[논문 리뷰] Learning-based augmentation of first-principle models: A linear fractional representation-based approach

Jan H. Hoekstra, Bendegúz M. Györök외 2명|arXiv (Cornell University)|2026. 02. 19.

Control Systems and Identification인용 수 0

한 줄 요약

논문은 학습 기반 구성 요소로 보강하기 위해 선형 분수 표현(LFR) 모델 구조를 제시하고, 인코더 기반 식별 알고리즘으로 추정합니다.

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.

연구 동기 및 목표

• 비선형 시스템 식별을 향상시키기 위해 사전 원리 지식(첫 원칙)을 활용하도록 동기를 부여한다.
• FP 모델을 위한 융통성 있는 LFR 기반 보강 프레임워크를 도입한다.
• 보강 구조를 추정하기 위한 인코더 기반 식별 알고리즘을 개발한다.
• 추정 속도와 정확도를 향상시키기 위한 초기화 방법을 제공한다.
• 강화된 질량-스프링-감쇠 시스템과 F1Tenth 전기 자동차의 데이터 기반 동역학 모델에 이 접근법을 시연한다.

제안 방법

• 다양한 보강 방식들을 표현할 수 있는 새로운 선형-분수 표현(LFR) 모델 구조를 정의한다.
• 학습을 안내하기 위해 LFR 프레임워크 내에 선험적 FP 지식을 포함시킨다.
• 적절한 초기화를 포함하여 보강을 추정하기 위한 인코더 기반 식별 알고리즘을 개발한다.
• 시뮬레이션을 통해 강화된 질량-스프링-감쇠 시스템에서 접근법을 시연한다.
• 측정 데이터를 사용하여 F1Tenth 전기 자동차의 데이터 기반 모델링에 방법을 적용한다.

실험 결과

연구 질문

• RQ1 LFR 기반 보강이 선험적 원리 지식과 데이터 기반 학습을 효과적으로 통합할 수 있는가?
• RQ2 인코더 기반 식별은 추정 속도와 정확도 측면에서 어떻게 성능을 나타내는가?
• RQ3 비선형 시스템에 대한 모델 일반화에 보강이 미치는 영향은 무엇인가?
• RQ4 식별 프로세스의 수렴 및 성능을 개선하는 초기화 전략은 무엇인가?
• RQ5 이 접근법이 F1Tenth 차량과 같은 실제 로봇 다이나믹스에 확장 가능한가?

주요 결과

• 제안된 LFR 보강 프레임워크는 FP 사전 정보를 학습 기반 모델에 융통성 있게 통합할 수 있게 한다.
• 인코더 기반 식별 알고리즘이 보강 구조를 추정하고 초기화가 성능을 향상시킨다.
• 시뮬레이션에서 강화된 질량-스프링-감쇠 시스템과 측정 데이터를 사용한 F1Tenth 전기 자동차 다이나믹스에 대해 방법이 검증된다.
• 결과는 순수 데이터 기반 접근법에 비해 추정 효율성, 정확도 및 해석가능성이 향상됨을 보여준다.
• 이 접근법은 기존 문헌과 호환되는 다양한 보강 구조를 포괄한다.