@phdthesis{56940,
  abstract     = {{Ziel dieser Arbeit ist die Entwicklung eines modellbasierten Beobachters für eingangsaffine, nichtlineare Systeme, der trotz Modellungenauigkeiten eine hohe Schätzgüte erzielt und zusätzlich eine parametrische, physikalisch interpretierbare Darstellung dieser ermöglicht. Diese soll zur automatisierten Verbesserung des Modells verwendet werden. Die vorliegende Arbeit analysiert sowohl Techniken der hybriden Systemidentifikation wie physikalisch motivierte neuronale Netze, als auch Methoden zur Kompensation von Modellungenauigkeiten im Beobachterentwurf. Basierend auf der Analyse wird ein neuartiger, modellbasierter Beobachter entworfen, der Systemzustände und Modellungenauigkeiten gleichzeitig schätzt und insbesondere eine parametrische, physikalisch interpretierbare Darstellung der Ungenauigkeiten erzielt. Diese besteht aus einer Linearkombination von physikalisch interpretierbaren Funktionen, deren dazugehörige, dünnbesetzt modellierte Parameter mithilfe eines augmentierten Zustands parallel zu den Systemzuständen geschätzt werden. Das Novum dieser Arbeit stellt somit die echtzeitfähige Schätzung von Zuständen und Modellungenauigkeiten in physikalisch-technischer Form dar, auf deren Grundlage ein Konzept zur automatisierten Modelladaption umgesetzt wird. Die Applikation der neuartigen Methode ist in der Situation auftretender Systemveränderungen besonders vorteilhaft, da diese zur Laufzeit durch den augmentierten Beobachter
geschätzt und identifiziert werden können. }},
  author       = {{Götte, Ricarda-Samantha}},
  isbn         = {{978-3-947647-42-2}},
  keywords     = {{state estimation, joint estimation, sparsity}},
  title        = {{{Online-Schätzung von Modellungenauigkeiten zur automatischen Modelladaption unter Beibehaltung einer physikalisch-technischen Interpretierbarkeit}}},
  doi          = {{10.17619/UNIPB/1-2066}},
  volume       = {{423}},
  year         = {{2024}},
}

@inproceedings{34171,
  abstract     = {{State estimation when only a partial model of a considered system is available remains a major challenge in many engineering fields. This work proposes a joint, square-root unscented Kalman filter to estimate states and model uncertainties simultaneously by linear combinations of physics-motivated library functions. Using a sparsity promoting approach, a selection of those linear combinations is chosen and thus an interpretable model can be extracted. Results indicate a small estimation error compared to a traditional square-root unscented Kalman filter and exhibit the enhancement of physically meaningful models.}},
  author       = {{Götte, Ricarda-Samantha and Timmermann, Julia}},
  booktitle    = {{12th IFAC Symposium on Nonlinear Control Systems (NOLCOS 2022)}},
  keywords     = {{joint estimation, unscented transform, Kalman filter, sparsity, data-driven, compressed sensing}},
  location     = {{Canberra, Australien}},
  number       = {{1}},
  pages        = {{85--90}},
  title        = {{{Estimating States and Model Uncertainties Jointly by a Sparsity Promoting UKF}}},
  doi          = {{https://doi.org/10.1016/j.ifacol.2023.02.015}},
  volume       = {{56}},
  year         = {{2023}},
}

@inproceedings{44326,
  abstract     = {{Low-quality models that miss relevant dynamics lead to major challenges in modelbased
state estimation. We address this issue by simultaneously estimating the system’s states
and its model inaccuracies by a square root unscented Kalman filter (SRUKF). Concretely,
we augment the state with the parameter vector of a linear combination containing suitable
functions that approximate the lacking dynamics. Presuming that only a few dynamical terms
are relevant, the parameter vector is claimed to be sparse. In Bayesian setting, properties like
sparsity are expressed by a prior distribution. One common choice for sparsity is a Laplace
distribution. However, due to disadvantages of a Laplacian prior in regards to the SRUKF,
the regularized horseshoe distribution, a Gaussian that approximately features sparsity, is
applied instead. Results exhibit small estimation errors with model improvements detected by
an automated model reduction technique.}},
  author       = {{Götte, Ricarda-Samantha and Timmermann, Julia}},
  booktitle    = {{IFAC-PapersOnLine}},
  keywords     = {{joint estimation, unscented Kalman filter, sparsity, Laplacian prior, regularized horseshoe, principal component analysis}},
  location     = {{Yokohama, Japan}},
  number       = {{2}},
  pages        = {{869--874}},
  title        = {{{Approximating a Laplacian Prior for Joint State and Model Estimation within an UKF}}},
  volume       = {{56}},
  year         = {{2023}},
}