Neuer lernbasierter Beobachter verbessert Zustandsabschätzung bei linearen Systemen

In einer kürzlich veröffentlichten Arbeit wird ein lernbasierter Beobachter (LEO) vorgestellt, der die Zustandsabschätzung für lineare zeitinvariante Systeme mit parametric Uncertainty deutlich verbessert. Anstatt sich ausschließlich auf ein nominales Modell zu verlassen, werden die Systemmatrizen als optimierbare Variablen behandelt und durch gradientenbasierte Minimierung eines Verlustes für die stationäre Ausgangsdiskrepanz verfeinert.

Das daraus resultierende dateninformierte Ersatzmodell ermöglicht die Konstruktion eines verbesserten Beobachters, der moderate Parameterunsicherheiten kompensiert, ohne die Struktur klassischer Designs zu verändern. Umfangreiche Monte-Carlo-Studien über verschiedene Systemdimensionen zeigen, dass die LEO sowohl bei offenen als auch bei Luenberger-Observern die normalisierte Schätzfehler um mehr als 15 % reduziert.

Diese Ergebnisse verdeutlichen, dass moderne Lernmechanismen ein wirkungsvolles Ergänzungselement zu traditionellen Beobachterdesigns darstellen und zu präziseren sowie robusteren Zustandsabschätzungen in unsicheren Systemen führen.

Der zugehörige Code ist unter https://github.com/Hao-B-Shu/LTI_LEO verfügbar.