← 返回论文列表

工业时间序列中显式简约分段多项式关系的识别：在机械臂机器人中的应用
Identifying Explicit Parsimonious Piece-wise Polynomial Relationships in Industrial time-series: Application to manipulator robots

作者: Mazen Alamir, Sacha Clavel
arXiv: 2605.28320v1
分类: cs.RO, cs.AI
📝 论文摘要
本文研究了识别可能涉及大量原始特征的简洁显式分段多项式关系的问题。该算法利用了一种近期提出的识别算法，该算法可生成简洁隐式关系，从而在异常检测与定位的背景下实现正态性表征。本文所提出的算法进一步推导出显式分段表示，这些表示基于隐式表示中所涉及的多项式集合构建。该框架通过识别六轴机械臂逆模型的简洁显式表示问题进行了说明。此外，还展示了在四轴机械臂上的进一步实验，这些实验旨在研究当模型面临未见使用场景时，简洁模型相较于前沿深度神经网络结构的泛化能力。

📊 核心分析

🎯 研究动机
- 工业时间序列中需要识别**精简显式分段多项式(parsimonious explicit piece-wise polynomial)** 关系，且涉及大量原始特征 - 现有方法只能获得**隐式关系(implicit relationship)**，不利于直接解释和推理 - 在异常检测与定位中，需要**正常性表征(normality characterization)**，但隐式表示难以直接用于显式模型构建
🔧 核心方法
- 利用近期提出的**隐式关系识别算法**，该算法能获得精简的隐式多项式关系 - 从隐式表示中提取涉及的**多项式集合(polynomial set)**，并基于这些多项式构建显式分段表示 - 在**6轴机器人(6-axis manipulator robot)** 的逆模型上验证，并在**4轴机器人(4-axis robot)** 上测试泛化能力
💡 核心创新
- **从隐式到显式**：首次将隐式多项式表示转化为显式分段多项式，提高了模型的可解释性和直接可用性 - **分段结构**：显式表示采用**分段(piece-wise)** 形式，能够捕捉复杂非线性关系，同时保持整体简洁性 - **与DNN对比**：在未见过的使用场景下，**精简模型(parsimonious model)** 相比**深度神经网络(Deep Neural Networks)** 展现出更好的泛化能力，且参数量更少
🏆 总体贡献
- 提出了一种识别工业时间序列中**精简显式分段多项式** 的通用框架 - 在**机器人逆模型识别(inverse model identification)** 场景中成功应用，为机器人控制提供可解释的模型 - 通过实验证明了精简模型在**泛化能力(generalization capability)** 上优于SOTA的DNN结构，为工业部署提供更可靠的方案