System Identification

Auch genannt: SysID, Sys ID, model identification, parameter identification
Kategorie: Learning & autonomy › RL & simulation
Schlagwörter: dynamics, modeling, sim-to-real, parameter-estimation, control, simulation

Der Prozess, aus gemessenen Ein- und Ausgabedaten ein mathematisches Modell eines Roboters oder eines anderen dynamischen Systems zu erstellen, sodass sein vorhergesagtes Verhalten mit der realen Hardware übereinstimmt.

Definition

Systemidentifikation (System Identification) ist die Praxis, aus experimentellen Daten ein Modell eines dynamischen Systems zu schätzen. Ingenieure geben bekannte Eingaben vor (Motorbefehle, Drehmomente, Spannungen), zeichnen die resultierenden Ausgaben auf (Gelenkpositionen, Geschwindigkeiten, Kräfte) und passen die Parameter eines Modells so an, dass seine Vorhersagen mit den Messungen übereinstimmen. Das Fachgebiet hat seine eigene Lehrbuchtradition, mit Lennart Ljungs System Identification: Theory for the User als Standardreferenz.

Ansätze werden oft danach beschrieben, wie viel Physik sie voraussetzen. White-Box- oder Grey-Box-Identifikation geht von bekannten Gleichungen aus, etwa der Starrkörperdynamik, und schätzt unbekannte Konstanten: Gliedmassen, Massenschwerpunkte, Trägheiten, Reibungskoeffizienten, Motorkonstanten und Getriebewirkungsgrade. Black-Box-Identifikation passt ein generisches Modell an, etwa eine Übertragungsfunktion oder ein neuronales Netz, mit wenig vorgegebener Struktur. Bei seriellen Manipulatoren ist die Starrkörperdynamik linear in den Trägheitsparametern, sodass sich diese mit der Methode der kleinsten Quadrate schätzen lassen, sobald der Regressor aus gemessenen Gelenktrajektorien aufgebaut ist.

Die Datenqualität entscheidet über das Ergebnis. Die Eingabe muss fortwährend anregend (persistently exciting) sein, das heißt, sie muss das System genug bewegen, um jeden zu schätzenden Parameter sichtbar zu machen; ein Roboter, der sich nur langsam bewegt, kann seine Trägheit nicht offenbaren, und einer, der nie die Richtung umkehrt, verbirgt seine Reibung. Teams entwerfen daher Anregungstrajektorien, filtern verrauschte Geschwindigkeits- und Beschleunigungsschätzungen und validieren das Modell an Daten, die nicht für die Anpassung verwendet wurden.

Im Roboterlernen dient die Systemidentifikation dazu, Simulatoren zu kalibrieren, sodass eine in der Simulation trainierte Policy auf realer Hardware auf eine größere Übereinstimmung trifft. Sie steht neben Domain Randomization, die abdeckt, was die Identifikation nicht festlegen kann, und neben gelernten Residualmodellen, die Effekte erfassen, die die gewählte Modellstruktur auslässt. Manche gelernte Regler führen eine Form der Identifikation online durch und passen sich an die Dynamik an, die sie im Betrieb beobachten.

Warum es wichtig ist

Jeder modellbasierte Regler, Simulator und Planer ist nur so gut wie das Modell dahinter. Systemidentifikation ist der Weg, auf dem ein Team aus einem CAD-Modell und einem Datenblatt ein Modell macht, das den realen Roboter vorhersagt, was sich direkt auf die Genauigkeit der Bahnverfolgung, auf Sicherheitsabstände und darauf auswirkt, wie gut sich simuliertes Training auf Hardware überträgt.

Wichtige Anwendungen

Kalibrierung von Physiksimulatoren auf reale Roboter vor dem Sim-to-Real-Transfer
Schätzung von Trägheits- und Reibungsparametern für Vorsteuerung und Computed-Torque-Regelung
Modellierung von Aktuatoren, einschließlich Motorkonstanten, Verzögerungen und Drehmomentgrenzen
Identifikation von Nutzlastmasse und -trägheit, damit ein Manipulator ein gegriffenes Objekt kompensieren kann
Modellbildung für weiche oder nachgiebige Systeme, deren Parameter sich schwer aus ersten Prinzipien berechnen lassen

In der Praxis

Ein Team, das einen neuen Roboterarm in Betrieb nimmt, beginnt typischerweise mit den Trägheiten aus URDF und CAD und fährt dann Anregungstrajektorien an jedem Gelenk oder am ganzen Arm, während Gelenkpositionen, Ströme und kommandierte Drehmomente protokolliert werden. Es schätzt Reibung (oft Coulomb- plus viskose Terme), Motordrehmomentkonstanten und die Basis-Trägheitsparameter mit der Methode der kleinsten Quadrate, prüft das angepasste Modell an einer zurückgehaltenen Trajektorie und lädt die identifizierten Werte sowohl in die Vorsteuerungsterme des Reglers als auch in den Simulator. Beim Training von Policies in der Simulation bilden dieselben identifizierten Werte die Mitte der Bereiche für Domain Randomization, und Aktuatoreffekte wie Latenz oder Drehmomentsättigung werden separat gemessen und explizit modelliert.

Häufige Missverständnisse

Systemidentifikation liefert ein exaktes Modell — sie findet die beste Anpassung innerhalb der gewählten Modellstruktur und des Datenbereichs; nicht modellierte Effekte bleiben
Jede aufgezeichnete Bewegung sind ausreichend gute Daten — die Eingaben müssen jeden zu schätzenden Parameter anregen, sonst sind manche Parameter schlicht nicht beobachtbar
Systemidentifikation und Domain Randomization sind konkurrierende Ansätze — sie ergänzen sich, wobei die Identifikation die Bereiche eingrenzt, die die Randomisierung dann abdeckt

Wer das wissen sollte

Regelungsingenieure, die modellbasierte Regler entwerfen
Forschende im Roboterlernen, die am Sim-to-Real-Transfer arbeiten
Simulationsingenieure, die digitale Zwillinge physischer Roboter bauen
Hardware-Ingenieure, die neue Aktuatoren charakterisieren

Videos

System Identification Methods: Brian Douglas
What Is System Identification? | System Identification, Part 1: MATLAB

Wikipedia

Systemidentifikation

Open Source Robotics