[論文レビュー] Neural Luenberger state observer for nonautonomous nonlinear systems

Moritz Woelk, Jarod Morris+1 more|arXiv (Cornell University)|Feb 27, 2026

Adaptive Control of Nonlinear Systems被引用数 0

ひとこと要約

この論文は、入力を伴う非自律非線形システムに対して、データ駆動のモデルフリーなニューラル ライメンガー観測器（NLOX）を提案し、観測器の入力付加項と左反転状態写像をデータから学習し、理論的誤差保証と化学プロセスのケーススタディでの検証を行う。

ABSTRACT

This work proposes a method for model-free synthesis of a state observer for nonlinear systems with manipulated inputs, where the observer is trained offline using a historical or simulation dataset of state measurements. We use the structure of the Kazantzis-Kravaris/Luenberger (KKL) observer, extended to nonautonomous systems by adding an additional input-affine term to the linear time-invariant (LTI) observer-state dynamics, which determines a nonlinear injective mapping of the true states. Both this input-affine term and the nonlinear mapping from the observer states to the system states are learned from data using fully connected feedforward multi-layer perceptron neural networks. Furthermore, we theoretically prove that trained neural networks, when given new input-output data, can be used to observe the states with a guaranteed error bound. To validate the proposed observer synthesis method, case studies are performed on a bioreactor and a Williams-Otto reactor.

研究の動機と目的

• 完全なモデル知識が利用できない場合の非自律非線形システムに対する状態推定の課題を動機付け、対処する。
• データ駆動学習を用いて、入力付加性と非自律ダイナミクスを含む Kazantzis-Kravaris/Luenberger 觀測器を拡張する。
• 保存された状態測定から、観測器の非線形状態写像と入力補正項を近似するニューラルネットワークのオフライン訓練を開発する。
• 観測誤差の理論的境界を提供し、化学プロセスのベンチマークでアプローチを検証する。

提案手法

• NLOXの実現のために、左逆写像 T† と入力付加項 ω のニューラルネットワーク近似を採用し、非自律システムのニューラル・ライエンガー観測器を実現する。
• 入力、出力、真の状態のオフライン軌道からのデータ駆動訓練 regimeを用い、再構成誤差を監督損失で最小化する。
• 連続時間観測器をオフライン訓練用に前方オイラー法で離散化し、完全結合MLPを用いたωとT†の二つのネットワーク構成を実装する。
• 注入入力を扱いつつ単射写像を保持するよう、入力付加的拡張LTIダイナミクスによって観測器構造を保証する。
• 未知データに対する観測性能の確率的一般化境界を提供する。
• 二つの化学プロセスケーススタディ（定容発酵槽と Williams-Otto反応器）でアプローチを検証する。

Figure 1 : Neural Leunberger state observer for systems with exogenous inputs.

実験結果

リサーチクエスチョン

• RQ1 外部入力を伴う非自律非線形システムに対して、完全にデータ駆動のニューラルライエンガー観測器を合成できるか。
• RQ2 観測器の非線形状態変換と入力付加補正項を明示的な系モデルなしでデータから学習できるか。
• RQ3 未知データに対する観測誤差の保証は何か、離散化は学習にどう影響するか。
• RQ4 提案するNLOX法は現実的な化学プロセスシナリオで正確な状態再構成をもたらすか。

主な発見

• NLOXフレームワークは、入力付加項と非線形状態写像の両方をオフラインデータのみから学習する。
• ニューラルネットワークは、左逆 T† と入力ダイナミクス ω を、非自律入力を拡張した定常LTI観測器構造内で近似できる。
• 訓練は真の状態再構成に対する監督損失を用いた二ネットワーク構成で行われ、オフライン観測器の合成を可能にする。
• 未見データに適用した際、状態観測に対する誤差境界を保証できる。
• 生体反応槽と Williams-Otto反応器での数値検証は、データだけで正確な状態再構成を示す。

Figure 2 : State trajectories for $\tilde{x}_{1}$ and $\tilde{x}_{2}$ for the bioreactor system.