System Identification

• 又稱: SysID, Sys ID, model identification, parameter identification
• 類別: Learning & autonomy › RL & simulation
• 標籤: dynamics, modeling, sim-to-real, parameter-estimation, control, simulation

從量測到的輸入與輸出資料，為機器人或其他動態系統建立數學模型的過程，讓其預測的行為與真實硬體相符。

定義

系統識別（System identification）是從實驗資料估計動態系統模型的做法。工程師施加已知的輸入（馬達指令、扭矩、電壓），記錄由此產生的輸出（關節位置、速度、力），並擬合模型的參數，讓模型的預測與量測結果相符。這個領域有自己的教科書傳統，Lennart Ljung 的 System Identification: Theory for the User 是標準的參考書。

各種方法常依其假設了多少物理知識來區分。白箱或灰箱識別從已知的方程式（例如剛體動力學）出發，估計未知的常數：連桿質量、質心、慣量、摩擦係數、馬達常數與齒輪效率。黑箱識別則擬合一個通用模型，例如轉移函數或神經網路，幾乎不帶有先驗結構。對串聯式機器手臂而言，剛體動力學對慣性參數是線性的，因此只要從量測到的關節軌跡建立回歸矩陣，就能用最小平方法估計這些參數。

資料品質決定結果。輸入必須具有持續激發性，也就是讓系統動得夠充分，足以揭露每一個要估計的參數；只做慢速運動的機器人無法揭露其慣量，而從不反轉方向的機器人則會隱藏其摩擦。因此，團隊會設計激發軌跡，對含雜訊的速度與加速度估測進行濾波，並以未用於擬合的資料驗證模型。

在機器人學習中，系統識別用來校正模擬器，讓在模擬中訓練的策略在真實硬體上遇到更接近的情況。它與領域隨機化並用，後者涵蓋識別無法確定的部分；也與學習而得的殘差模型並用，後者捕捉所選模型結構遺漏的效應。有些學習式控制器會在線上執行某種形式的識別，適應它們在運作中觀察到的動力學。

為何重要

每個以模型為基礎的控制器、模擬器與規劃器，都只能和它背後的模型一樣好。系統識別是團隊把 CAD 模型與規格書轉化為能預測真實機器人之模型的方法，直接影響追蹤精度、安全餘裕，以及模擬訓練轉移到硬體的效果。

主要應用

• 在模擬到現實（sim-to-real）轉移之前，校正物理模擬器以符合真實機器人
• 為前饋控制與計算力矩控制估計慣性與摩擦參數
• 為致動器建模，包括馬達常數、延遲與扭矩限制
• 識別負載的質量與慣量，讓機器手臂能補償所抓取的物體
• 為參數難以從第一原理計算的軟性或柔順系統建立模型

實際應用

啟用一支新機器手臂的團隊，通常從 URDF 與 CAD 中的慣量出發，再在每個關節或整支手臂上執行激發軌跡，同時記錄關節位置、電流與指令扭矩。他們以最小平方法估計摩擦（通常是庫侖項加黏滯項）、馬達扭矩常數與基本慣性參數，用一條保留的軌跡檢驗擬合出的模型，並把識別出的數值同時載入控制器的前饋項與模擬器。在模擬中訓練策略時，同樣的識別值決定領域隨機化範圍的中心，而延遲或扭矩飽和等致動器效應則另外量測並明確建模。

常見誤解

• 系統識別能得到精確的模型 — 它是在所選的模型結構與資料範圍內找出最佳擬合；未建模的效應依然存在
• 任何記錄下來的運動都是夠好的資料 — 輸入必須激發每一個要估計的參數，否則有些參數根本無法觀測
• 系統識別與領域隨機化是互相競爭的方法 — 兩者互補，由識別縮小範圍，再由隨機化涵蓋這些範圍

誰需要了解

• 設計以模型為基礎之控制器的控制工程師
• 研究模擬到現實轉移的機器人學習研究人員
• 為實體機器人建立數位孿生的模擬工程師
• 為新致動器進行特性量測的硬體工程師

相關技術

• 領域隨機化（Domain Randomization）
• 模擬到現實轉移（Sim-to-Real Transfer）
• 最小平方估計（Least Squares Estimation）
• 卡爾曼濾波器（Kalman Filter）
• 適應控制（Adaptive Control）
• 數位孿生（Digital Twin）

相關術語

• Sim2Real
• Domain Randomization
• Digital Twin
• Differentiable Simulation

相關專案

• GENESIS: World's fastest physics engine: 43M FPS for embodied AI learning
• LeRobot: HuggingFace ML library for real-world robotics in PyTorch
• PyBullet: Python physics simulator for robotics and RL research with fast CPU-based simulation
• RLinf: Scalable infrastructure for post-training foundation models via RL
• Webots: Cross-platform robot simulator with built-in models, sensors, and development environment
• NVIDIA Isaac Sim: NVIDIA Omniverse app for AI-driven robot simulation and testing

影片

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

維基百科

• 系統識別