质是未来研究的必要方向。这项工作强化了 2-DOF 控制结构的实用性，即只要更新后的前馈控制器保持稳定，其稳定性比仅依靠反馈的调优更容易保证。

类似论文