Nonlinear Backstepping Controller and Adaptive Controller

1 非线性反推控制器

对于一个Chain of Integrator，即对于一个链式系统，例如非线性弹簧系统：
$$\{\begin{array}{l}\dot{x_1}=x_2\\ \dot{x_2}=-\frac{\alpha }{m}{x}_1^3+\frac{1}{m}u\end{array}$$ 该系统中，通过控制输入u，进而控制$\dot{x_2}$；通过控制$\dot{x_2}$即$x_2$，控制$\dot{x_1}$即$x_1$。$u\to x_2\to x_1$。从物理的角度分析就是通过控制外力F来控制滑块的速度$x_2$（$\dot{x}$），进而控制滑块的位置$x_1$（$x$）。
通过两步实现设计链式系统的输入u，进而控制$x_1$：
（1）设计中间输入$x_{2d}$，使$x_1\to x_{1d}$；
（2）设计系统输入u，使$x_2\to x_{2d}$。

2 非线性反推控制器——以非线性弹簧系统为例

非线性弹簧系统如下：

横向受力分析，根据牛顿第二定律：
$$F-\alpha x^3=ma=m\ddot{x}$$故系统状态方程为：$$m\ddot{x}+\alpha x^3=F$$分析一个Tracking Problem，系统目标为改变F使滑块按指定轨迹移动。
令输入Input：$F=u$，位移Displacement：$x_1=x$，速度Velocity：$x_2=\dot{x}$。
系统目标：$x_1\to x_{1d}$。
（1）System State-Space Function
$$\{\begin{array}{l}\dot{x_1}=x_2\\ \dot{x_2}=\ddot{x}=-\frac{\alpha }{m}{x}_1^3+\frac{1}{m}u\end{array}$$
（2）Find $x_{2d}$，使$x_1\to x_{1d}$
引入error：
$$e=x_{1d}-x_1$$系统目标变为：$e\to 0$，误差随时间变化:
$$\dot{e}={\dot{x}}_{1d}-\dot{x_1}={\dot{x}}_{1d}-x_2$$希望$t\to \infty$，$e\to 0$，即系统渐近稳定。
假设Lyapunov Function：$$V(e)=\frac{1}{2}{e}^2$$$V(e)$是正定的（Positive Definite, PD），$V(e)$随时间变化：$$\dot{V}(e)=e\dot{e}=e({\dot{x}}_{1d}-x_2)$$根据李雅普诺夫直接方法（Lyapunov Direct Method），希望系统渐近稳定$\to$$\dot{V}(e)$是负定的（Negative Definite, ND）。
因此，令${\dot{x}}_{1d}-x_{2d}=-k_{1}e$，其中$k_1>0$，称为Controller Gain，即保证了$\dot{V}(e)$是ND，即得到：$$x_{2d}={\dot{x}}_{1d}+k_{1}e$$（3）Design u，使$x_2\to x_{2d}$
引入error Delta：
$$\delta =x_{2d}-x_2$$系统目标变为：$e\to 0，\delta \to 0$，误差随时间变化：$$\dot{\delta }={\dot{x}}_{2d}-{\dot{x}}_2={\dot{x}}_{2d}+\frac{\alpha }{m}{x}_1^3-\frac{1}{m}u$$假设Lyapunov Function：$$V(e,\delta )=\frac{1}{2}{e}^2+\frac{1}{2}{\delta }^2$$李雅普诺夫函数$V(e,\delta )$随时间变化：$$\dot{V}(e,\delta )=e\dot{e}+\delta \dot{\delta }=e({\dot{x}}_{1d}-x_2)+\delta \dot{\delta }$$因为$\delta =x_{2d}-x_2$，即$x_2=x_{2d}-\delta$，代入上式有：$$\dot{V}(e,\delta )=e({\dot{x}}_{1d}-x_{2d}+\delta )+\delta \dot{\delta }$$由于在（2）中有$x_{2d}={\dot{x}}_{1d}+k_{1}e$，代入上述有：$$\dot{V}(e,\delta )=e({\dot{x}}_{1d}-{\dot{x}}_{1d}-k_{1}e+\delta )+\delta \dot{\delta }=-k_1{e}^2+\delta (e+\dot{\delta })$$很明显，$-k_1{e}^2$项是ND的，目标是$t\to \infty$，$e\to 0$且$\delta \to 0$，故希望$\delta (e+\dot{\delta })$项也是ND的。
令$e+\dot{\delta }=-k_2\delta$，其中，$k_2>0$，称为Controller Gain，即保证了$\dot{V}(e,\delta )$是ND的。代入$e$，$\dot{\delta }$和$\delta$，有：$$x_{1d}-x_1+{\dot{x}}_{2d}+\frac{\alpha }{m}{x}_1^3-\frac{1}{m}u=-k_2(x_{2d}-x_2)$$整理得：$$u=m(x_{1d}-x_1+{\dot{x}}_{2d}+\frac{\alpha }{m}{x}_1^3+k_2(x_{2d}-x_2))$$（4）检验
检验是否实现目标：$t\to \infty$，$e\to 0$且$\delta \to 0$：
由$$\{\begin{array}{l}\delta =x_{2d}-x_2\\ \dot{e}={\dot{x}}_{1d}-\dot{x_1}={\dot{x}}_{1d}-x_2\\ x_{2d}={\dot{x}}_{1d}+k_{1}e\end{array}$$推得$$\dot{e}=-k_{1}e+\delta$$由
$$\{\begin{array}{l}{x}_{1d}-x_1+{\dot{x}}_{2d}+\frac{\alpha }{m}{x}_1^3-\frac{1}{m}u=-k_2(x_{2d}-x_2)\\ \dot{\delta }={\dot{x}}_{2d}-{\dot{x}}_2={\dot{x}}_{2d}+\frac{\alpha }{m}{x}_1^3-\frac{1}{m}u\end{array}$$推得$$\dot{\delta }=-e-k_2\delta$$故有$$\left[\begin{array}{c}\dot{e}\\ \dot{\delta }\end{array}\right]=\left[\begin{array}{cc}-k_1& 1\\ -1& -k_2\end{array}\right]\left[\begin{array}{c}e\\ \delta \end{array}\right]$$这是个线性系统，通过反馈系统实现了线性化，Feedback Linearization。
线性系统状态矩阵：$$A=\left[\begin{array}{cc}-k_1& 1\\ -1& -k_2\end{array}\right]$$有$$\{\begin{array}{l}{\lambda }_1+{\lambda }_2=\wedge =-k_1-k_2<0\\ {\lambda }_1{\lambda }_2=\left[\begin{array}{cc}-k_1& 1\\ -1& -k_2\end{array}\right]=k_1{k}_2+1>0\end{array}$$即特征值${\lambda }_1，{\lambda }_2$均小于0，且系统平衡点$$\left[\begin{array}{c}\dot{e}\\ \dot{\delta }\end{array}\right]=\left[\begin{array}{c}0\\ 0\end{array}\right]$$有$e=0，\delta =0$，即平衡点在Origin。故综合知系统是渐近稳定的，达成目标。

3 非线性自适应控制器

1中所阐述的Feedback Linearization方法基于前提假设：parameters is exactly known number，即system is exactly system。而非线性自适应控制器可以Adapt the unknown parameter。
非线性自适应控制器基于前提假设：
Parameters是常数或缓慢变化的数，满足$\dot{parameter}=0$。
非线性自适应控制器由于模型参数$\alpha$为未知常数/缓慢变化，故实际引用时应作估计值$\hat{a}$，此时考虑估计误差：$$\tilde{a}=a-\hat{a}$$估计误差随时间变化：$$\dot{\tilde{a}}=\dot{a}-\dot{\hat{a}}=-\dot{\hat{a}}$$系统目标需额外考虑：随$t\to \infty$，估计误差$\tilde{a}\to 0。$

4 Lyapunov-like Lemma

1. $V\ge 0$；
2. $\dot{V}\le -g(t)$，where $g(t)\ge 0$；
3. $\dot{g}(t)\in L_{\infty }$，if $g(t)$ is bounded the $g(t)$ is uniformly continuous；

Then ${\lim }_{t\to \infty }g(t)=0$。

5 非线性自适应控制器——以非线性弹簧系统为例

（1）System State-Space Function
$$\{\begin{array}{l}\dot{x_1}=x_2\\ \dot{x_2}=\ddot{x}=-\frac{\alpha }{m}{x}_1^3+\frac{1}{m}u\end{array}$$其中，系统参数$\alpha$为未知常数，$\dot{\alpha }=0$，该系统为Chain of Integrator，$u\to x_2\to x_1$。
引入系统误差error：$$e=x_{1d}-x_1$$系统误差随时间变化：$$\dot{e}={\dot{x}}_{1d}-{\dot{x}}_1={\dot{x}}_{1d}-x_2$$系统目标为：$t\to \infty$，$e\to 0$。
（2）Find $x_{2d}$，使$x_1\to x_{1d}$
假设Lyapunov Function：$V(e)=\frac{1}{2}{e}^2$，李雅普诺夫函数随时间变化：$$\dot{V}(e)=e\dot{e}=e({\dot{x}}_{1d}-x_2)$$为实现系统目标$t\to \infty$，$e\to 0$，$\dot{V}(e)$希望是ND，故令：$${\dot{x}}_{1d}-x_{2d}=-k_{1}e$$即目标$x_{2d}={\dot{x}}_{1d}+k_{1}e$。
（3）Design执行器输入u，使$x_2\to x_{2d}$
引入系统误差delta error：$$\delta =x_{2d}-x_2$$系统误差delta error随时间变化：$$\dot{\delta }=\dot{x_{2d}}-\dot{x_2}$$系统目标为：$t\to \infty$，$e\to 0$，$\delta \to 0$。
假设Lyapunov Function：$$V(e,\delta )=\frac{1}{2}{e}^2+\frac{1}{2}{\delta }^2$$李雅普诺夫函数随时间变化：$$\dot{V}(e,\delta )=e\dot{e}+\delta \dot{\delta }$$代入$$\{\begin{array}{l}\dot{e}={\dot{x}}_{1d}-x_2\\ x_{2d}={\dot{x}}_{1d}+k_{1}e\\ \delta =x_{2d}-x_2\end{array}$$整理得$$\dot{e}=\delta -k_{1}e$$代入$\dot{V}(e,\delta )$，有：$$\dot{V}(e,\delta )=e(\delta -k_{1}e)+\delta \dot{\delta }=-k_1{e}^2+\delta (e+\dot{\delta })$$其中，$-k_1{e}^2$项为ND，希望$\dot{V}(e,\delta )$为ND，则希望$\delta (e+\dot{\delta })$为ND。故令$$e+\dot{\delta }=-k_2\delta$$其中，$\dot{\delta }=\dot{x_{2d}}-\dot{x_2}=\dot{x_{2d}}+\frac{\alpha }{m}{x}_1^3-\frac{1}{m}u$。
（4）因为parameter$\alpha$未知，故作估计值$\hat{\alpha }$
系统估计误差tidle alpha error：$$\tilde{\alpha }=\hat{\alpha }-\alpha$$系统估计误差tidle alpha error随时间变化：$$\dot{\tilde{\alpha }}=\dot{\hat{\alpha }}-\dot{\alpha }=\dot{\hat{\alpha }}$$此时，系统目标为：$t\to \infty$，$e\to 0$，$\delta \to 0$，$\tilde{\alpha }\to 0$。
假设Lyapunov Function：$$V(e,\delta ,\tilde{\alpha })=\frac{1}{2}{e}^2+\frac{1}{2}{\delta }^2+\frac{1}{2}{\tilde{\alpha }}^2$$李雅普诺夫函数随时间变化：$$\dot{V}(e,\delta ,\tilde{\alpha })=e\dot{e}+\delta \dot{\delta }+\tilde{\alpha }\dot{\tilde{\alpha }}=-k_1{e}^2+\delta (e+\dot{\delta })+\tilde{\alpha }\dot{\hat{a}}=-k_1{e}^2+\delta (e+{\dot{x}}_{2}d+\frac{\alpha }{m}{x}_1^3-\frac{1}{m}u)+\tilde{\alpha }\dot{\hat{a}}$$希望$\dot{V}(e,\delta ,\tilde{\alpha })$是ND，令：$$e+{\dot{x}}_{2}d+\frac{\alpha }{m}{x}_1^3-\frac{1}{m}u=-k_3\delta$$其中，$k_3>0$，称为Controller Gain。故有$$u=\hat{\alpha }{x}_1^3+me+m{\dot{x}}_{2d}+m{k}_3\delta$$代入$\dot{V}(e,\delta ,\tilde{\alpha })$，有$$\dot{V}(e,\delta ,\tilde{\alpha })=-k_1{e}^2+\delta (-k_3\delta -\frac{1}{m}\tilde{\alpha }{x}_1^3)+\tilde{\alpha }\dot{\hat{\alpha }}=-k_1{e}^2-k_3{\delta }^2-\tilde{\alpha }(\frac{1}{m}{x}_1^3\delta -\dot{\hat{\alpha }})$$其中，$-k_1{e}^2$和$-k_3{\delta }^2$为ND，而$-\tilde{\alpha }(\frac{1}{m}{x}_1^3\delta -\dot{\hat{\alpha }})$很难ND，故令其为0，有$$\dot{\hat{\alpha }}=\frac{1}{m}{x}_1^3\delta$$此时，由于对于$\forall \tilde{\alpha }$，均有$\dot{V}(0,0,\tilde{\alpha })=0$，故$\dot{V}$是NSD。
套用引理Lyapunov-like Lemma，有：

1. $V\ge 0$满足；
2. $\dot{V}\le -g(t)$，令$g(t)=-k_1{e}^2-k_3{\delta }^2$满足；
3. $\dot{g}(t)=-2k_{1}e\dot{e}-2k_3\delta \dot{\delta }$有界，满足；

故有${\lim }_{t\to 0}g(t)=0$，即实现目标：$t\to \infty$，$e\to 0$，$\delta \to 0$。
结果$$\hat{\alpha }={\int }_0^t\frac{1}{m}{x}_1^3\delta dt$$代入u$$u=me+m{\dot{x}}_{2d}+m{k}_3\delta +x_1^3{\int }_0^t\frac{1}{m}{x}_1^3\delta dt$$