⚡ electrical engineering

Handling Control System Uncertainty

本文在先进控制理论的框架下引入控制系统不确定性处理问题，强调现代控制科学中数学方法与实际应用的必要融合。

原作者： Hao Li

发布于 2026-05-19

📖 1 分钟阅读☕ 轻松阅读

原作者： Hao Li

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象你正试图驾驶一辆汽车前往某个特定目的地。在工程领域，这被称为控制系统。其目标是将汽车（系统）从 A 点平稳且准确地移动到 B 点。然而，道路从来都不是完全可预测的。可能会有坑洼、突如其来的阵风，或者汽车的发动机表现可能与手册所述不完全一致。这些不可预测的因素被称为不确定性。

本文由郝利撰写，探讨了工程师可以构建哪些不同的“驾驶员”（控制器），以便在不发生碰撞的情况下应对这些不确定性。文章比较了五种不同的驾驶策略，从简单的习惯到复杂的安全优先算法。

以下是论文中讨论的五种方法的分解，通过日常类比进行解释：

1. “老可靠”驾驶员：PID 控制

概念： 这是最常见的控制方法，应用于从洗衣机到巡航控制的各种设备。
类比： 想象一位已经在同一条路线上驾驶了 20 年的司机。他们没有 GPS 或地图，只是凭感觉熟悉道路。

如果他们向左偏离，就向右转。
如果他们向左偏离太远，就用力向右转。
如果他们持续偏离，就转得更用力。
论文观点： 这位驾驶员在简单、熟悉的道路上表现出色。由于经验丰富，他们能自然地应对小颠簸（不确定性）。然而，如果你让这位驾驶员开上一条从未见过的、险峻蜿蜒的山路，他们可能会迷路或撞车。他们依赖于道路是“友好”的。

2. “滑道”驾驶员：滑模控制

概念： 这种方法不仅仅是对误差做出反应，而是强制系统进入一条特定的、预先设计好的路径，并将其保持在该路径上。
类比： 想象一名滑雪者正在陡峭的冰山上滑行。与其试图自由转向，滑雪者将滑雪板锁定在雪地上刻出的特定凹槽（即“滑模面”）中。一旦进入凹槽，重力和凹槽的形状就会迫使他们无论风有多大、雪有多冰，都能安全地滑到底部。
论文观点： 这是一种“非最佳也非最差”的策略。它可能不是最平稳的旅程（可能会感觉有点颠簸），但它保证你不会从山上摔下来。它强制系统停留在“安全区”内，在那里不确定性无关紧要。论文表明，这种方法在平衡双摆（如棍子上的棍子）或在狭窄空间停放摩托车等复杂任务中效果良好。

3. “有备”驾驶员：鲁棒控制

概念： 这种方法假设最坏的情况。它设计一个控制器，即使系统在已知限制内表现出最不可预测的行为，该控制器也能正常工作。
类比： 想象一名飞行员在风暴中飞行。飞行员不是希望风暴温和，而是设计飞行计划时假设风速达到绝对最大值，而发动机处于最弱状态。他们计算出一条即使一切出错也安全的路线。
论文观点： 论文使用两种数学工具来实现这一点：

黎卡提方程（Riccati Equation）： 一个复杂的数学公式，用于寻找一套“神奇”的控制方案，使其适用于系统的所有可能变化。
区间多项式（Kharitonov 定理）： 一个巧妙的技巧，指出“如果飞行计划在天气图的四个极端角落是安全的，那么中间的所有情况也是安全的。”
这确保了即使数学模型略有错误，系统也不会失效。

4. “学习”驾驶员：自适应控制

概念： 这种方法既不假设最坏情况，也不固守固定路径，而是随着行驶过程学习道路。
类比： 想象一位驾驶员意识到自己的汽车发动机出了问题。他们不会惊慌，而是实时调整驾驶风格。如果汽车感觉迟钝，他们就加大油门；如果转向感觉松散，他们就更轻柔地转动方向盘。他们不断更新对汽车行为表现的“心理地图”。
论文观点： 这种方法将系统的参数（如重量或摩擦力）视为可以在行驶过程中估计的未知数。控制器根据汽车的当前状态不断重新计算最佳驾驶方式，将“不确定性”转化为“知识”。

5. “守护天使”驾驶员：障碍函数控制

概念： 这种方法纯粹关注安全。它定义了一个“安全区”，并确保系统无论想去哪里，都永远不会离开该区域。
类比： 想象一个孩子在围起来的后院里玩耍。“障碍函数”就是围栏。孩子（系统）可以四处奔跑玩耍（收敛到目标），但围栏确保他们永远不会跑进繁忙的街道（不安全区域）。即使孩子试图跑向街道，围栏也会温柔地将他们推回。
论文观点：

安全第一： 它利用数学在危险区域周围建立一道无形的墙。
Lyapunov-障碍融合： 有时，仅仅保持安全是不够的；你还需要到达目标。论文将“守护天使”（障碍）与“目标达成者”（Lyapunov）结合起来。这创造了一位既能保证到达目的地，又绝不会越过安全围栏的驾驶员。

总结

论文认为，虽然简单的方法（PID）适用于简单任务，但复杂且危险的现实世界问题需要更先进的方法：

滑模控制将系统强制推入安全轨道。
鲁棒控制为最坏情况做好准备。
自适应控制学习并调整以适应当前的现实。
障碍函数充当不可打破的安全围栏。

最终目标是创建不仅智能，而且在世界抛出意外时依然安全可靠的控制系统。

技术摘要：处理控制系统的不确定性

问题陈述

控制系统是现代文明的基石，但它们本质上面临着各种形式的不确定性。这些不确定性源于硬件缺陷、软件限制、运行干扰，以及最关键的一点——数学模型与物理现实之间的差距。本文确定了不确定性的两个主要类别：

偶然不确定性：随机或临时性因素（例如未知的扭矩干扰），无法先验预测。
建模不确定性：由所采用模型的局限性引起的差异（例如，对倒立摆等本质上非线性的系统使用线性近似）。

虽然比例 - 积分 - 微分（PID）控制等经典方法在处理“友好”（简单）任务的不确定性时具有“天然”能力，但在复杂场景或初始偏差较大时往往失效。本文解决的核心问题是：如何设计控制方法，以确保尽管存在这些不可避免的不确定性，系统状态仍能在安全和可预测的区域内演化，从而保证稳定性和性能。

方法论

本文系统地回顾并介绍了几种旨在处理不确定性的先进控制方法，范围从结构状态操纵到数学鲁棒性和自适应辨识。

1. 滑模控制（SMC）

滑模控制通过有意迫使系统状态演化到设计的“滑模流形”（状态空间中的特定曲面）上，然后沿此路径滑向目标，从而应对不确定性。

机制：它利用高频切换或连续近似将状态驱动至流形。一旦进入流形，系统动力学对某些不确定性变得不变。
理念：本文将滑模控制描述为“非优非劣”（NBNB）。它可能无法产生最平滑或全局最优的轨迹（例如在控制能量方面），但它能保证状态保持在状态空间中性能有保障的“安全”区域内，这就像古代水手为了安全而选择沿海航线而非开阔大洋。
应用：在双倒立摆和摩托车横向控制中得到验证，滑模控制成功地将系统从标准全状态反馈失效的大初始偏差中稳定下来。

2. 鲁棒控制

鲁棒控制旨在设计单个控制器，以在定义集内保证所有可能的不确定性实现下的稳定性。

区间矩阵公式：不确定性被建模为叠加在标称线性模型上的有界区间矩阵（ $\Delta A, \Delta B$ ）。目标是找到一个增益矩阵 $K$ ，使得闭环系统对于所有 $A^* \in [A+\Delta A, A+\Delta A]$ 和 $B^* \in [B+\Delta B, B+\Delta B]$ 保持稳定。
Riccati 方程方法：本文提出了一种改进的 Riccati 方程方法，利用不确定性因子的秩一矩阵分解。通过求解涉及由不确定性界限导出的辅助矩阵的特定代数 Riccati 方程，计算出鲁棒增益矩阵。该方法在单倒立摆上得到验证，显示在密集的角度变化范围内均能保持稳定。
区间多项式方法（Kharitonov 定理）：对于系数在区间内变化的系统，本文利用 Kharitonov 稳定性判据。该定理指出，区间多项式稳定当且仅当四个特定的"Kharitonov 边界多项式”稳定。这将无限验证问题简化为检查四种特定情况，允许通过 Routh-Hurwitz 不等式推导鲁棒增益矩阵。

3. 自适应控制

自适应控制与鲁棒控制不同，它不假设最坏情况的不确定性，而是通过在线估计系统参数来减少不确定性。

自适应线性状态空间建模：系统不是将非线性视为固定不确定性，而是被建模为具有时变参数（ $A(x), B(x)$ ）的线性系统，这些参数已知或可实时估计。
系统辨识：本文详述了一种利用矩阵向量化和 Kronecker 积的方法，使用过去的状态和输入数据在线估计未知参数（ $\Theta$ ）。这些估计参数随后用于实时重新计算控制增益矩阵。
实现：通过查找表方法（分段线性子空间）和直接在线辨识进行演示，使控制器能够适应倒立摆变化的动力学特性。

4. 障碍函数控制

该方法论侧重于通过确保状态永不进入“不安全集”来保证安全性。

控制障碍函数（CBF）：定义一个标量函数 $h(x)$ ，使得在安全集内 $h(x) > 0$ ，在边界上 $h(x) = 0$ 。控制律被设计为满足 $\dot{h}(x) \geq -\alpha(h(x))$ ，确保状态无法跨越边界进入不安全区域。
二次规划（QP）：控制输入通过最小化与参考控制器（例如基于 Lyapunov 的控制器）的偏差来计算，同时受障碍函数约束。
Lyapunov-障碍函数控制：为了解决 CBF 能保证安全但不一定保证收敛到目标这一局限性，本文提出了一种组合策略。该方法求解一个 QP，同时满足 Lyapunov 衰减条件（用于收敛）和障碍函数条件（用于安全），并使用松弛变量以确保可解性。

关键结果

本文通过在典型非线性系统上进行广泛的 MATLAB 仿真验证了这些方法：

双倒立摆：标准全状态反馈在大初始小车位置下失效。滑模控制通过引导状态沿设计流形移动，成功地在这些极端条件下稳定了系统。
摩托车车道保持：滑模控制被证明能够将摩托车从任意初始姿态导航至目标姿态，通过切换滑模流形来处理非线性动力学。
单倒立摆：
- 鲁棒性：Riccati 方法和 Kharitonov 方法均成功计算出增益矩阵，在宽角度范围（ $\pm 0.4\pi$ ）内稳定了摆，而非鲁棒控制器在此范围内失效。特征值分析确认了所有采样不确定性的实部均为负。
- 适应性：使用在线系统辨识或查找表的自适应控制通过更新增益矩阵以匹配当前的非线性动力学，有效地稳定了摆。
- 安全性：障碍函数控制防止了摆倒下（进入不安全集），即使初始条件非常严重，而标准 Lyapunov 控制器则导致系统失效。
二维非线性运动：在存在不安全圆盘区域的场景中，标准 Lyapunov 控制将状态驱动穿过不安全区域。障碍函数控制成功地将状态绕开障碍物。然而，纯障碍控制可能会在远离目标的地方“卡住”；组合的 Lyapunov-障碍方法解决了这一问题，同时实现了安全性和收敛性。

意义与主张

本文将自己定位为“面向实际应用的先进控制理论”的实用指南，特别关注不确定性的处理。其意义在于：

** bridging 理论与实践**：它强调控制理论不仅仅是数学抽象，而是根植于实际应用的“知其所以然”与“知其然”的融合。
方法论的多样性：它表明不存在单一的“最佳”方法。相反，不同的策略服务于不同的需求：
- 滑模控制（SMC） 提供了一种“非优非劣”的理念，优先考虑保证的安全性和鲁棒性，而非最优性。
- 鲁棒控制 为有界不确定性提供数学保证，无需在线估计。
- 自适应控制 利用在线估计来减少不确定性，为非线性系统提供便利。
- 障碍函数 为状态约束至关重要的安全关键系统提供了严格的框架。
实际验证：本文为每种方法提供了具体、可运行的 MATLAB 代码，使读者能够在标准基准问题（倒立摆、摩托车）上验证理论主张。

作者总结道，虽然不确定性不可避免，但这些先进方法提供了必要的工具，以设计能够对其具有鲁棒性、能够适应它或能够严格避免不安全状态的控制系统的，从而确保现代控制系统的可靠性。