笔记内容：非线性控制理论

基础部分

定义：

PD 正定： 除了原点为零点其他都大于零

V ( 0 ) = 0 V ( x ) > 0 , ∀ x ∈ D − { 0 } \begin{aligned}&V(0)=0 \\&V(x)>0, \forall x \in D-\{0\}\end{aligned} ​V(0)=0V(x)>0,∀x∈D−{0}​

PSD 半正定： 除了原点为零点以外还有其他零点

V ( 0 ) = 0 V ( x ) ≥ 0 , ∀ x ∈ D − { 0 } \begin{aligned}&V(0)=0 \\&V(x) \ge0, \forall x \in D-\{0\}\end{aligned} ​V(0)=0V(x)≥0,∀x∈D−{0}​

ND 负定： 除了原点为零点其他都小于零

V ( 0 ) = 0 V ( x ) < 0 , ∀ x ∈ D − { 0 } \begin{aligned}&V(0)=0 \\&V(x)<0, \forall x \in D-\{0\}\end{aligned} ​V(0)=0V(x)<0,∀x∈D−{0}​

NSD 半负定： 除了原点为零点以外还有其他零点

V ( 0 ) = 0 V ( x ) ≤ 0 , ∀ x ∈ D − { 0 } \begin{aligned}&V(0)=0 \\&V(x) \le0, \forall x \in D-\{0\}\end{aligned} ​V(0)=0V(x)≤0,∀x∈D−{0}​

李雅普诺夫稳定性内容：

$$\dot{x}=f(x)$$

x 是平衡点

$$\to f(x=0),{\dot{x}|}_{x=0}=0$$

平衡点概念：在初始状态 x=0 状态的变化率为0，该点为稳定点

设V

$$\begin{gathered} V:PD \\ \dot{V}:NSD \end{gathered}$$

⇒ x=0 是一个稳定点

$$\begin{gathered} V:PD \\ \dot{V}:ND \end{gathered}$$

⇒ x=0 是一个渐进稳定点

总结：

如果平衡状态$x_e$受到扰动后，仍然停留$x_e$在附近，我们就称$x_e$在李雅普诺夫意义下是稳定的（Lyapunov stable）。

如果平衡状态$x_e$受到扰动后，最终都会收敛到$x_e$，我们就称$x_e$在李雅普诺夫意义下是渐进稳定的（Asymptotically stable）。

如果平衡状态$x_e$受到某种扰动后，状态开始偏离$x_e$，我们就称$x_e$在李雅普诺夫意义下是不稳定的（Unstable）。

根据李雅普诺夫第一法（间接法），矩阵的特征值决定了系统的稳定性：

系数矩阵与系统稳定性的关系_Amanda1m的博客-CSDN博客_矩阵判断系统稳定性

如何理解李雅普诺夫稳定性分析：

如何理解李雅普诺夫稳定性分析

例：

$$\begin{array}{rl}& {\dot{x}}_1=a{x}_1=f_1\\ & {\dot{x}}_2=b{x}_2+\cos x_1=f_2\end{array}$$

设$V=x_1^2+x_2^2$

$$\begin{array}{rl}\dot{V}& =2x_1{\dot{x}}_1+2x_2{\dot{x}}_2\\ & =2x_{1}a{x}_1+2x_2\left(b{x}_2+\cos x_1\right)\\ & =2a{x}_1^2+2b{x}_2^2+2x_2\cos x_1\\ & =\left[\begin{array}{ll}2x_1& 2x_2\end{array}\right]\left[\begin{array}{l}{\dot{x}}_1\\ {\dot{x}}_2\end{array}\right]\\ & =\left[\begin{array}{ll}\frac{\partial V}{\partial x1}& \frac{\partial V}{\partial x_2}\end{array}\right]\left[\begin{array}{l}{f}_1\\ f_2\end{array}\right]\\ & =\nabla V\cdot f(x)=L_{f}V(x)\end{array}$$

最后一步的$f(x)=L_{f}V(x)$是求函数的李雅普诺夫导数（Lie Derivate），简称李导数。

若求解后的$\dot{V}=0\le 0$说明为半负定NSD，系统稳定，说明$x_1,x_2$有界，不代表$x_1,x_2$ → 0。

不变性原理

引入新的理论扩大李雅普诺夫稳定性的判定。

1. $V>0$
2. $\dot{V}\le 0$
3. $\dot{V}=0\to x_1=0,x_2=0$

例：

$$\begin{array}{rl}{\dot{x}}_1& =x_2\\ {\dot{x}}_2& =-x_1-x_2-{\left(x_1+x_2\right)}^2{x}_2\\ V& =x_1^2+x_2^2\end{array}$$

$$\begin{array}{rl}\dot{V}& =\nabla V\cdot f(x)\\ & =\left[\begin{array}{ll}\frac{\partial V}{\partial x_1}& \frac{\partial V}{\partial x_2}\end{array}\right]\left[\begin{array}{l}{f}_1\\ f_2\end{array}\right]\\ & =\left[\begin{array}{ll}2x_1& 2x_2\end{array}\right]\left[\begin{array}{c}{x}_2\\ -x_1-x_2-{\left(x_1+x_2\right)}^2{x}_2\end{array}\right]\\ & =2x_{1}2x_2-2x_1{x}_2-2x_2^2-2x_2^2{\left(x_1+x_2\right)}^2\\ & =-2x_2^2\left(1+{\left(x_1+x_2\right)}^2\right)\end{array}$$

$$\begin{array}{rl}& x=\left[x_1,0\right]\\ & V>\text{ is PSD, }\dot{V}\text{ is NSD }\\ & \dot{V}=0\Rightarrow x_2=0,{\dot{x}}_2=0,x_1=0\end{array}$$

因此系统渐进稳定

• 注：(0, 0)点为系统的平衡点，该点处一阶导数为0
  因此当$x_2=0$时，${\dot{x}}_2=0$

非线性系统稳定性设计

基础反馈系统的稳定性

对于一个系统

$$\dot{x}=f(x,u)$$

假设 u 是 x 的函数$\varphi (x)$：state feedback

$$\dot{x}=f(x,\varphi (x))$$

例1：

$$\dot{x}=f(x,u)=a{x}^2+u$$

$f(0,0)=0\to$平衡点在原点

若希望“0”是渐进稳定平衡点

令$u=-a{x}^2-x$，u消除了非线性项且提供了稳定性

则上式变为

$$\begin{array}{rl}& \dot{x}=-x\\ \Rightarrow & x(t)=C{e}^{-t}\end{array}$$

反馈线性化（Feedback Linearization）：非线性系统通过输入线性化。

例2：

$$\dot{x}=x^2-x^3+u$$

用反馈线性化的方法

$$u_1=-x^2+x^3-x$$

代替方法：李雅普诺夫 直接方法（也叫李雅普诺夫第二法）

李雅普诺夫第二法的基本思想

• 求出系统的能量函数（李雅普诺夫函数）$V(x,t)$——标量函数。
• 能量衰减特性用$\dot{V}(x,t)$表示。
• 依据系统的运动方程（状态方程）考察能量函数在运动过程中的变化规律。
• 利用$V(x,t)$和$\dot{V}(x,t)$的符号特性，判断平衡状态稳定性。

令$V=\frac{1}{2}{x}^2$

• 问：V为什么这样设定？

  需要让x=0是渐进平衡点，则需满足如下条件：

  $V(0)=0V(x):PD\dot{V}(x):ND$

  V的函数是由以上几种条件的约束下试出来的

$$\begin{gathered} V(0)=0 \\ V(x):PDV(x)>0inx\ne 0 \\ \dot{V}(x):ND\dot{V}(x)=\frac{\partial V}{\partial x}\frac{\partial x}{\partial t}=x\dot{x}=x\left(x^2-x^3+u\right)=x^3-x^4+xu \end{gathered}$$

根据$x^3$的函数图像知道$x^3$不是负定的，$x^4$是负定的，因此令u包含$-x^2$以消去$x^3$

令

$$u_2=-x^2-x\Rightarrow \dot{V}=-x^4-x^2$$

或者

$$u_3=-x^2\Rightarrow \dot{V}=-x^4$$

注：在控制器设计的时候，尽量避免引入x的高次项，这样会在输出引入一个非常大的项，增大反馈对应的输入。

反馈线性化控制

弹簧滑块拉力构成的动态方程：

$$m\ddot{x}+\alpha x^3=F$$

目标：改变F使得滑块按指定轨迹移动

令：

$F=u$输入

$x_1=x$位移

$x_2={\dot{x}}_1$速度

让$x_1\to x_{1d}$

$x_{1d}$为规定轨迹

$$\begin{array}{rl}{\dot{x}}_1& =\dot{x}=x_2\\ {\dot{x}}_2& =\ddot{x}=-\frac{\alpha }{m}{x}_1^3+\frac{1}{m}u\end{array}$$

通过改变输入u来控制${\dot{x}}_2\to x_2\to {\dot{x}}_1\to x_1$，这种系统称之为Chain of Integrator

引入误差e：

$$e=x_{1d}-x_1$$

目标：让$e\to 0$

误差随时间的变化：

$$\dot{e}={\dot{x}}_{1d}-{\dot{x}}_1={\dot{x}}_{1d}-x_2$$

找到Lyapunov函数：$V(e)$

$$\begin{array}{rl}& V(e):PD\\ & \dot{V}(e):ND\\ & \Rightarrow e\to 0\end{array}$$

设

$$V_1=\frac{1}{2}{e}^2$$

$${\dot{V}}_1=\frac{\partial V}{\partial e}\frac{\partial e}{\partial t}=e\dot{e}=e\left({\dot{x}}_{1d}-x_2\right)$$

希望${\dot{V}}_1$为ND，令

$$x_{2d}={\dot{x}}_{1d}+k_{1}e$$

此时${\dot{V}}_1=-k_1{e}^2$为负定（ND）函数

新目标：$x_2\to x_{2d}$（目的是使误差项最小化）

$$\delta =x_{2d}-x_2$$

$${\dot{V}}_1=e\left({\dot{x}}_{1d}-\left(x_{2d}-\delta \right)\right)=-k_1{e}^2+e\delta$$

$$\begin{gathered} \dot{\delta }={\dot{x}}_{2d}-{\dot{x}}_2=\ddot{x}={\ddot{x}}_{1d}+k_1\dot{e}-\left(-\frac{\alpha }{m}{x}_1^3+\frac{1}{m}u\right) \\ ={\ddot{x}}_{1d}+k_1\left({\dot{x}}_{1d}-x_2\right)-\left(-\frac{\alpha }{m}{x}_1^3+\frac{1}{m}u\right) \end{gathered}$$

• 注：代入法的思路

  消去中间误差以及新引入的量，只保留状态X，以及给定的轨迹$x_{1d}$，以及最后一个误差

目标：使$\delta ,e\to 0$

• 问：为什么要重新找V函数

  因为上式中无法保证${\dot{V}}_1$为ND，需要重新设定V函数

  设定$V_2$的方法类似于上步中$V_1$的方法，利用导数与原变量的关系凑方程式

$$\begin{array}{rl}& V(e,\delta ):PD\\ & \dot{V}(e,\delta ):ND\end{array}$$

令$V_2=V_1+\frac{1}{2}{\delta }^2$

因为$V_1$，$\frac{1}{2}{\delta }^2$都是PD，所以$V_2$也是PD

$$\begin{array}{rl}{\dot{V}}_2& ={\dot{V}}_1+\delta \dot{\delta }\\ & =-k_1{e}^2+\delta (e+\dot{\delta })\end{array}$$

前面的为ND，当然也希望后面的为ND，令$e+\dot{\delta }=-k_2\delta$

$$\begin{array}{c}e+{\ddot{x}}_{1d}+k_1\left({\dot{x}}_{1d}-x_2\right)-\left(-\frac{\alpha }{m}{x}_1^3+\frac{1}{m}u\right)=-k_2\delta \\ u=me+m{\ddot{x}}_{1d}+m{k}_1\left({\dot{x}}_{1d}-x_2\right)+\alpha x_1^3+m{k}_2\delta \end{array}$$

这是最终的表达式

稳定性验证：

$\delta =x_{2d}-x_2$代入$\dot{e}={\dot{x}}_{1d}-{\dot{x}}_1={\dot{x}}_{1d}-x_2$可得

$$\dot{e}=-k_{1}e+\delta$$

$u=me+m{\ddot{x}}_{1d}+m{k}_1\left({\dot{x}}_{1d}-x_2\right)+\alpha x_1^3+m{k}_2\delta$代入$\dot{\delta }$表达式可得

$$\begin{array}{rl}\dot{\delta }=& {\ddot{x}}_{1d}+k_1\left({\dot{x}}_{1d}-x_2\right)+\frac{\alpha }{m}{x}_1^3\\ & -e-{\ddot{x}}_{1d}-k_1\left({\dot{x}}_{1d}-x_2\right)-\frac{\alpha }{m}{x}_1^3-k_2\delta \\ =& -e-k_2\delta \end{array}$$

将$\dot{e}$和$\dot{\delta }$对应表达式写成矩阵形式

$$\left[\begin{array}{l}\dot{e}\\ \dot{\delta }\end{array}\right]=\left[\begin{array}{cc}-k_1& 1\\ -1& -k_2\end{array}\right]\left[\begin{array}{l}e\\ \delta \end{array}\right]$$

该系统为线性反馈系统（前面假设的时候k大于0）

$$\begin{array}{rl}& {\lambda }_1+{\lambda }_2=\Lambda =-k_1-k_2<0\\ & {\lambda }_1\cdot {\lambda }_2=k_1{k}_2+1>0\\ & \Rightarrow {\lambda }_1,{\lambda }_2<0\end{array}$$

• 问：系统渐进稳定的条件是什么？

  矩阵特征值均具有负实部（小于0），系统渐进稳定

平衡点为(0, 0)

$\left[\begin{array}{l}\dot{e}\\ \dot{\delta }\end{array}\right]=0\Rightarrow \left[\begin{array}{l}e\\ \delta \end{array}\right]=0\Rightarrow$渐进稳定

15.5非线性反步控制设计

$$\begin{array}{rl}& {\dot{x}}_1=x_1^2+x_2\\ & {\dot{x}}_2=x_1+u\end{array}$$

设计控制器$u\to {\dot{x}}_2\to x_2\to {\dot{x}}_1\to x_1$，这种系统称之为Chain of Integrator

step1:

设计$x_{2d}$（中间输入量），使得$x_1\to x_{1d}$，

引入误差$e=x_{1d}-x_1$，$e\to 0$

找到一个Lyapunov函数

$V(e)=\frac{1}{2}{e}^2$：PD

$\dot{V}(e)=e\dot{e}$：希望是ND

则有$\Rightarrow t\to \infty ,e\to 0$

$$e\dot{e}=e\left({\dot{x}}_{1d}-x_1^2-x_2\right)$$

设$\dot{e}=-k_{1}e$，则$e\dot{e}=-k_1{e}^2$是ND，

$$x_{2d}=k_{1}e+{\dot{x}}_{1d}-x_1^2$$

• 注：

  这里因为$x_2$满足$\dot{e}=-k_{1}e$，因此$x_2=x_{2d}$，此处用$x_{2d}$表示

step2:

设计$u$，使得$x_2\to x_{2d}$

引入新的误差$\delta =x_{2d}-x_2$，$\delta \to 0$

找到一个Lyapunov函数

• 注：需要设计一个什么样的函数

  该函数需要包含原变量$e$以及新变量$\delta$

$V(e,\delta )=\frac{1}{2}{e}^2+\frac{1}{2}{\delta }^2$：PD

$\dot{V}(e,\delta )=e\dot{e}+\delta \dot{\delta }$：希望是ND

则有$\Rightarrow t\to \infty ,e\to 0$

$$e\dot{e}+\delta \dot{\delta }=e\left({\dot{x}}_{1d}-x_1^2-x_2\right)+\delta \dot{\delta }$$

其中$x_2=x_{2d}-\delta =k_{1}e+{\dot{x}}_{1d}-x_1^2-\delta$

$$\begin{array}{rl}e\dot{e}+\delta \dot{\delta }& =e\left(-k_{1}e+\delta \right)+\delta \dot{\delta }\\ & =-k_1{e}^2+\delta (e+\dot{\delta })\end{array}$$

• 问：上式中$\dot{e}$为什么不用$-k_{1}e$代换？

  因为此处需要$x_2$参与计算，如果代入$-k_{1}e$，则默认$x_2=x_{2d}$，但此处$\dot{\delta }={\dot{x}}_{2d}-{\dot{x}}_2$，两者不相等

前项为ND，当$e+\dot{\delta }=-k_2\delta$，后项也为ND

• 注：ND负定满足的条件

  除了原点为零点其他都小于零

$$\begin{array}{rl}e+\dot{\delta }& =e+{\dot{x}}_{2d}-{\dot{x}}_2\\ & =e+k_1\dot{e}+{\ddot{x}}_{1d}-2x_1{\dot{x}}_1-\left(x_1+u\right)\\ & =e+k_1\dot{e}+{\ddot{x}}_{1d}-2x_1\left(x_1^2+x_2\right)-\left(x_1+u\right)\\ & =e+k_1\left({\dot{x}}_{1d}-x_1^2-x_2\right)+{\ddot{x}}_{1d}-2x_1\left(x_1^2+x_2\right)-\left(x_1+u\right)\\ & =-k_2\delta \end{array}$$

$$u=e+k_1\left({\dot{x}}_{1d}-\left(x_1^2+x_2\right)\right)+{\ddot{x}}_{1d}-2x_1\left(x_1^2+x_2\right)-x_1+k_2\delta$$

总结：

控制$u$使得$x_1$追寻$x_{1d}$分为两部分

• 通过控制$u$来控制$x_2$ ($x_2\to x_{2d}$)
• 通过控制$x_2$来控制$x_1$ ($x_1\to x_{1d}$)

设计控制器的时候要反向来做，因此叫back-stepping

非线性自适应控制器

假设参数a为常数

$$\begin{array}{c}\dot{x}=a{x}^2+u\\ \dot{e}={\dot{x}}_d-\dot{x}={\dot{x}}_d-a{x}^2-u\end{array}$$

估计：$\hat{a}$

给i及参数：$\tilde{a}$

$$\dot{\tilde{a}}=\dot{a}-\dot{\hat{a}}=-\dot{\hat{a}}$$

Define Lyapunov function:

$$V(e,\tilde{a})=\frac{1}{2}{e}^2+\frac{1}{2}{\tilde{a}}^2$$

$V(e,\tilde{a})$is PD.

$$\begin{array}{rl}\dot{V}(e,\tilde{a})& =e\dot{e}+\tilde{a}\dot{\tilde{a}}\\ & =e\left({\dot{x}}_d-a{x}^2-u\right)-\tilde{a}\dot{\hat{a}}\\ & =e\left(-(a-\hat{a})x^2-ke\right)-\tilde{a}\dot{\hat{a}}\\ & =-k{e}^2-\tilde{a}\left(e{x}^2+\dot{\hat{a}}\right)\end{array}$$

其中令$u={\dot{x}}_d-\hat{a}{x}^2+ke$，

令$e{x}^2+\dot{\hat{a}}=0$

$$\begin{array}{rl}\dot{V}(e,\tilde{a})& =-k{e}^2\\ \dot{V}(0,\tilde{a})& =0\end{array}$$

因此$\dot{V}(e,\tilde{a})$为NSD

$$\hat{a}={\int }_0^{t}e{x}^{2}dt$$

$$u={\dot{x}}_d+x^2{\int }_0^{t}e{x}^{2}dt+ke$$

非线性鲁棒控制 (Robust Control)

滑模控制

上一讲，参数未知，只知道它有界

$$\dot{x}=a{x}^2+u$$

$\begin{array}{rl}& x\to x_d\\ & x_d-x=e\to 0\end{array}$

一般形式

$$\dot{x}=f(x)+u$$

目标：$x\to x_d$

$$\dot{e}={\dot{x}}_d-\dot{x}={\dot{x}}_d-f(x)-u|f(x)|\le \rho (x)$$

令$u={\dot{x}}_d+ke+\rho \frac{|e|}{e}$

$\frac{|e|}{e}$为符号函数(sgn(e))：

$$\frac{|e|}{e}=\{\begin{array}{l}1,e>0\\ 0,e=0\\ -1,e<0\end{array}$$

证明上面的误差项导数$\dot{e}$公式，需要从Lyapunov方程的角度去考虑

$$V(e)=\frac{1}{2}{e}^2$$

$$\begin{array}{rl}\dot{V}(e)& =e\dot{e}=e\left({\dot{x}}_d-f(x)-u\right)\\ & =e\dot{e}=e\left({\dot{x}}_d-f(x)-\left({\dot{x}}_d+ke+\rho \frac{|e|}{e}\right)\right)\\ & =-k{e}^2-ef(x)-\rho |e|\\ & \le -k{e}^2+|e||f(x)|-\rho |e|\\ & \le -k{e}^2+|e|\rho -\rho |e|\\ & =-k{e}^2\\ & =-2kV(e)\end{array}$$

$$\dot{V}(e)+2kV(e)\le 0$$

解上述微分方程不等式，引入松弛变量$S(t)>0$

$$\dot{V}(e)+2kV(e)+S(t)=0$$

微分方程

$$\dot{V}(e)+2kV(e)=-S(t)$$

一阶线性微分方程通解

$$V(t)=V(0)\exp (-2kt)-\exp (-2kt){\int }_0^t\exp (-2k\tau )S(\tau )d\tau$$

• 注：不要与误差项e弄混

右项大于0

$$\begin{array}{rl}V(t)& \le V(0)\exp (-2kt)\\ \frac{1}{2}{e}^2(t)& \le \frac{1}{2}{e}^2(0)\exp (-2kt)\\ \sqrt{\frac{1}{2}{e}^2(t)}& \le \sqrt{\frac{1}{2}{e}^2(0)\exp (-2kt)}\\ |e(t)|& \le |e(0)\exp (-kt)|\end{array}$$

因此是指数渐进稳定exponentially Stable

$$\begin{array}{rl}\dot{e}& ={\dot{x}}_d-f(x)-\left({\dot{x}}_d+ke+\rho \frac{|e|}{e}\right)\\ & =-ke-f(x)-\rho \frac{|e|}{e}\end{array}$$

$\dot{e}=-ke$的相平面：

上式中后两项是控制项，当系统偏离$\dot{e}=-ke$时，控制器会想办法滑到线上，这样一个过程称之为滑模控制。(Sliding Mode)

$$\dot{x}=a{x}^2+u$$

$|a|\le |\bar{a}|$

$$\begin{array}{c}|f(x)|=|a|x^2\le |\bar{a}|x^2<|\bar{a}|\left(x^2+0.1\right)\\ u=ke+{\dot{x}}_d+|\bar{a}|\left(x^2+0.1\right)\frac{|e|}{e}\end{array}$$

u为控制器

High Gain高增益 and High Frequency Controller高频

一般形式

$$\dot{x}=f(x)+u$$

目标：$x\to x_d$

$f(x)$为不确定值且有界，$|f(x)<\rho (x)|$

误差动态响应：

$$\dot{e}={\dot{x}}_d-\dot{x}={\dot{x}}_d-f(x)-u$$

令$u=ke+{\dot{x}}_d+u_{aux}$

回顾：三种类型的鲁棒控制

1. Sliding Model

   $$u_{aux1}=\rho \frac{|e|}{e}$$

   滑模控制其实是在两个不同的模式不停的切换

   符号函数不是+1就是-1，对于执行器带来了很大的挑战，比如自动驾驶，方向盘突然转向。

   特性：

   $$t\to \infty ,e\to 0$$

2. High Gain

   $$u_{aux2}=\frac{1}{\epsilon }{\rho }^{2}e$$

   High Gain：用足够大的输入去抵消不确定性

   特性：

   $$|e(t)|=\sqrt{\frac{\epsilon }{k}}$$

3. High Frequency

   $$u_{aux3}=\frac{{\rho }^{2}e}{\rho |e|+\epsilon }$$

   High Frequency：

   $$\begin{gathered} \epsilon =0:SlidingModel \\ \epsilon \ne 0:u_{\text{aux}3}<\rho \end{gathered}$$

   特性：

   $$|e(t)|=\sqrt{\frac{\epsilon }{k}}$$

对比：High Frequency控制相对于滑模控制来说，两个不同的模式之间的切换更平滑

稳定性证明

证明High Gain系统的稳定性

令$V=\frac{1}{2}{e}^2$

$$\begin{array}{rl}\dot{V}& =e\dot{e}=-ef(x)-k{e}^2-\frac{1}{\epsilon }{\rho }^2{e}^2\\ & \le |e\Vert f(x)|-k{e}^2-\frac{1}{\epsilon }{\rho }^2{e}^2\\ & \le |e|\rho -k{e}^2-\frac{1}{\epsilon }{\rho }^2|e{|}^2\\ & =-k{e}^2+\rho |e|\left(1-\frac{1}{\epsilon }\rho |e|\right)\end{array}$$

case 1:

$$\begin{array}{rl}& \rho |e|>\epsilon \\ & \Rightarrow \frac{1}{\epsilon }\rho |e|>1\\ & \Rightarrow 1-\frac{1}{\epsilon }\rho |e|<0\\ & \Rightarrow \rho |e|\left(1-\frac{1}{\epsilon }\rho |e|\right)<0\\ & \Rightarrow \dot{V}\le -k{e}^2\\ & \Rightarrow \dot{V}\le -2kV\end{array}$$

case 2:

$$\begin{array}{rl}& \rho |e|\le \epsilon \\ & \Rightarrow \frac{1}{\epsilon }\rho |e|\le 1\\ & \Rightarrow 1\ge 1-\frac{1}{\epsilon }\rho |e|\ge 0\\ & \Rightarrow \epsilon \ge \rho |e|\ge \left(1-\frac{1}{\epsilon }\rho |e|\right)\\ & \Rightarrow \dot{V}\le -k{e}^2+\epsilon \\ & \Rightarrow \dot{V}\le -2kV+\epsilon \end{array}$$

求解微分方程不等式，引入$S(t)>0$

$$\dot{V}+2kV=\epsilon -S(t)$$

一阶常系数非齐次线性微分方程通解

$$\begin{array}{rl}V(t)& =V(0)\exp (-2kt)-\exp (-2kt){\int }_0^t\exp (-2k\tau )S(\tau )d\tau +\epsilon \exp (-2kt){\int }_0^t\exp (2k\tau )d\tau \\ \frac{1}{2}{e}^2(t)& \le \frac{1}{2}{e}^2(0)\exp (-2kt)-0+\frac{\epsilon }{2k}(1-\exp (-2kt))\\ |e(t)|& \le \sqrt{|e(0)|\exp (-2kt)+\frac{\epsilon }{k}(1-\exp (-2kt))}\end{array}$$

• 注：这里使用的函数求解法

  牛顿-莱布尼茨公式：${\int }_a^{b}f(x)dx=F(b)-F(a)={F(x)|}_a^b$（将变量x换成其他函数不改变积分上下限）

  换元法：$d(ax)=ad(x)$

当$t\to \infty$

$$|e(t)|=\sqrt{\frac{\epsilon }{k}}$$

Globally Uniformly Ultimately Bounded (GUUB)，该结果为始终有界的结果

$\epsilon$很小的时候，稳态误差很小$e\to 0$，但是输入很大$u_{aux2}=\frac{1}{\epsilon }{\rho }^{2}e$

因此需要自己权衡误差。

证明High Frequency系统的稳定性

$$u_{\text{aux }3}=\frac{{\rho }^{2}e}{\rho |e|+\epsilon }$$

令$V=\frac{1}{2}{e}^2$

$$\begin{array}{rl}\dot{V}& =e\dot{e}\le -k{e}^2+\rho |e|-e\frac{{\rho }^{2}e}{\rho |e|+\epsilon }\\ & =-k{e}^2+\frac{{\rho }^2|e{|}^2+{\rho }^2|e|\epsilon -{\rho }^2{e}^2}{\rho |e|+\epsilon }\\ & =-k{e}^2+\epsilon \frac{{\rho }^2|e|}{\rho |e|+\epsilon }\\ & \Rightarrow \dot{V}\le -k{e}^2+\epsilon \end{array}$$

和$u_{aux2}$相同，当$t\to \infty$

$$|e(t)|=\sqrt{\frac{\epsilon }{k}}$$

三种鲁棒控制器的比较

详见上章内容——回顾：三种类型的鲁棒控制

$$\dot{x}=f(x)+u$$

$|a|\le 1$

目标：$x\to x_d$

$$f(x)=a{x}^2\le |a||x{|}^2\le x^2<x^2+0.1=\rho$$

$\rho$为系统的不确定扰动量