IEEE Transactions on Robotics

Acceleration-Free Analytical Regressor Filtering for Robot Online Identification and Control

作者：Tian Shi, Weibing Li, Yongping Pan · 机构：School of Automation, Southeast University, Nanjing, China; School of Computer Science and Engineering, Sun Yat-sen University, Guangzhou, China

会议/期刊：IEEE Transactions on Robotics · 发布日期：2026 · 页码：1856-1871

控制

精读笔记

Problem Setting

【Acceleration-Free Analytical Regressor Filtering for Robot Online Identification and Control】（IEEE Transactions on Robotics / 2026）

这篇论文处理的是机器人在线辨识与自适应控制里一个非常实际的 bottleneck：标准线性参数化动力学 \tau=\Phi^T(q,\dot q,\ddot q)W 需要关节加速度，但在线场景中 \ddot q 要么不可测，要么通过差分/dirty derivative 得到的信号在噪声和延迟之间不可兼得。对辨识而言，这不是小噪声问题，而是会直接把 prediction error 的回归方程变成 biased regression，进而破坏参数收敛和控制性能。

真正困难点是：regressor filtering 虽然能从形式上避免加速度，但控制律和学习律需要一个显式的 filtered regressor \Phi_f(q,\dot q)。这个对象不是简单把 \Phi 过低通滤波，因为 \Phi 本身含 \ddot q。低 DoF 机器人可以手工逐项求反导；高 DoF 时 regressor 元素复杂，逐项解析几乎不可维护。RNE-based recursive filtering 能绕开手工推导，但把算法绑死在 RNE 建模管线里，也没有给出与任意 full regressor 的清晰映射。

所以本文的关键矛盾是：在线辨识想要 acceleration-free 和噪声鲁棒，但又必须保留精确的线性参数化和可用于参数收敛的回归结构；已有方法在通用性、可扩展性和准确性之间只能取其二。

Motivation

作者的核心观察是：问题不在于没有滤波器，而在于缺少一个通用的“regressor-level calculus”。如果已经有任意建模工具给出的 \Phi_B(q,\dot q,\ddot q)，是否能只通过若干次调用这个 full regressor，构造出滤波后且不含 \ddot q 的 \Phi_{B,f}(q,\dot q)？这正是现有路线缺的中间层。

加速度估计路线的问题很硬：高带宽差分带来噪声，低带宽滤波带来相位延迟，而在线参数估计对这种延迟非常敏感。相比之下，若能把加速度从回归方程中解析消去，滤波引入的延迟仍在一致的回归等式两侧，不会形成由 \ddot q 估计误差导致的系统性 bias。

因此本文不是重新发明 composite learning，而是想把 composite learning 中最脆弱的 regressor construction 变成可扩展、建模工具无关、解析精确的模块。这个缺口一旦补上，后面的 IE-based 参数收敛基本沿用已有复合学习谱系。

Core Idea

核心思想可以概括为：不要对 regressor 元素做滤波反演，而是对动力学方程本身做结构变换。对 \int \omega M(q)\ddot q 做分部积分后，利用机械系统的 \dot M=C+C^T，把所有 \ddot q 项转成 \alpha M\dot q 与 \alpha M\dot q-G+C^T\dot q 的滤波组合。于是 filtered friction-free torque 可以写成只依赖 q,\dot q 的动力学项组合。

关键变化在于信息流被重新组织了：原始 full regressor 不再作为要被直接滤波的对象，而是作为一个 oracle，用不同输入切片提取 G、M\dot q、C(q,\dot q)v、C^T(q,\dot q)\dot q 的线性参数化。这样 AF-ARF 的 generality 来自“只假设存在 full regressor”，而不是假设某个特定递推算法或手工符号形式。

和 prior 的本质区别在这里：低 DoF analytic filtering 是逐元素积分；RNE-CARC 是特定算法递推；本文是把 Euler–Lagrange 几何结构转化为一个从 \Phi_B 到 \Phi_{B,f} 的解析算子。这个算子才是论文最有迁移价值的部分。

Method

1. 分部积分消加速度：它解决的是 filtered dynamics 中 M\ddot q 无法在线获得的问题。分部积分把 \ddot q 从积分核里移到 M\dot q 的边界项，再借助 \dot M=C+C^T 合并 Coriolis 项。核心变化是得到一个严格等价的 acceleration-free filtered torque expression，而不是近似估计加速度。

2. 用 full regressor 的特殊输入恢复动力学子项：G 可由 \Phi_B(q,0,0) 得到，M\dot q 可由 \Phi_B(q,0,\dot q)-G 得到，C^T\dot q 通过构造 \Phi_c(q,\dot q,v) 并取 v=I_i 组合得到。它解决的是“有 acceleration-free 动力学表达，但还要写成 W 线性回归”的问题。核心变化是把对 M,C,G 的显式符号操作替换成对 \Phi_B 的有限次调用。

3. 加入摩擦并形成完整 filtered regression：摩擦部分只要能线性参数化，就可直接滤波后拼接。这解决的是完整关节 torque 预测的问题，但摩擦模型本身不是本文的理论创新。

4. 二阶滤波 L_\beta：由于 AF-ARF 中存在未经过 L_\alpha 的 \Phi_B(q,0,\dot q)-\Phi_B(q,0,0) 项，速度噪声仍可能进入 regressor。L_\beta 的作用是进一步降低 q,\dot q 测量噪声影响。这个设计更偏工程稳健性，重要但不是核心理论贡献。

5. Composite learning with memory regression：通过 \Theta=\int \Phi_{ff}\Phi_{ff}^T 和 \delta=\int \Phi_{ff}\tau_{ff} 构造历史数据约束，并在检测到较好 excitation 后固定/复用最优历史窗口。它解决的是 PE 条件过强的问题。核心变化是参数收敛依赖一次 interval excitation，而非持续 PE。

Key Insight / Why It Works

最关键的 insight 是：机器人动力学中的加速度依赖并不是任意的，它以 M(q)\ddot q 的结构出现，而 M,C 满足 skew-symmetric / energy-conserving 关系。滤波后之所以能精确消掉 \ddot q，是因为该结构允许把 inertial acceleration 项转化为 velocity-level 的边界项和 Coriolis transpose 项。这是物理结构带来的 inductive bias，不是数值技巧。

第二个 insight 是把 \Phi_B 当成可查询的线性参数化生成器。只要 full regressor 对不同速度/加速度输入保持同一 W，若干差分组合就能抽取二次速度项中的双线性结构。这本质上是在利用 Coriolis 项对速度的齐次二次/双线性性质。论文的 generality 不是来自更强学习器，而是来自对机械系统 latent structure 的重参数化。

真正核心贡献是 AF-ARF 公式，尤其是从任意 \Phi_B 构造 \Phi_{B,f} 的解析映射。AF-CLRC 部分更多是把这个 regressor 放进已有 composite learning 框架：IE 下参数收敛、memory regressor extension、Slotine–Li 型控制，这些不是全新机制。二阶滤波 L_\beta 和参数调节主要是 engineering，但在真机上很可能贡献了不少性能增益。

性能增益的归因相对清楚：不是 scaling，也不是 data coverage，而是避免了加速度估计中的噪声-延迟 tradeoff，并使滤波延迟保持在一致回归等式内部。DDF-CLRC 的失败不是因为学习律弱，而是因为它输入的 regressor 已经被 delayed acceleration 污染。AF-CLRC 的优势基本来自 better inductive bias + memory reuse，而不是更多数据或更复杂优化。

需要注意的是，参数“精确收敛”的理论结论依赖理想模型和 IE。真机实验中很多参数与离线 nominal 值差异较大，作者用控制/预测表现间接说明辨识有效，这是合理但不等于物理参数完全可信。尤其摩擦参数的可解释性很弱，文中未充分说明物理一致性如何保证。

Relation To Prior Work

最接近的路线有三类。

第一类是 acceleration-based online identification / adaptive control。它们直接用 \Phi(q,\dot q,\ddot q)，问题是 \ddot q 在线估计质量决定一切。本文与这类方法的差异不是学习律，而是从根上去掉 \ddot q，使 regression equation 不再被加速度估计误差污染。

第二类是传统 regressor filtering。低 DoF analytic filtering 通过逐元素求 filtered counterpart 得到 acceleration-free regressor，但不可扩展。本文保留 filtering 思想，但把逐元素反导替换为动力学结构恒等式和 regressor slicing，这是实质创新。

第三类是 RNE-based recursive CARC / RNE-CARC。它也能避免加速度并处理高 DoF，但依赖 RNE 递推内部结构。本文的新增信息是：只要有 full regressor，无论来自 Lagrangian、RNE、Lie group 还是工具箱，都可以按同一个 AF-ARF 公式构造 filtered regressor。这个差异在建模工具无关性、未知运动学参数潜在扩展上是实质性的。

至于 composite learning、IE 替代 PE、memory regressor extension，并不是本文独有的新范式，更像是把已有 CLRC 的参数收敛机制接到 AF-ARF 上。论文的技术谱系应归为“structure-preserving regressor transformation for adaptive robot control”，而不是新的 adaptive learning theory。

Dataset / Evaluation

评估覆盖了仿真和 7-DoF Franka Panda 真机，包含无载荷和加 payload 两种情况，以及多条轨迹任务。这个设置对核心 claim 是有针对性的：高 DoF、真实噪声、在线控制、负载变化，确实比只做低 DoF 仿真有说服力。

仿真中与 baseline 和 DDF-CLRC 比较，主要验证“加速度估计会造成噪声/延迟 tradeoff，而 AF-CLRC 避免该问题”。真机中与 DDF-CLRC 和离线模型控制 MSLC 比较，主要验证在线辨识对 payload 变化的适应性，以及 AF-CLRC 在预测误差和低增益跟踪下的优势。这些实验基本支持论文最重要的 claim。

但 evaluation 也有边界。机器人类型只有 Panda，一类串联机械臂；任务主要是自由空间轨迹跟踪，没有强接触、快速工具切换、柔性关节显著影响或 floating-base。计算负担比较支持“解析 regressor + AF-ARF 可比 RNE 递推更快”，但该结论依赖已有 analytic regressor 的生成和执行效率；若 full regressor 本身只能在线递推，优势会变小。

实验没有大段证明“物理参数辨识准确”，而是更多通过 torque prediction / tracking 间接验证。这对控制论文是可接受的，但如果 claim 是 exact online identification，真机证据仍偏弱。

Limitation

1. 结构前提很强：方法依赖标准 Euler–Lagrange manipulator dynamics、M 的正定性、\dot M-2C skew-symmetric，以及 C 对速度的经典因式分解。对 floating-base、非最小坐标、广义速度不等于 qdot 的系统，文中明确需要 correction；这不是即插即用的 general robotics 方法。

2. 线性参数化前提没有消失：AF-ARF 只是把 filtered regressor 构造问题解决了，但仍要求动力学和摩擦能写成同一 W 的线性形式。复杂摩擦、温度漂移、传动柔性、关节耦合摩擦若不能低维线性化，就会把误差重新引入 regression。

3. IE 仍是实质门槛：论文把 PE 降到 IE，但不是不需要 excitation。若任务轨迹不激励某些参数，memory regressor 也无法凭空产生 rank。历史窗口机制更像 memory reuse，而非新的信息来源。

4. 滤波参数存在不可忽略 tradeoff：降低 \alpha,\beta 抗噪但削弱 excitation strength；提高它们增强动态响应但放大噪声。文中给的是经验规则，系统性选型未充分说明。

5. 参数物理一致性没有闭环保证：在线估计可能得到控制上有效但物理上不一致的参数，尤其摩擦参数和小幅惯性参数。文中没有引入 physical consistency constraints，这限制了它作为高可信数字孪生辨识方法的上限。

6. generality 的含义有限：它对“regressor 生成方式”通用，不等于对“机器人类别/任务分布/未建模效应”通用。若 analytic full regressor 很大或只能通过复杂数值工具生成，AF-ARF 的计算优势可能被抵消。

Takeaway

  • 1. 最值得记住的是 AF-ARF 这个从 full regressor 到 filtered acceleration-free regressor 的结构化算子。
  • 它把一个低 DoF 手工技巧提升成了高 DoF 可实现的通用构造。
  • 2. 在线辨识中，避免加速度估计比改学习律更关键。
  • 只要 regressor 被 delayed/noisy acceleration 污染，后端 composite learning 很难补救。

一句话总结

这篇论文在自适应机器人控制谱系中真正推进的是一个结构保持的 acceleration-free regressor transformation：用 Euler–Lagrange 几何结构替代加速度估计和逐项滤波推导，使高 DoF 在线辨识/控制中的 composite learning 变得更可扩展、更少受噪声-延迟 tradeoff 支配。