Control-oriented system identification: Classical, learning, and physics-informed approaches

doi:10.1016/j.arcontrol.2026.101067

2026-07-25

PRE

DOI：10.1016/j.arcontrol.2026.101067

原文链接

原文求助

摘要

En 中文

本文综述了经典方法、机器学习方法和数据驱动方法等系统辨识方法，用于学习与控制相关和物理信息相关的动态系统模型。近年来，机器学习方法已能够从嘈杂、高维和复杂的数据中进行系统辨识。然而，它们在控制应用中的实用性受限于其提供可证明的控制相关属性保证的能力。与此同时，传统控制理论已识别出物理系统的若干属性，这些属性在分析和控制综合中有用，例如耗散性、单调性、能量守恒和保持对称性的结构。在本文中，我们假设将系统辨识算法与这些控制相关或物理信息相关的属性相结合，可以提供有用的归纳偏置，增强可解释性，实现具有可证明保证的控制综合，并改善样本复杂度。我们将系统辨识表述为一个优化问题，其中控制相关属性可以通过三种方式加以实施，即直接参数化（通过构造约束模型结构以满足所需属性）、软约束（通过正则化或惩罚项鼓励控制相关属性）和硬约束（将控制相关属性作为优化问题的约束加以实施）。通过这一视角，我们综述了学习物理信息相关和控制相关模型的方法，涵盖经典的线性与非线性系统辨识技术、基于机器学习的方法，以及通过数据驱动和行为表示的直接辨识。综合来看，这些观点表明，面向控制的辨识不仅应被视为一个最小化预测误差的问题，还应被视为一个选择模型结构和学习方法的任务，以保留下游分析和控制综合所需的属性。全文中，我们提供了若干示例，并附有代码和简短的教程，存储在公共的Github仓库中。我们还描述了该领域未来研究的若干挑战性方向，包括网络化系统、切换系统和时变系统的辨识、实验设计，以及弥合数据驱动、学习基础和面向控制的系统辨识之间的差距。