[论文解读] 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 0

一句话总结

论文提出一种线性分式表示（LFR）模型结构，通过编码器驱动的辨识算法，将学习组件整合到第一性原理模型中进行 augmentation。

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.

研究动机与目标

• 利用现有第一性原理知识来提升非线性系统辨识的动机。
• 引入基于 LFR 的灵活 augmentation 框架用于 FP 模型。
• 开发基于编码器的辨识算法以估计 augmentation 结构。
• 提供初始化方法以提升估计速度与准确性。
• 在刚化的质弹簾-阻尼系统以及 F1Tenth 电动车的数据驱动动力学模型上展示该方法。

提出的方法

• 定义一种新颖的线性分式表示（LFR）模型结构，能够表示多种 augmentation 方案。
• 在 LFR 框架内结合先验 FP 知识以引导学习。
• 开发基于编码器的辨识算法以估计 augmentation 及合适的初始化。
• 在刚化的质弹簾-阻尼系统的仿真实验中演示该方法。
• 将该方法应用于使用测量数据的 F1Tenth 电动车动力学数据驱动建模。

实验结果

研究问题

• RQ1 LFR 基于 augmentation 是否能够有效将第一性原理知识与数据驱动学习结合起来？
• RQ2 基于编码器的辨识在估计速度与准确性方面的表现如何？
• RQ3 augmentation 对非线性系统模型泛化的影响是什么？
• RQ4 哪些初始化策略能提升辨识过程的收敛性与性能？
• RQ5 该方法是否具备扩展到现实世界机器人动力学（如 F1Tenth 车辆）的能力？

主要发现

• 所提出的 LFR augmentation 框架能够灵活地将 FP 先验融入学习型模型。
• 一个基于编码器的辨识算法可估计 augmentation 结构，初始化有助于提升性能。
• 方法在仿真的刚化的质弹簾-阻尼系统以及利用测量数据的 F1Tenth 电动车动力学中的数据上得到验证。
• 结果显示相比纯数据驱动方法，辨识效率、精度和可解释性均有所提升。
• 该方法覆盖了与现有文献兼容的多种 augmentation 结构。