⚡ electrical engineering

State-Space Modelling and Analysis

本文介绍了面向实际应用的先进控制理论中的状态空间建模与分析方面，强调了数学方法论在连接理论知识与现实工程挑战方面的核心作用。

原作者： Hao Li

发布于 2026-06-02

📖 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

这篇文章本质上是一本关于如何为需要移动和保持平衡的机器构建“数学大脑”的“入门指南”。作者李浩（Hao Li）认为，虽然控制系统涉及硬件、软件和经济学，但最关键的部分是用于理解物体运动方式的数学方法。

以下是通过日常类比对本文核心内容的解释。

1. 状态空间图：了解你所处的位置

想象你正在开车。为了安全驾驶，你不仅需要知道你在哪里（位置），还需要知道你的速度有多快、你的朝向如何，以及你的转向速度有多快。

在文中，这组信息被称为**“状态”（State）**。

类比： 将“状态”想象成系统在特定时刻完整的生活快照。对于一个平衡在小车上的倒立摆杆机器人，其状态不仅仅是“杆子立着”。它应该是“杆子立着，向左倾斜 5 度，以每秒 2 度的速度下坠，且小车正以每秒 3 米的速度向前移动”。
数学： 文中使用了“状态微分方程”来描述这种快照如何随时间变化。这就像一个配方，它规定了：“如果你处于这个状态，并且你向这个方向推小车这么用力，那么你的下一个状态将会精确地变成什么样。”

文中展示了如何为以下对象编写这些“配方”：

倒立摆（Inverted Pendulums）： 在手上（或小车上）平衡一根扫帚柄。
双倒立摆（Double Inverted Pendulums）： 在一根扫帚柄顶端再放另一根扫帚柄进行平衡（难度大得多！）。
自动驾驶车辆（Autonomous Vehicles）： 自动驾驶的汽车和摩托车。

2. “自我演化”系统：自动驾驶中的系统

一旦你决定了控制机器的规则（即“反馈律”），该系统就变成了一个自我演化系统（Self-Evolving System）。

类比： 想象一个在碗中滚动的弹珠。一旦你松手，弹珠就不再需要人类去推动它；它会根据碗的形状自行运动。它的未来路径完全由它现在的状态决定。
论文观点： 当你应用一个控制规则时，复杂的机器就像这个弹珠一样。它的未来完全由其当前状态决定。文中将此称为“闭环反馈系统”。

3. 稳定性：它会倒下吗？

对于任何机器人或汽车来说，最重要的问题是：它是会保持直立，还是会发生碰撞？ 这被称为稳定性（Stability）。

类比： 想象一支立在尖端的铅笔。如果你轻轻碰一下，它就会倒下（不稳定）。现在想象一个位于碗底的球。如果你轻轻碰一下，它会摇晃，但最终会回到碗底（稳定）。
文中的工具：
- 特征值（Eigenvalues，即“倒下的速度”）： 对于简单的线性系统，文中使用了名为“特征值”的数学工具。如果这些数值是“负数”（在特定数学意义上），这意味着系统就像碗里的球——它会自然趋于平稳。如果它们是正数，则就像那支铅笔——它会倒下。
- 劳斯-赫尔维茨判据（Routh-Hurwitz，即“检查清单”）： 有时数学过于复杂，无法直接找到这些数值。文中使用了“检查清单”法（劳斯-赫尔维茨）来观察方程的系数。如果清单中的符号正负交替出现，则系统是不稳定的。
- 李雅普诺夫（Lyapunov，即“能量”测试）： 对于复杂的非线性系统（例如在转弯时倾斜的摩托车），文中使用了名为 Lyapunov 稳定性 的方法。
  - 隐喻： 想象一座山丘。如果你能证明一个在山上滚动的球始终在失去高度（能量）而从未增加高度，你就知道它最终会到达底部并停下来。文中寻找的是一个始终下降的数学“能量函数”。如果函数在下降，系统就是安全的。

4. 可控性：我们真的能驾驶它吗？

在尝试构建控制器之前，你必须先问：控制这个东西本身是否可行？

类比： 想象一辆没有方向盘也没有刹车的汽车。无论你如何用力踩油门，你也无法让它转向或停下。它是“不可控的”。
论文观点： 文中引入了“可控性矩阵”。这是一个数学测试，用于查看输入（如方向盘或小车电机）是否有足够的动力将系统移动到任何期望的状态。
结果： 文中证明了即使是双倒立摆（极难的平衡动作）也是可控的。这很难，但在数学上是可能的。这给了工程师们尝试构建它的信心。

5. 黎卡提方程：完美的控制计划

最后，文中提到了 黎卡提方程（Riccati Equation）。

类比： 想象你正在开车并想要到达目的地。你可以猛踩刹车并剧烈转向（快但危险）。你也可以开得非常慢（安全但效率低）。黎卡提方程帮助你找到完美的平衡点——即既能快速到达目的地，又使用最少燃料并造成最小损耗的路径。
论文观点： 该方程有助于计算“最优”控制策略。文中展示了如何通过迭代（逐步进行）来求解该方程，从而找到那个完美的平衡。

总结

本文是高级控制理论的一份基础指南。它教会我们如何：

绘制系统的当前状况图（状态空间）。
预测它将如何自主运行（自我演化）。
测试它是会保持稳定还是会崩溃（稳定性分析）。
验证我们是否真的可以操控它（可控性）。
计算最有效的控制方式（黎卡提方程）。

它通过平衡杆和驾驶汽车等现实案例表明，尽管数学过程很复杂，但其逻辑核心在于如何保持平衡并朝着正确的方向运动。

技术摘要：状态空间建模与分析

问题陈述
控制科学被认为是现代文明的基石，然而其在实际中的应用需要超越硬件、软件或经济因素的严谨方法论基础。本文旨在解决状态空间建模与分析（高级控制理论的核心方面）的系统化方法需求。经典控制（盛行于20世纪中叶）依赖于 $s$ 域分析，通常局限于单输入单输出（SISO）问题；而现代控制则利用状态空间分析来处理复杂的多元系统（MIMO）。本文旨在通过为多样化的动力学系统提供建模、稳定性分析和可控性的统一处理，架起理论数学框架与实际工程应用之间的桥梁。

方法论
本文采用了一种结构化的数学方法，从非线性状态微分方程出发，逐步演进到线性化近似，最后进行稳定性与可控性分析。

状态空间建模：
- 非线性表述： 各类系统的动力学最初使用通用的非线性状态微分方程 $\dot{x} = f(x, u)$ $\overset{x}{˙} = f (x, u)$ 进行建模。具体应用包括：
  - 倒立摆： 基于小车上的单/双倒立摆，推导涉及角度和加速度的三角函数复杂非线性方程。
  - 自动驾驶车辆： 低速（运动学自行车模型）和高速（包含轮胎侧偏刚度和侧滑角的动力学自行车模型）车辆导航。
  - 摩托车/自行车： 对横向和垂直（滚转）动力学进行建模，强调转向与平衡之间的耦合关系。
- 线性化： 对于在平衡点附近运行的系统（例如小角度情况），通过线性化将非线性方程转化为标准线性状态空间表示形式： $\dot{x} = Ax + Bu$ 。
自演化系统与反馈：
- 本文将闭环反馈系统定义为自演化（自治）系统，其中控制输入 $u$ 是状态 $x$ 的函数（即 $u = g(x)$ ），从而得到 $\dot{x} = f_c(x)$ 。
- 本文确立了线性自演化系统的稳定性由状态转移矩阵 $A_c$ 的特征值决定。
稳定性分析：
- 线性系统： 通过特征值判据（所有特征值的实部必须为负）评估稳定性。本文将此与劳斯-赫尔维茨（Routh-Hurwitz）判据联系起来，用于在不进行显式特征值计算的情况下确定根的位置。
- 非线性系统： 引入了李雅普诺夫（Lyapunov）策略。通过寻找一个标量函数 $V(x)$ ，使其为正定且其时间导数为负定（或半负定）来证明稳定性。
- 矩阵方程： 本文详细介绍了李雅普诺夫方程（ $PX + X^TP = Y$ ）和理查德（Riccati）方程（三种形式： $P A + A^T P - P B R^{-1} B^T P + Q = 0$ 等）。文中提供了求解这些方程的迭代算法和哈密顿矩阵法，将其与最优控制和稳定性验证联系起来。
可控性分析：
- 本文将可控性定义为将系统从任何初始状态引导至任何期望状态的能力。
- 本文引入了可控性矩阵（ $C_{A,B} = [B, AB, \dots, A^{n-1}B]$ ），并确立了线性系统可控的充分必要条件是该矩阵满秩。

核心贡献与结果

统一建模框架： 本文为复杂系统的状态微分方程提供了显式推导，包括双倒立摆（单输入及多输入变体）、自动驾驶车辆（考虑高速下的轮胎侧滑）以及摩托车（纳入滚转动力学）。
稳定性验证：
- 利用劳斯-赫尔维茨判据证明，无论比例增益 $P$ 取何值，低速自动驾驶车辆的 P-横向控制 本质上是不稳定的。
- 利用李雅普诺夫函数和特征值分析验证了阻尼摆和旋转盘的稳定性。
- 利用李雅普诺夫不等式（ $PA_c + A_c^T P < 0$ ）证明了旋转盘在 P 控制下的稳定性。
可控性验证：
- 确认了双倒立摆是可控的（在满足线性假设的前提下），反驳了对其可行性的直觉怀疑。
- 确认了低速自动驾驶车辆横向控制的可控性。
算法实现： 本文展示了用于以下任务的具体算法和 MATLAB 代码片段：
- 通过向量化求解李雅普诺夫方程。
- 迭代求解理查德方程以寻找稳定增益矩阵。
- 符号化计算可控性矩阵。
理论统一： 本文明确展示了线性状态空间建模与拉普拉斯变换建模之间的等价性，表明状态矩阵 $A$ 的特征多项式与系统传递函数的分母是完全一致的。

意义
本文定位为更广泛著作《面向实际应用的高级控制理论》的第一章。其意义在于：

实际应用性： 它强调控制理论不仅仅是抽象的数学，而是深深植根于实际应用之中，实现了“知其所以然（know-why）”与“知其如何做（know-how）”的融合。
方法论严谨性： 它提供了一套系统化的、循序渐进的方法，实现了从物理系统描述到状态空间建模、线性化以及严格的稳定性/可控性检查的过渡。
教育价值： 通过处理如双倒立摆和高速车辆动力学等复杂案例，本文展示了理论工具（李雅普诺夫、劳斯-赫尔维茨、可控性矩阵）如何解决关于控制本质上不稳定或复杂系统之可行性的疑虑。
高级控制的基础： 通过建立理解更高级主题（如最优控制和鲁棒控制）所需的必要数学形式（理查德方程、可控性），本文为后续学习奠定了基础。

作者保持了谦逊的基调，指出虽然理论分析不可或缺，但它与实践经验相辅相成，并且所提供的模型是适用于特定工作状态（例如低速 vs 高速，平衡 vs 大偏差）的近似模型。

1. 状态空间图：了解你所处的位置

2. “自我演化”系统：自动驾驶中的系统

3. 稳定性：它会倒下吗？

4. 可控性：我们真的能驾驶它吗？

5. 黎卡提方程：完美的控制计划

总结

类似论文