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:
{
x
1
˙
=
x
2
x
2
˙
=
−
α
m
x
1
3
+
1
m
u
\begin{cases} \dot{x_1}=x_2 \\ \dot{x_2}=-\frac{\alpha}{m}x_1^{3}+\frac{1}{m}u \end{cases}
{x1˙=x2x2˙=−mαx13+m1u 该系统中,通过控制输入u,进而控制
x
2
˙
\dot{x_2}
x2˙;通过控制
x
2
˙
\dot{x_2}
x2˙即
x
2
x_2
x2,控制
x
1
˙
\dot{x_1}
x1˙即
x
1
x_1
x1。
u
→
x
2
→
x
1
u\rightarrow x_2\rightarrow x_1
u→x2→x1。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
x_2
x2(
x
˙
\dot{x}
x˙),进而控制滑块的位置
x
1
x_1
x1(
x
x
x)。
通过两步实现设计链式系统的输入u,进而控制
x
1
x_1
x1:
(1)设计中间输入
x
2
d
x_{2d}
x2d,使
x
1
→
x
1
d
x_1\rightarrow x_{1d}
x1→x1d;
(2)设计系统输入u,使
x
2
→
x
2
d
x_2\rightarrow x_{2d}
x2→x2d。
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
−
α
x
3
=
m
a
=
m
x
¨
F-\alpha x^{3}=ma=m\ddot{x}
F−αx3=ma=mx¨故系统状态方程为:
m
x
¨
+
α
x
3
=
F
m\ddot{x}+\alpha x^{3}=F
mx¨+αx3=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
F=u
F=u,位移Displacement:
x
1
=
x
x_1=x
x1=x,速度Velocity:
x
2
=
x
˙
x_2=\dot{x}
x2=x˙。
系统目标:
x
1
→
x
1
d
x_1\rightarrow x_{1d}
x1→x1d。
(1)System State-Space Function
{
x
1
˙
=
x
2
x
2
˙
=
x
¨
=
−
α
m
x
1
3
+
1
m
u
\begin{cases} \dot{x_1}=x_2 \\ \dot{x_2}=\ddot{x}=-\frac{\alpha}{m}x_1^{3}+\frac{1}{m}u \end{cases}
{x1˙=x2x2˙=x¨=−mαx13+m1u
(2)Find
x
2
d
x_{2d}
x2d,使
x
1
→
x
1
d
x_1\rightarrow x_{1d}
x1→x1d
引入error:
e
=
x
1
d
−
x
1
e=x_{1d}-x_1
e=x1d−x1系统目标变为:
e
→
0
e\rightarrow 0
e→0,误差随时间变化:
e
˙
=
x
˙
1
d
−
x
1
˙
=
x
˙
1
d
−
x
2
\dot{e}=\dot{x}_{1d}-\dot{x_1}=\dot{x}_{1d}-x_2
e˙=x˙1d−x1˙=x˙1d−x2希望
t
→
∞
t\rightarrow\infty
t→∞,
e
→
0
e\rightarrow0
e→0,即系统渐近稳定。
假设Lyapunov Function:
V
(
e
)
=
1
2
e
2
V(e)=\frac{1}{2}e^{2}
V(e)=21e2
V
(
e
)
V(e)
V(e)是正定的(Positive Definite, PD),
V
(
e
)
V(e)
V(e)随时间变化:
V
˙
(
e
)
=
e
e
˙
=
e
(
x
˙
1
d
−
x
2
)
\dot{V}(e)=e\dot{e}=e(\dot{x}_{1d}-x_2)
V˙(e)=ee˙=e(x˙1d−x2)根据李雅普诺夫直接方法(Lyapunov Direct Method),希望系统渐近稳定
→
\rightarrow
→
V
˙
(
e
)
\dot{V}(e)
V˙(e)是负定的(Negative Definite, ND)。
因此,令
x
˙
1
d
−
x
2
d
=
−
k
1
e
\dot{x}_{1d}-x_{2d}=-k_1e
x˙1d−x2d=−k1e,其中
k
1
>
0
k_1>0
k1>0,称为Controller Gain,即保证了
V
˙
(
e
)
\dot{V}(e)
V˙(e)是ND,即得到:
x
2
d
=
x
˙
1
d
+
k
1
e
x_{2d}=\dot{x}_{1d}+k_1e
x2d=x˙1d+k1e(3)Design u,使
x
2
→
x
2
d
x_2\rightarrow x_{2d}
x2→x2d
引入error Delta:
δ
=
x
2
d
−
x
2
\delta=x_{2d}-x_2
δ=x2d−x2系统目标变为:
e
→
0
,
δ
→
0
e\rightarrow0,\delta\rightarrow0
e→0,δ→0,误差随时间变化:
δ
˙
=
x
˙
2
d
−
x
˙
2
=
x
˙
2
d
+
α
m
x
1
3
−
1
m
u
\dot{\delta}=\dot{x}_{2d}-\dot{x}_2=\dot{x}_{2d}+\frac{\alpha}{m}x_1^{3}-\frac{1}{m}u
δ˙=x˙2d−x˙2=x˙2d+mαx13−m1u假设Lyapunov Function:
V
(
e
,
δ
)
=
1
2
e
2
+
1
2
δ
2
V(e,\delta)=\frac{1}{2}e^{2}+\frac{1}{2}\delta^{2}
V(e,δ)=21e2+21δ2李雅普诺夫函数
V
(
e
,
δ
)
V(e,\delta)
V(e,δ)随时间变化:
V
˙
(
e
,
δ
)
=
e
e
˙
+
δ
δ
˙
=
e
(
x
˙
1
d
−
x
2
)
+
δ
δ
˙
\dot{V}(e,\delta)=e\dot{e}+\delta\dot{\delta}=e(\dot{x}_{1d}-x_2)+\delta\dot{\delta}
V˙(e,δ)=ee˙+δδ˙=e(x˙1d−x2)+δδ˙因为
δ
=
x
2
d
−
x
2
\delta=x_{2d}-x_2
δ=x2d−x2,即
x
2
=
x
2
d
−
δ
x_2=x_{2d}-\delta
x2=x2d−δ,代入上式有:
V
˙
(
e
,
δ
)
=
e
(
x
˙
1
d
−
x
2
d
+
δ
)
+
δ
δ
˙
\dot{V}(e,\delta)=e(\dot{x}_{1d}-x_{2d}+\delta)+\delta\dot{\delta}
V˙(e,δ)=e(x˙1d−x2d+δ)+δδ˙由于在(2)中有
x
2
d
=
x
˙
1
d
+
k
1
e
x_{2d}=\dot{x}_{1d}+k_1e
x2d=x˙1d+k1e,代入上述有:
V
˙
(
e
,
δ
)
=
e
(
x
˙
1
d
−
x
˙
1
d
−
k
1
e
+
δ
)
+
δ
δ
˙
=
−
k
1
e
2
+
δ
(
e
+
δ
˙
)
\dot{V}(e,\delta)=e(\dot{x}_{1d}-\dot{x}_{1d}-k_1e+\delta)+\delta\dot{\delta}=-k_1e^{2}+\delta(e+\dot{\delta})
V˙(e,δ)=e(x˙1d−x˙1d−k1e+δ)+δδ˙=−k1e2+δ(e+δ˙)很明显,
−
k
1
e
2
-k_1e^{2}
−k1e2项是ND的,目标是
t
→
∞
t\rightarrow \infty
t→∞,
e
→
0
e\rightarrow0
e→0且
δ
→
0
\delta\rightarrow0
δ→0,故希望
δ
(
e
+
δ
˙
)
\delta(e+\dot{\delta})
δ(e+δ˙)项也是ND的。
令
e
+
δ
˙
=
−
k
2
δ
e+\dot{\delta}=-k_2\delta
e+δ˙=−k2δ,其中,
k
2
>
0
k_2>0
k2>0,称为Controller Gain,即保证了
V
˙
(
e
,
δ
)
\dot{V}(e,\delta)
V˙(e,δ)是ND的。代入
e
e
e,
δ
˙
\dot{\delta}
δ˙和
δ
\delta
δ,有:
x
1
d
−
x
1
+
x
˙
2
d
+
α
m
x
1
3
−
1
m
u
=
−
k
2
(
x
2
d
−
x
2
)
x_{1d}-x_1+\dot{x}_{2d}+\frac{\alpha}{m}x_1^{3}-\frac{1}{m}u=-k_2(x_{2d}-x_2)
x1d−x1+x˙2d+mαx13−m1u=−k2(x2d−x2)整理得:
u
=
m
(
x
1
d
−
x
1
+
x
˙
2
d
+
α
m
x
1
3
+
k
2
(
x
2
d
−
x
2
)
)
u=m(x_{1d}-x_1+\dot{x}_{2d}+\frac{\alpha}{m}x_1^{3}+k_2(x_{2d}-x_2))
u=m(x1d−x1+x˙2d+mαx13+k2(x2d−x2))(4)检验
检验是否实现目标:
t
→
∞
t\rightarrow \infty
t→∞,
e
→
0
e\rightarrow0
e→0且
δ
→
0
\delta\rightarrow0
δ→0:
由
{
δ
=
x
2
d
−
x
2
e
˙
=
x
˙
1
d
−
x
1
˙
=
x
˙
1
d
−
x
2
x
2
d
=
x
˙
1
d
+
k
1
e
\begin{cases} \delta=x_{2d}-x_2 \\ \dot{e}=\dot{x}_{1d}-\dot{x_1}=\dot{x}_{1d}-x_2 \\ x_{2d}=\dot{x}_{1d}+k_1e \end{cases}
⎩
⎨
⎧δ=x2d−x2e˙=x˙1d−x1˙=x˙1d−x2x2d=x˙1d+k1e推得
e
˙
=
−
k
1
e
+
δ
\dot{e}=-k_1e+\delta
e˙=−k1e+δ由
{
x
1
d
−
x
1
+
x
˙
2
d
+
α
m
x
1
3
−
1
m
u
=
−
k
2
(
x
2
d
−
x
2
)
δ
˙
=
x
˙
2
d
−
x
˙
2
=
x
˙
2
d
+
α
m
x
1
3
−
1
m
u
\begin{cases} 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{cases}
{x1d−x1+x˙2d+mαx13−m1u=−k2(x2d−x2)δ˙=x˙2d−x˙2=x˙2d+mαx13−m1u推得
δ
˙
=
−
e
−
k
2
δ
\dot{\delta}=-e-k_2\delta
δ˙=−e−k2δ故有
[
e
˙
δ
˙
]
=
[
−
k
1
1
−
1
−
k
2
]
[
e
δ
]
\begin{bmatrix} \dot{e} \\ \dot{\delta} \end{bmatrix}=\begin{bmatrix} -k_1 & 1 \\ -1 & -k_2 \end{bmatrix}\begin{bmatrix} e \\ \delta \end{bmatrix}
[e˙δ˙]=[−k1−11−k2][eδ]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
=
[
−
k
1
1
−
1
−
k
2
]
A=\begin{bmatrix} -k_1 & 1 \\ -1 & -k_2 \end{bmatrix}
A=[−k1−11−k2]有
{
λ
1
+
λ
2
=
∧
=
−
k
1
−
k
2
<
0
λ
1
λ
2
=
[
−
k
1
1
−
1
−
k
2
]
=
k
1
k
2
+
1
>
0
\begin{cases} \lambda_1 + \lambda_2=\wedge = -k_1 - k_2 < 0 \\ \lambda_1\lambda_2=\begin{bmatrix} -k_1 & 1 \\ -1 & -k_2 \end{bmatrix}=k_1k_2+1>0 \end{cases}
⎩
⎨
⎧λ1+λ2=∧=−k1−k2<0λ1λ2=[−k1−11−k2]=k1k2+1>0即特征值
λ
1
,
λ
2
\lambda_1,\lambda_2
λ1,λ2均小于0,且系统平衡点
[
e
˙
δ
˙
]
=
[
0
0
]
\begin{bmatrix} \dot{e} \\ \dot{\delta} \end{bmatrix}=\begin{bmatrix} 0 \\ 0 \end{bmatrix}
[e˙δ˙]=[00]有
e
=
0
,
δ
=
0
e=0,\delta=0
e=0,δ=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
p
a
r
a
m
e
t
e
r
˙
=
0
\dot{parameter}=0
parameter˙=0。
非线性自适应控制器由于模型参数
α
\alpha
α为未知常数/缓慢变化,故实际引用时应作估计值
a
^
\hat{a}
a^,此时考虑估计误差:
a
~
=
a
−
a
^
\tilde{a}=a-\hat{a}
a~=a−a^估计误差随时间变化:
a
~
˙
=
a
˙
−
a
^
˙
=
−
a
^
˙
\dot{\tilde{a}}=\dot{a}-\dot{\hat{a}}=-\dot{\hat{a}}
a~˙=a˙−a^˙=−a^˙系统目标需额外考虑:随
t
→
∞
t\rightarrow\infty
t→∞,估计误差
a
~
→
0
。
\tilde{a}\rightarrow0。
a~→0。
4 Lyapunov-like Lemma
- V ≥ 0 V\geq0 V≥0;
- V ˙ ≤ − g ( t ) \dot{V}\leq-g(t) V˙≤−g(t),where g ( t ) ≥ 0 g(t)\geq0 g(t)≥0;
- g ˙ ( t ) ∈ L ∞ \dot{g}(t)\in L_{\infty} g˙(t)∈L∞,if g ( t ) g(t) g(t) is bounded the g ( t ) g(t) g(t) is uniformly continuous;
Then
lim
t
→
∞
g
(
t
)
=
0
\lim_{t\rightarrow\infty}g(t)=0
limt→∞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
{
x
1
˙
=
x
2
x
2
˙
=
x
¨
=
−
α
m
x
1
3
+
1
m
u
\begin{cases} \dot{x_1}=x_2 \\ \dot{x_2}=\ddot{x}=-\frac{\alpha}{m}x_1^{3}+\frac{1}{m}u \end{cases}
{x1˙=x2x2˙=x¨=−mαx13+m1u其中,系统参数
α
\alpha
α为未知常数,
α
˙
=
0
\dot{\alpha}=0
α˙=0,该系统为Chain of Integrator,
u
→
x
2
→
x
1
u\rightarrow x_2\rightarrow x_1
u→x2→x1。
引入系统误差error:
e
=
x
1
d
−
x
1
e=x_{1d}-x_1
e=x1d−x1系统误差随时间变化:
e
˙
=
x
˙
1
d
−
x
˙
1
=
x
˙
1
d
−
x
2
\dot{e}=\dot{x}_{1d}-\dot{x}_1=\dot{x}_{1d}-x_2
e˙=x˙1d−x˙1=x˙1d−x2系统目标为:
t
→
∞
t\rightarrow \infty
t→∞,
e
→
0
e\rightarrow 0
e→0。
(2)Find
x
2
d
x_{2d}
x2d,使
x
1
→
x
1
d
x_1\rightarrow x_{1d}
x1→x1d
假设Lyapunov Function:
V
(
e
)
=
1
2
e
2
V(e)=\frac{1}{2}e^{2}
V(e)=21e2,李雅普诺夫函数随时间变化:
V
˙
(
e
)
=
e
e
˙
=
e
(
x
˙
1
d
−
x
2
)
\dot{V}(e)=e\dot{e}=e(\dot{x}_{1d}-x_2)
V˙(e)=ee˙=e(x˙1d−x2)为实现系统目标
t
→
∞
t\rightarrow \infty
t→∞,
e
→
0
e\rightarrow 0
e→0,
V
˙
(
e
)
\dot{V}(e)
V˙(e)希望是ND,故令:
x
˙
1
d
−
x
2
d
=
−
k
1
e
\dot{x}_{1d}-x_{2d}=-k_1e
x˙1d−x2d=−k1e即目标
x
2
d
=
x
˙
1
d
+
k
1
e
x_{2d}=\dot{x}_{1d}+k_1e
x2d=x˙1d+k1e。
(3)Design执行器输入u,使
x
2
→
x
2
d
x_2\rightarrow x_{2d}
x2→x2d
引入系统误差delta error:
δ
=
x
2
d
−
x
2
\delta=x_{2d}-x_2
δ=x2d−x2系统误差delta error随时间变化:
δ
˙
=
x
2
d
˙
−
x
2
˙
\dot{\delta}=\dot{x_{2d}}-\dot{x_2}
δ˙=x2d˙−x2˙系统目标为:
t
→
∞
t\rightarrow \infty
t→∞,
e
→
0
e\rightarrow 0
e→0,
δ
→
0
\delta\rightarrow 0
δ→0。
假设Lyapunov Function:
V
(
e
,
δ
)
=
1
2
e
2
+
1
2
δ
2
V(e,\delta)=\frac{1}{2}e^{2}+\frac{1}{2}\delta^{2}
V(e,δ)=21e2+21δ2李雅普诺夫函数随时间变化:
V
˙
(
e
,
δ
)
=
e
e
˙
+
δ
δ
˙
\dot{V}(e,\delta)=e\dot{e}+\delta\dot{\delta}
V˙(e,δ)=ee˙+δδ˙代入
{
e
˙
=
x
˙
1
d
−
x
2
x
2
d
=
x
˙
1
d
+
k
1
e
δ
=
x
2
d
−
x
2
\begin{cases} \dot{e}=\dot{x}_{1d}-x_2 \\ x_{2d}=\dot{x}_{1d}+k_1e \\ \delta = x_{2d} - x_2 \end{cases}
⎩
⎨
⎧e˙=x˙1d−x2x2d=x˙1d+k1eδ=x2d−x2整理得
e
˙
=
δ
−
k
1
e
\dot{e}=\delta-k_1e
e˙=δ−k1e代入
V
˙
(
e
,
δ
)
\dot{V}(e,\delta)
V˙(e,δ),有:
V
˙
(
e
,
δ
)
=
e
(
δ
−
k
1
e
)
+
δ
δ
˙
=
−
k
1
e
2
+
δ
(
e
+
δ
˙
)
\dot{V}(e,\delta)=e(\delta-k_1e)+\delta\dot{\delta}=-k_1e^{2}+\delta(e+\dot{\delta})
V˙(e,δ)=e(δ−k1e)+δδ˙=−k1e2+δ(e+δ˙)其中,
−
k
1
e
2
-k_1e^{2}
−k1e2项为ND,希望
V
˙
(
e
,
δ
)
\dot{V}(e,\delta)
V˙(e,δ)为ND,则希望
δ
(
e
+
δ
˙
)
\delta(e+\dot{\delta})
δ(e+δ˙)为ND。故令
e
+
δ
˙
=
−
k
2
δ
e+\dot{\delta}=-k_2\delta
e+δ˙=−k2δ其中,
δ
˙
=
x
2
d
˙
−
x
2
˙
=
x
2
d
˙
+
α
m
x
1
3
−
1
m
u
\dot{\delta}=\dot{x_{2d}}-\dot{x_2}=\dot{x_{2d}}+\frac{\alpha}{m}x^{3}_1-\frac{1}{m}u
δ˙=x2d˙−x2˙=x2d˙+mαx13−m1u。
(4)因为parameter
α
\alpha
α未知,故作估计值
α
^
\hat{\alpha}
α^
系统估计误差tidle alpha error:
α
~
=
α
^
−
α
\tilde{\alpha}=\hat{\alpha}-\alpha
α~=α^−α系统估计误差tidle alpha error随时间变化:
α
~
˙
=
α
^
˙
−
α
˙
=
α
^
˙
\dot{\tilde{\alpha}}=\dot{\hat{\alpha}}-\dot{\alpha}=\dot{\hat{\alpha}}
α~˙=α^˙−α˙=α^˙此时,系统目标为:
t
→
∞
t\rightarrow \infty
t→∞,
e
→
0
e\rightarrow 0
e→0,
δ
→
0
\delta\rightarrow 0
δ→0,
α
~
→
0
\tilde\alpha\rightarrow 0
α~→0。
假设Lyapunov Function:
V
(
e
,
δ
,
α
~
)
=
1
2
e
2
+
1
2
δ
2
+
1
2
α
~
2
V(e,\delta,\tilde{\alpha})=\frac{1}{2}e^{2}+\frac{1}{2}\delta^{2}+\frac{1}{2}\tilde{\alpha}^{2}
V(e,δ,α~)=21e2+21δ2+21α~2李雅普诺夫函数随时间变化:
V
˙
(
e
,
δ
,
α
~
)
=
e
e
˙
+
δ
δ
˙
+
α
~
α
~
˙
=
−
k
1
e
2
+
δ
(
e
+
δ
˙
)
+
α
~
a
^
˙
=
−
k
1
e
2
+
δ
(
e
+
x
˙
2
d
+
α
m
x
1
3
−
1
m
u
)
+
α
~
a
^
˙
\dot{V}(e,\delta,\tilde{\alpha})=e\dot{e}+\delta\dot{\delta}+\tilde{\alpha}\dot{\tilde{\alpha}}=-k_1e^{2}+\delta(e+\dot{\delta})+\tilde{\alpha}\dot{\hat{a}}=-k_1e^{2}+\delta(e+\dot{x}_2d+\frac{\alpha}{m}x^{3}_1-\frac{1}{m}u)+\tilde{\alpha}\dot{\hat{a}}
V˙(e,δ,α~)=ee˙+δδ˙+α~α~˙=−k1e2+δ(e+δ˙)+α~a^˙=−k1e2+δ(e+x˙2d+mαx13−m1u)+α~a^˙希望
V
˙
(
e
,
δ
,
α
~
)
\dot{V}(e,\delta,\tilde{\alpha})
V˙(e,δ,α~)是ND,令:
e
+
x
˙
2
d
+
α
m
x
1
3
−
1
m
u
=
−
k
3
δ
e+\dot{x}_2d+\frac{\alpha}{m}x^{3}_1-\frac{1}{m}u=-k_3\delta
e+x˙2d+mαx13−m1u=−k3δ其中,
k
3
>
0
k_3>0
k3>0,称为Controller Gain。故有
u
=
α
^
x
1
3
+
m
e
+
m
x
˙
2
d
+
m
k
3
δ
u=\hat{\alpha}x^{3}_1+me+m\dot{x}_{2d}+mk_3\delta
u=α^x13+me+mx˙2d+mk3δ代入
V
˙
(
e
,
δ
,
α
~
)
\dot{V}(e,\delta,\tilde{\alpha})
V˙(e,δ,α~),有
V
˙
(
e
,
δ
,
α
~
)
=
−
k
1
e
2
+
δ
(
−
k
3
δ
−
1
m
α
~
x
1
3
)
+
α
~
α
^
˙
=
−
k
1
e
2
−
k
3
δ
2
−
α
~
(
1
m
x
1
3
δ
−
α
^
˙
)
\dot{V}(e,\delta,\tilde{\alpha})=-k_1e^{2}+\delta(-k_3\delta-\frac{1}{m}\tilde{\alpha}x^{3}_1)+\tilde{\alpha}\dot{\hat{\alpha}}=-k_1e^{2}-k_3\delta^{2}-\tilde{\alpha}(\frac{1}{m}x^{3}_1\delta-\dot{\hat{\alpha}})
V˙(e,δ,α~)=−k1e2+δ(−k3δ−m1α~x13)+α~α^˙=−k1e2−k3δ2−α~(m1x13δ−α^˙)其中,
−
k
1
e
2
-k_1e^{2}
−k1e2和
−
k
3
δ
2
-k_3\delta^{2}
−k3δ2为ND,而
−
α
~
(
1
m
x
1
3
δ
−
α
^
˙
)
-\tilde{\alpha}(\frac{1}{m}x^{3}_1\delta-\dot{\hat{\alpha}})
−α~(m1x13δ−α^˙)很难ND,故令其为0,有
α
^
˙
=
1
m
x
1
3
δ
\dot{\hat{\alpha}}=\frac{1}{m}x^{3}_1\delta
α^˙=m1x13δ此时,由于对于
∀
α
~
\forall\tilde{\alpha}
∀α~,均有
V
˙
(
0
,
0
,
α
~
)
=
0
\dot{V}(0,0,\tilde{\alpha})=0
V˙(0,0,α~)=0,故
V
˙
\dot{V}
V˙是NSD。
套用引理Lyapunov-like Lemma,有:
- V ≥ 0 V\geq0 V≥0满足;
- V ˙ ≤ − g ( t ) \dot{V}\leq-g(t) V˙≤−g(t),令 g ( t ) = − k 1 e 2 − k 3 δ 2 g(t)=-k_1e^{2}-k_3\delta^{2} g(t)=−k1e2−k3δ2满足;
- g ˙ ( t ) = − 2 k 1 e e ˙ − 2 k 3 δ δ ˙ \dot{g}(t)=-2k_1e\dot{e}-2k_3\delta\dot{\delta} g˙(t)=−2k1ee˙−2k3δδ˙有界,满足;
故有
lim
t
→
0
g
(
t
)
=
0
\lim_{t\rightarrow0}g(t)=0
limt→0g(t)=0,即实现目标:
t
→
∞
t\rightarrow\infty
t→∞,
e
→
0
e\rightarrow0
e→0,
δ
→
0
\delta\rightarrow0
δ→0。
结果
α
^
=
∫
0
t
1
m
x
1
3
δ
d
t
\hat{\alpha}=\int_{0}^{t}\frac{1}{m}x^{3}_1\delta dt
α^=∫0tm1x13δdt代入u
u
=
m
e
+
m
x
˙
2
d
+
m
k
3
δ
+
x
1
3
∫
0
t
1
m
x
1
3
δ
d
t
u=me+m\dot{x}_{2d}+mk_3\delta+x^{3}_1\int_{0}^{t}\frac{1}{m}x^{3}_1\delta dt
u=me+mx˙2d+mk3δ+x13∫0tm1x13δdt