[論文レビュー] Learning-based augmentation of first-principle models: A linear fractional representation-based approach

Jan H. Hoekstra, Bendegúz M. Györök+2 more|arXiv (Cornell University)|Feb 19, 2026

Control Systems and Identification被引用数 0

ひとこと要約

論文は、学習ベースの成分を組み込むために第一原理モデルを拡張する線形分数表現（LFR）モデル構造を提案し、エンコーダベースの同定アルゴリズムで推定する。

ABSTRACT

Nonlinear system identificationhas proven to be effective in obtaining accurate models from data for complex real-world systems. In particular, recent encoder-based methods with artificial neural network state-space (ANN-SS) models have achieved state-of-the-art performance on various benchmarks, using computationally efficient methods and offering consistent model estimation in the presence of noisy data. However, inclusion of prior knowledge of the system can be further exploited to increase (i) estimation speed, (ii) accuracy, and (iii) interpretability of the resulting models. This paper proposes a model augmentation method that incorporates prior knowledge from first-principles (FP) models in a flexible manner. We introduce a novel linear-fractional-representation (LFR) model structure that allows for the general representation of various augmentation structures including the ones that are commonly used in the literature, and an encoder-based identification algorithm for estimating the proposed structures together with appropriate initialisation methods. The performance and generalisation capabilities of the proposed method are demonstrated on the identification of a hardening mass-spring-damper system in a simulation study and on the data-driven modelling of the dynamics of an F1Tenth electric car using measured data.

研究の動機と目的

• 第一原理知識を活用して非線形システム同定を改善する動機付け。
• FPモデルの柔軟なLFRベース拡張フレームワークの導入。
• 拡張構造を推定するエンコーダベース同定アルゴリズムの開発。
• 推定速度と精度を高める初期化手法の提供。
• 硬化マス-スプリング-ダンパーシステムおよびF1Tenth電動車のデータ駆動ダイナミクスモデルでの適用・実証。

提案手法

• さまざまな拡張スキームを表現できる新しい線形分数表現（LFR）モデル構造を定義。
• 学習を導くためにLFRフレームワーク内で事前のFP知識を組み込む。
• 拡張を推定するとともに適切な初期化を行うエンコーダベース同定アルゴリズムを開発。
• 硬化マス-スプリング-ダンパーシステムでのシミュレーションによるアプローチの実証。
• 測定データを用いたF1Tenth電動車のデータ駆動モデリングへの適用。

実験結果

リサーチクエスチョン

• RQ1 LFRベースの拡張は第一原理知識とデータ駆動学習を効果的に統合できるのか。
• RQ2 エンコーダベース同定は推定速度と精度の点でどのように性能を発揮するのか。
• RQ3 拡張が非線形システムのモデル一般化に与える影響は。
• RQ4 推定プロセスの収束と性能を改善する初期化戦略は何か。
• RQ5 このアプローチはF1Tenth車両のような実世界のロボットダイナミクスへスケールするのか。

主な発見

• 提案されたLFR拡張フレームワークは、FPの事前知識を学習ベースのモデルへ柔軟に組み込むことを可能にする。
• エンコーダベース同定アルゴリズムは拡張構造を推定し、初期化が性能を向上させる。
• 手法はシミュレーション上の硬化マス-スプリング-ダンパーシステムおよび測定データを用いたF1Tenth電動車のダイナミクスで検証。
• 結果は純粋にデータ駆動型アプローチと比較して推定の効率性・精度・解釈性の向上を示す。
• このアプローチは既存の文献と適合するさまざまな拡張構造を網羅する。