Adaptive Nonlinear Control with Online Identification and Receding-Horizon Optimization
该研究提出结合滚动时域iLQR等技术的自适应非线性最优控制方案，通过AMIGO框架分三阶段计算，经多种非线性系统验证，为复杂控制场景提供有效方法。
2026-09-09 cs.SY eess.SY
Stochastic processes and feedback-linearisation for online identification and Bayesian adaptive control of fully-actuated mechanical systems
Oxford University（牛津大学）
本文提出了一种新的方法，结合概率识别与控制，利用随机过程先验条件和拉格朗日力学结构知识，通过反馈线性化实现对完全驱动机械系统的灵活非参数贝叶斯学习。
2014-04-01 cs.LG cs.SY eess.SY
Online design of experiments by active learning for nonlinear system identification
研究将主动学习策略适配至动态环境，结合Kalman滤波器递归更新模型参数并处理输入输出约束，在运行时生成激励信号，提高了非线性系统辨识的样本效率。
2025-06-26 cs.SY eess.SY
Adaptive Decision-Making with Constraints and Dependent Losses: Performance Guarantees and Applications to Online and Nonlinear Identification
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
研究适应性决策中带约束和依赖损失的优化问题，提出实例依赖的高效算法，利用损失结构和预算约束改进遗憾界限，并在在线与非线性系统辨识任务中验证性能。
2023-04-06 cs.LG cs.SY eess.SY
Real-time Hybrid System Identification with Online Deterministic Annealing
Division of Decision and Control Systems, School of Electrical Engineering and Computer Science, KTH Royal Institute of Technology, Stockholm（决策与控制系统系，电气工程与计算机科学学院，皇家理工学院，斯德哥尔摩）
本文提出一种基于双时间尺度随机逼近的实时辨识方法，通过在线确定性退火逐步估计切换信号与模式数量，适用于分段仿射及一般切换系统，兼顾计算效率与性能-复杂度权衡，仿真验证有效。
2025-09-25 cs.LG cs.SY eess.SY
Online Identification of Stochastic Continuous-Time Wiener Models Using Sampled Data
Swiss Federal Institute of Technology (ETH Zürich)（瑞士联邦理工学院（苏黎世联邦理工学院））；Inspire AG（因斯派尔股份有限公司）
针对随机Wiener模型辨识中忽略扰动致估计有偏、似然类方法对分布假设敏感且复杂度高的问题，提出一种基于输出误差预测器的递推在线估计算法，通过随机逼近实现连续时间随机Wiener模型辨识，适用于通用参数化且对扰动频谱假设鲁棒。
2024-03-09 cs.LG cs.SY eess.SP
Online Parameter Identification of Generalized Non-cooperative Game
Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）；University of Chinese Academy of Sciences（中国科学院大学）；Tongji University（同济大学）；Shanghai Research Institute for Intelligent Autonomous Systems（上海自主智能无人系统科学中心）
本文针对广义非合作博弈中的参数辨识问题，提出一种基于正则化损失和KKT条件的在线算法，在参数线性及学习率递减假设下达到O(√K)遗憾界，并通过Nash-Cournot仿真验证其性能接近离线方法。
2023-10-14 cs.GT cs.LG cs.SY
A convex optimization approach to online set-membership EIV identification of LTV systems
研究了输入输出测量均受有界加性噪声影响的线性时变系统的递归集员辨识问题。首先，我们制定的非凸多项式优化的参数不确定性区间（PUI）的在线计算的问题。然后，我们提出了一种基于McCormick包络的凸松弛方法，通过线性规划来求解所述问题的全局最优值。通过两个仿真例子证明了所提出的识别方案的有效性。
2021-07-04 cs.SY eess.SY math.OC
An Online Data-Driven Method to Locate Forced Oscillation Sources from Power Plants Based on Sparse Identification of Nonlinear Dynamics (SINDy)
强迫振荡可能危及电力系统的安全运行。为了减轻强迫振荡，定位源是至关重要的。本文利用非线性动力学稀疏辨识（SINDy）技术，提出了一种纯数据驱动的强迫振动在线定位方法。在IEEE Task Force测试用例库中的所有仿真用例（WECC 179节点系统）和实际振荡事件（ISO新英格兰系统）中进行了验证，结果表明，所提出的算法不需要模型信息，在大多数情况下，即使在谐振条件下和固有模态阻尼差时，也能准确定位源。小的调整要求和低的计算成本，使所提出的方法可行的在线应用。
2022-07-12 cs.SY eess.SY
Global Convergence of Online Identification for Mixed Linear Regression
Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）；University of Chinese Academy of Sciences（中国科学院大学）
本文针对混合线性回归提出两种基于EM原理的在线辨识算法，在不依赖i.i.d.假设下证明其全局收敛，并验证聚类性能渐近达到参数已知时的水平。
2023-11-30 cs.LG cs.SY eess.SY
Online Coherence Identification Using Dynamic Time Warping for Controlled Islanding
GEIRI North America（GEIRI北美）
本文提出利用PMU数据和动态时间规整进行在线发电机相干性识别，通过谱聚类减少功率流扰动，验证了方法在IEEE 39节点系统中的有效性。
2017-08-24 cs.SY eess.SY
Data-Selective Online Battery Identification Using Extended Time Regular Expressions
本文提出基于扩展时间正则表达式的在线电池识别方法，通过车辆驾驶模式选择高信息数据段，实现高效且鲁棒的电池参数估计。
2025-12-13 cs.SY eess.SY
Online Identification and Tracking of Subspaces from Highly Incomplete Information
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
提出GROUSE算法，利用Grassmann流形上的增量梯度下降，从高度不完整观测中在线跟踪子空间，并可用于低秩矩阵补全。
2011-07-12 cs.IT cs.SY eess.SY
Online Adaptive Identification of Switched Affine Systems Using a Two-Tier Filter Architecture with Memory
针对多输入多输出（MIMO）切换仿射系统，提出了一种保证参数收敛的在线自适应辨识方法。一个家庭的在线参数估计器，配备了一个双层低通滤波器架构，以方便参数学习和识别的每个子系统。滤波器以在参数估计算法中使用的预测误差的形式捕获关于未知参数的信息。所提出的方法，区别于大多数以前的结果的一个显着特点是使用的存储器银行，存储滤波器的值，并促进参数学习在一个子系统的活动和非活动阶段。具体地，从子系统的先前活动阶段学习的经验被保留在存储器中，并在其随后的活动和非活动阶段中用于参数学习。此外，间歇性初始励磁（IIE）的一个新的概念被引入到切换系统框架中，将先前建立的初始励磁（IE）条件扩展到切换系统框架。IIE被证明是足够的，以确保指数收敛的切换系统参数。
2022-04-07 cs.SY eess.SY
Online Identification of Time-Varying Systems: a Bayesian approach
University of Padova（帕多瓦大学）
本文提出一种基于贝叶斯的在线识别时变系统的方法，通过单步梯度最大化边际似然和利用冲击响应估计的闭式表达式，实现超参数估计，结合遗忘因子提升跟踪性能。
2016-09-23 cs.SY eess.SY
Event-Triggered Data Selection for Online Frequency-Domain Identification
Eindhoven University of Technology（埃因霍温理工大学）
针对高性能系统在线频域辨识的通信负担问题，提出事件触发数据选择方法，结合估计不确定性与模型失配证据，在减少通信的同时保证辨识精度与响应能力。
2026-10-16 cs.SY eess.SP eess.SY
Online Identification of Time-Varying Systems Using Excitation Sets and Change Point Detection
本文针对在线辨识中缺乏持续激励和时变参数欠拟合问题，提出基于贪心激励集的递归最小二乘算法及结合变点检测的内存重置方案，并在网络化流行病动力学参数学习中验证了其有效性。
2025-08-17 cs.SY eess.SY
Instrumental Variables based DREM for Online Asymptotic Identification of Perturbed Linear Systems
针对非消失且与回归量相关的有界扰动，本文提出融合工具变量与平均机制的DREM扩展方法，实现受扰线性系统未知参数的在线无偏渐近辨识。
2024-04-05 cs.SY eess.SY
Output-Feedback Model Predictive Control with Online Identification
模型预测控制（MPC）是一种广泛应用的现代控制技术，在各个领域都有许多成功的应用。这种成功的大部分是由于MPC的能力，以执行状态和控制约束，这是至关重要的，在许多应用程序的控制。为了避免对观测器的需求，具有在线辨识的输出反馈模型预测控制（OFMPCOI）使用块可观测规范形式，其状态由控制输入和测量输出的过去值组成。在线辨识是使用递归最小二乘（RLS）与变速率遗忘。本文描述了OFMPCOI的算法细节，并通过一系列数值示例对其性能进行了数值研究，这些示例突出了各种控制挑战，例如模型阶次不确定性、传感器噪声、预测范围、稳定性、幅度和移动大小饱和度以及稳定性。数值例子被用来探测OFMPCOI的持久性，一致性和紧急性方面的性能。由于OFMPCOI不采用单独的控制扰动，以提高持久性，重点是在瞬态操作过程中的自生持久性。对于使用RLS的闭环识别，传感器噪声会导致识别模型中的偏差，目标是确定缺乏一致性的影响。最后，数值例子揭示紧急情况，这是在何种程度上强调在线识别模型的特点，是最相关的，以满足性能目标。
2020-09-22 cs.SY eess.SY
Adaptive tracking MPC for nonlinear systems via online linear system identification
针对未知非线性系统控制问题，提出基于移动窗口在线线性辨识的自适应跟踪MPC方案，证明其最优可达平衡点的实际指数稳定性，仿真验证其性能优于基于基本引理的直接数据驱动MPC。
2024-05-16 cs.SY eess.SY math.OC
Identification and online updating of dynamic models for demand response of an industrial air separation unit
空分设备的需求响应操作要求生产率频繁变化，调度计算必须明确考虑过程动态，以确保解决方案的可行性。为此，尺度桥接模型（SBM）近似的过程及其控制器在低阶表示的相关动态。在以前的作品，采用非线性SBMs相比，本文提出了线性SBMs，开发使用时间序列分析，以方便在线调度计算。使用长达一年的工业数据集，我们发现，紧凑的线性SBMs是合适的近似在典型的调度视野，但其精度是不可预测的，随着时间的推移。我们介绍了一种战略，在线更新的SBM，在线参数估计的卡尔曼滤波方案的基础上。该方法大大提高了SBM预测的准确性，并将使使用线性SBM为基础的需求响应调度在未来。
2020-09-29 cs.SY eess.SY math.OC
Lyapunov Method Based Online Identification of Nonlinear Systems Using Extreme Learning Machines
University Michigan, Ann Arbor（密歇根大学安娜堡分校）；Stony Brook University（石溪大学）
本文利用极限学习机（ELM）的快速学习特性，结合李雅普诺夫原理设计参数更新律，提出一种稳定的非线性动态系统在线参数估计算法，在直流电机和洛伦兹振荡器仿真中性能优于在线学习ELM。
2012-11-07 cs.SY eess.SY
Simultaneous Recursive Identification of Parameters and Switching Manifolds Identification of Discrete-Time Switched Linear Systems
提出了一类离散切换线性系统在线辨识的新方法，该方法可同时估计系统的参数和切换流形。首先，为了估计子系统的参数，设计了一种基于离散时间并行学习的递归参数估计器，以保证估计误差指数收敛到零。其次，作为辨识框架的辅助过程，提出了一种利用并发学习估计器产生的历史堆栈进行在线切换检测的方法。第三，应用增量式支持向量机技术，建立了估计系统切换流形的递推算法，并通过基于李纳普诺夫方法证明了算法的稳定性。最后，通过对一个二阶切换线性系统的数值仿真，验证了所提辨识方法的稳定性和精度。与传统的离线识别方法相比，本文提出的在线识别框架在大数据量下具有更高的识别效率，但在结论中也讨论了该框架的局限性和前景。
2023-03-07 cs.SY eess.SY
Online learning of neural state-space models
Systems and Control Laboratory, HUN-REN Institute for Computer Science and Control（系统与控制实验室，HUN-REN计算机科学与控制研究所）；Control Systems Group, Eindhoven University of Technology（控制系统组，埃因霍温理工大学）
研究基于深度学习的非线性系统识别中神经状态空间模型的在线学习，提出批处理学习管道和直接递归识别算法，经收敛性分析和仿真验证，该方法能实现高效在线自适应且模型精度高。
2026-10-14 cs.LG cs.SY eess.SY
Finite Sample Analyses for Continuous-time Linear Systems: System Identification and Online Control
本文研究连续时间线性系统的有限样本辨识与在线控制，提出无需区间积分观测的非渐近最优估计算法，并在可控系统中以 O(T) 次观测实现 O(√T) 遗憾。
2025-09-26 cs.SY eess.SY math.DS
Experimental verification of an online traction parameter identification method
Technische Universität Chemnitz（开姆尼茨工业大学）；Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）
表征地轮接触动力学的牵引参数是车辆能源效率的核心因素。为了优化油耗、减少轮胎磨损、提高生产率等，当前牵引参数的知识是不可避免的。不幸的是，这些参数很难测量，需要昂贵的力和扭矩传感器。另一种方法是使用系统辨识来确定它们。在这项工作中，我们验证了这种方法在现场实验与移动机器人。该方法基于自适应卡尔曼滤波器。我们展示了它如何在线估计牵引力参数，在球场上的运动过程中，并将它们与通过安装用于验证的6向力-扭矩传感器确定的值进行比较。记录粘附滑移率曲线的数据，并与文献中的曲线进行比较，以进一步验证该方法。研究结果可为优化牵引方案奠定基础。
2023-03-20 cs.RO cs.SY eess.SY
Online Identification using Adaptive Laws and Neural Networks for Multi-Quadrotor Centralized Transportation System
本文提出一种自适应神经识别方法，用于增强多四旋翼集中运输系统的鲁棒性，通过在线调节和学习分解的误差子空间，实现对时变扰动和模型不确定性的高效实时补偿。
2025-09-02 cs.RO cs.SY eess.SY
Online and Offline Space-Filling Input Design for Nonlinear System Identification: A Receding Horizon Control-Based Approach
针对非线性系统辨识输入设计忽略泛化误差的问题，提出嵌入距离型最优准则的RHC框架输入设计方法，支持在线离线场景，空间填充探索效率优于现有方法。
2025-08-04 cs.SY eess.SY
Simultaneous Online System Identification and Control using Composite Adaptive Lyapunov-Based Deep Neural Networks
University of Florida（佛罗里达大学）
针对非线性系统，提出一种基于李雅普诺夫稳定性分析的深度神经网络在线自适应更新方法，同时实现系统辨识与轨迹跟踪，并保证跟踪误差、状态导数估计误差和网络权重估计误差一致最终有界。
2026-05-21 cs.SY eess.SY
Self-Identifying Internal Model-Based Online Optimization
本文提出一种基于内部模型的自识别在线优化算法，结合控制理论和系统辨识，实现对动态变化模型的自适应优化。
2025-11-25 cs.SY eess.SY math.OC
A Robust Algorithm for Online Switched System Identification
University of Michigan（密歇根大学）
本文提出一种两步算法，通过鲁棒准则分配数据并更新参数估计，提供局部收敛性保证，实验显示其优于现有方法。
2018-05-03 cs.SY eess.SP eess.SY
Adaptive Experiment Design for Nonlinear System Identification with Operational Constraints
本文提出了一种自适应实验设计方法，用于在满足操作约束条件下在线辨识非线性系统模型。
2025-11-30 cs.SY eess.SY
Online Fault Identification of Digital Hydraulic Valves Using a Combined Model-Based and Data-Driven Approach
Åbo Akademi University（奥布皇家学院）；Tampere University of Technology（坦佩雷理工大学）
本文提出结合压力测量与液压系统流量平衡模型的方法，用于识别数字液压阀的故障，提升液压设备的可靠性和容错能力。
2018-03-15 cs.SY eess.SY
Robustness of Online Identification-based Policy Iteration to Noisy Data
本文研究噪声数据下基于在线辨识的间接数据驱动LQR控制，结合RLS与策略迭代，建立闭环算法动力学系统框架并给出收敛到最优控制器的保证。
2025-04-11 cs.SY eess.SY
Low computational cost method for online parameter identification of Li-ion battery in battery management systems using matrix condition number
监测锂离子电池的健康状态在电池管理系统（BMS）中至关重要，它可以帮助最终用户高效安全地使用电池。可以通过使用各种算法识别电池模型的参数来监测电池健康状态。由于BMS的计算能力较低，且参数时变，因此开发一种低计算成本的在线算法非常重要。在各种方法中，基于等效电路模型（ECM）的递归最小二乘（RLS）参数辨识非常适合于这种困难的BMS环境。然而，RLS的一个众所周知的关键问题是，它很可能是数值不稳定的，除非测量的输入使电池模型足够的激励。本文针对锂离子电池参数辨识问题，提出了一种新的RLS算法--条件记忆递归最小二乘（CMRLS），以解决此类问题，同时根据条件数改变遗忘因子，充分利用RLS的优点。在CMRLS中，使用RLS变量之间的递归关系，通过简单的计算来监控精确的条件数。通过对锂离子电池的仿真，比较了CMRLS和原RLS的性能。结果表明，CMRLS识别锂离子电池参数的平均绝对误差约100倍，比RLS准确。
2020-01-10 cs.SY eess.SP eess.SY
A method of online traction parameter identification and mapping
拖拉机、推土机等重型车辆的燃料消耗量因其作业范围而非常高。操作设置通常是固定的，并且不根据环境因素（例如地面条件）进行调整。然而，确切地说，地面到推进单元的特性在能源效率方面是决定性的。优化后者将需要一种确定这些属性的手段。这是目前研究的中心问题。更具体地说，目标是从可用的测量值（例如驱动训练信号）估计地面条件，并建立这些测量值的地图。利用自适应无迹卡尔曼滤波器估计地面条件参数。一个案例研究提供了实际和估计的地面条件地图。这种映射可以被视为重型车辆最优运行控制的重要里程碑。
2021-04-23 cs.SY eess.SY math.OC
Feedback Linearization based on Gaussian Processes with event-triggered Online Learning
将控制工程与来自机器学习的非参数建模技术相结合，允许使用数据驱动模型在没有分析描述的情况下进行控制系统。大多数现有方法将学习（即，基于固定数据集的系统辨识）和控制（即，基于模型的控制律的执行）分离。这种分离使得性能对训练数据的初始选择高度敏感，并且可能需要非常大的数据集。本文提出了一种利用在线闭环辨识的学习反馈线性化控制律。所采用的高斯过程模型更新其训练数据，只有当模型的不确定性变得太大。这种事件触发的在线学习确保了高数据效率，从而降低了计算复杂度，这是在实时约束下使用高斯过程的主要障碍。我们提出了数据点的安全遗忘策略，以遵守预算约束并进一步提高数据效率。我们所提出的事件触发法下的跟踪误差的渐近稳定性，并在仿真中说明了有效的识别和控制。
2019-11-15 cs.SY eess.SY
A Dimension-Decomposed Learning Framework for Online Disturbance Identification in Quadrotor SE(3) Control
IEEE
针对四旋翼 SE(3) 控制中高维扰动辨识欠拟合问题，提出 DiD-L 与 SANM，将高维映射切片为低维子映射并在线 Lyapunov 自适应更新，实现近指数稳定。
2025-10-03 cs.RO cs.SY eess.SY
Online sparse Bayesian identification of nonlinear time-varying systems
College of Electrical and Power Engineering, Taiyuan University of Technology, Taiyuan, 030024, China（电气与电力工程学院，太原理工大学，太原，030024，中国）；Department of Automation, Taiyuan Institute of Technology, Taiyuan, 030024, China（自动化系，太原理工大学，太原，030024，中国）
研究非线性时变系统在线稀疏识别问题，提出贝叶斯递归稀疏学习方法，通过贝叶斯后验递归更新系数分布，引入后验引导收缩保持稀疏性，在相关基准上评估，为在线稀疏识别提供有效途径。
2026-07-21 cs.RO cs.SY eess.SY
A Sliced Learning Framework for Online Disturbance Identification in Quadrotor SO(3) Attitude Control
Intelligent Systems Research Institute, National Institute of Advanced Industrial Science and Technology (AIST), Japan（国家先进工业科学与技术研究院智能系统研究所，日本）；Graduate School of Systems and Information Engineering, University of Tsukuba, Japan（茨大大学系统与信息工程研究生院，日本）
提出一种维度分解的几何学习框架Sliced Learning，通过李代数误差表示实现轴空间分解，结合轻量级SANM模块和Lyapunov自适应律，在资源受限MCU上实现400Hz在线扰动辨识。
2026-05-17 cs.RO cs.SY eess.SY
GREAT: Grassmannian REcursive Algorithm for Tracking & Online System Identification
本文提出GREAT算法，通过格拉斯曼流形上的递归优化，实现对时间变化子空间的在线跟踪与系统辨识，具有指数收敛率和不确定性量化保证。
2025-07-25 cs.SY eess.SY math.OC
Stochastic Gradient Based Extreme Learning Machines For Online Learning of Advanced Combustion Engines
University of Michigan（密歇根大学）；Stony Brook University（石溪大学）
本文提出一种基于随机梯度的在线学习算法SG-ELM，用于非线性动态系统的识别。该算法通过Lyapunov方法证明了估计误差的渐近稳定性和参数稳定性，同时减少了计算需求，应用于HCCI发动机的系统识别和动态操作范围识别。
2015-01-16 cs.LG cs.NE cs.SY
Preparing for the Unknown: Learning a Universal Policy with Online System Identification
Georgia Institute of Technology（佐治亚理工学院）；Google（谷歌）
本文提出了一种学习通用策略的方法，通过在线系统识别和大量训练示例，使策略在未知动态模型下具备鲁棒性，适用于多种动态模型和环境变化。
2017-05-15 cs.LG cs.RO cs.SY
Online Modeling and Sequential Convex Programming for Lunar Landing Trajectory Optimization
The University of Tennessee（田纳西大学）
研究月球动力下降和着陆的制导框架，结合序列凸规划与实时在线模型识别。将非凸能量最优着陆问题转化为凸二阶锥规划序列，用在线识别层估计扰动并注入修正项，开发算法并探索理论基础，数值模拟验证算法效果。
2026-07-07 cs.SY eess.SY math.OC
Sparse Kalman Identification for Partially Observable Systems via Adaptive Bayesian Learning
School of Astronautics（航天学院）
本文提出一种基于自适应贝叶斯学习的在线稀疏卡尔曼识别方法，用于部分可观测系统的高效模型识别与结构选择。
2025-11-22 cs.LG cs.SY eess.SY
Finite-time Koopman Identifier: A Unified Batch-online Learning Framework for Joint Learning of Koopman Structure and Parameters
在本文中，一个统一的批量在线学习方法的介绍学习的线性表示的非线性系统动态使用Koopman算子。所提出的系统建模方法利用了一种新的增量Koopman为基础的更新法，检索存储在存储器中的一个小批量的样本，不仅最大限度地减少了瞬时Koopman算子的识别错误，但也识别错误的批次检索样本。梯度流的不连续修改的在线更新法律，以确保有限时间收敛下定义的一批数据，易于验证的条件。因此，这种统一的在线批处理框架允许执行联合样本和时域分析，以收敛Koopman算子的参数。更具体地说，它示出，如果所收集的小批量的样本保证的秩条件，然后在时域中的有限时间保证可以被认证和稳定时间取决于所收集的样本的质量被重用的更新法。此外，建议Koopman的更新法律的效率进一步分析表明，在连续时间的识别遗憾增长的次线性随时间。此外，为了避免由于选择不适当的Koopman可观测值集而导致学习损坏的动态，高层Meta学习器采用离散贝叶斯优化算法来获得操作员的可观测函数的最佳库。由于有限时间收敛的Koopman模型的每一组的可观察性是在存储数据的秩条件下保证的，每一组的可观察性的适应性可以获得基于所提出的框架中存储的样本上的识别误差，甚至没有实现任何控制器的基础上学习的系统。
2022-12-27 cs.SY eess.SY
Online Optimization with Unknown Time-varying Parameters
针对含不可测未知线性动态时变参数的在线优化问题，提出利用代价函数梯度测量在线辨识参数动态并求解的方法，证明温和条件下仅需有限次梯度测量，经数值算例验证有效。
2025-03-19 cs.SY eess.SY math.OC
Identification of Friction Models for MPC-based Control of a PowerCube Serial Robot
对于基于模型的控制，准确且在其复杂性方面合适地表示真实系统是高和鲁棒控制质量的决定性先决条件。在一个结构化的一步一步的过程中，模型预测控制（MPC）方案的Schunk PowerCube机器人推导。Neweul-M $^2$以符号和数值形式提供了必要的非线性模型。为了解决推导出的非线性模型所带来的在线计算负担，基于对非线性系统关于期望轨迹的线性化和先验已知的相应前馈控制器，提出了一种线性时变MPC方案。为了提高关节非线性摩擦模型的识别，一个非线性回归方法和稀疏识别的非线性动力学（SINDy）进行了比较与对方的鲁棒性，在线自适应性，和必要的输入数据的预处理。一切都是在一个超薄，低成本的控制系统与标准的笔记本电脑。
2022-03-21 cs.SY eess.SY
Data-Driven Identification of Attack-free Sensors in Networked Control Systems
本文提出了一种数据驱动方法，用于在线识别网络化控制系统中未受攻击的传感器，并通过数值实验验证了其有效性。
2023-12-08 cs.SY eess.SY math.OC
Nonlinear identification algorithm for online and offline study of pulmonary mechanical ventilation
本文提出一种基于口腔压力与流量信号逐周期拟合非线性呼吸模型的参数辨识算法，可在线检测参数变化并为医生提供P-V曲率和肺充气状态，从而以较小计算代价提升通气安全性。
2024-02-28 cs.SY eess.SY physics.med-ph
Recursive Identification of Structured Systems: An Instrumental-Variable Approach Applied to Mechanical Systems
本文提出一种结合辅助变量法与块坐标下降的递归辨识算法，用于在可解释加性模型结构中实时估计机械系统的时变动态，并通过仿真和实验验证其有效性。
2025-04-24 cs.SY eess.SY
Convergence of Recursive Least Squares Based Input/Output System Identification with Model Order Mismatch
该研究针对模型阶数失配场景，提出不同阶数输入/输出模型的等价性概念，分析了高阶辨识模型基于RLS的在线辨识收敛性，证明其在持续激励数据下会收敛到与真实系统等价且RLS正则化项最小的模型。
2024-04-16 cs.SY eess.SP eess.SY
System Identification and Control of Valkyrie through SVA--Based Regressor Computation
Texas A & M University（德州农工大学）；Georgia Institute of Technology（佐治亚理工学院）
本文利用空间向量代数(SVA)实现瓦尔基里人形机器人的同时辨识与控制，通过空间惯性张量计算动力学参数，提出高效算法实现回归器评估，用于在线系统辨识与基于模型的控制。
2016-09-12 cs.DS cs.RO cs.SY
