写在前面:
🌟 欢迎光临 清流君 的博客小天地,这里是我分享技术与心得的温馨角落。📝
个人主页:清流君_CSDN博客,期待与您一同探索 移动机器人 领域的无限可能。
🔍 本文系 清流君 原创之作,荣幸在CSDN首发🐒
若您觉得内容有价值,还请评论告知一声,以便更多人受益。
转载请注明出处,尊重原创,从我做起。
👍 点赞、评论、收藏,三连走一波,让我们一起养成好习惯😜
在这里,您将收获的不只是技术干货,还有思维的火花!
📚 系列专栏:【运动控制】系列,带您深入浅出,领略控制之美。🖊
愿我的分享能为您带来启迪,如有不足,敬请指正,让我们共同学习,交流进步!
🎭 人生如戏,我们并非能选择舞台和剧本,但我们可以选择如何演绎 🌟
感谢您的支持与关注,让我们一起在知识的海洋中砥砺前行~~~
文章目录
引言
本篇博客讲解两种鲁棒控制器的设计:高增益鲁棒控制器(High Gain Robust Controller) 和 高频率鲁棒控制器(High Frequency Robust Controller),内容整理自 B站知名up主 DR_CAN 的视频,作为博主的学习笔记,分享给大家共同学习。
一、系统描述与控制目标
有以下系统:
x
˙
=
f
(
x
)
+
u
\dot { x } = f ( x ) + u
x˙=f(x)+u 目标是轨迹跟踪,令
x
→
x
d
x\rightarrow x_d
x→xd,即令
e
=
x
d
−
x
→
0
e = x d - x \rightarrow 0
e=xd−x→0 ,已知系统的
f
(
x
)
f(x)
f(x) 是不确定的有界值,即
∣
f
(
x
)
∣
<
ρ
(
x
)
| f ( x ) | < \rho ( x )
∣f(x)∣<ρ(x)。符合建立鲁棒控制器的基本条件。
二、误差的动态响应
误差的动态响应
e
˙
=
x
˙
d
−
x
˙
=
x
d
−
f
(
x
)
−
u
\dot { e } = \dot { x } _ { d } - \dot { x } = x _ { d } - f ( x ) - u
e˙=x˙d−x˙=xd−f(x)−u 不妨令
u
=
k
e
+
x
˙
d
+
u
a
u
x
u = k e + \dot x _d + u_{ a u x}
u=ke+x˙d+uaux 其中,
u
a
u
x
u_{aux}
uaux 意为辅助控制器。
在上一篇博客中讲到,可令
u
a
u
x
=
ρ
e
∣
e
∣
u _ { a u x } = \rho \frac { e } { | e | }
uaux=ρ∣e∣e 这种控制方法叫做滑模控制。其中,
e
∣
e
∣
\frac { e } { | e | }
∣e∣e 的图像如下所示:
代入
u
a
u
x
u_{aux}
uaux
e
˙
=
−
k
e
−
f
(
x
)
−
ρ
e
∣
e
∣
\dot e = - k e - f ( x ) - \rho \frac { e } { | e | }
e˙=−ke−f(x)−ρ∣e∣e 前面的部分
e
˙
=
−
k
e
\dot e = - k e
e˙=−ke是稳定的一种情况,在相平面的图形是这样的:
后面的部分 − f ( x ) − ρ e ∣ e ∣ - f ( x ) - \rho \frac { e } { | e | } −f(x)−ρ∣e∣e 如果系统状态在滑模面上面或者下面时,想办法引到这条线上来,整体来说是在两个不同的模式中不断切换的。所以叫做滑膜控制,
但同时可以看到这样的一种形式会存在问题,因为
e
∣
e
∣
\frac { e } { | e | }
∣e∣e 不是
1
1
1 就是
−
1
-1
−1,导致
u
u
u 可能会是这样:
从正值到负值来回切换,这样会给执行器带来很大的挑战。所以这是值得注意的一点,比如设计自动驾驶使用这种控制器,方向盘位置会从原来的比如 8 8 8 点钟方向突然转到 4 4 4 点钟方向,然后再突然间转回去,这是需要避免的情况。
下面介绍另外两种不同的控制器设计方法:
-
高增益鲁棒控制器(High gain)
-
高频率鲁棒控制器(high frequency)
三、高增益鲁棒控制器
3.1 设计理念
对于高增益鲁棒控制器来说,它的理念就是用足够大的输入抵消不确定性。
3.2 控制器形式
U a u x 2 = 1 ε ρ 2 e U _ { a u x 2 } = \frac { 1 } { \varepsilon } \rho ^ { 2 } e Uaux2=ε1ρ2e 表达式中有平方项,所以可以预想到它的输入非常大,当然 ε \varepsilon ε 都是大于 0 0 0 的。
3.3 稳定性分析
通过李雅普诺夫方程证明,最终误差有界。
u
a
u
x
2
=
1
ε
ρ
2
e
u _ { a u x 2 } = \frac { 1 } { \varepsilon} \rho ^ { 2 } e
uaux2=ε1ρ2e 从李雅普诺夫方程入手,令
V
=
1
2
e
2
V = \frac { 1 } { 2 } e ^ { 2 }
V=21e2 则
v
˙
=
e
e
˙
=
e
(
x
˙
d
−
f
(
x
)
−
k
e
−
x
˙
d
−
1
ε
ρ
2
e
)
=
−
e
f
(
x
)
−
k
e
2
−
1
ε
ρ
2
e
2
\begin{aligned} \dot{v}&=e\dot{e}=e\left( \dot{x}_d-f\left( x \right) -ke-\dot{x}_d-\frac{1}{\varepsilon}\rho ^2e \right)\\ &=-ef\left( x \right) -ke^2-\frac{1}{\varepsilon}\rho ^2e^2\\ \end{aligned}
v˙=ee˙=e(x˙d−f(x)−ke−x˙d−ε1ρ2e)=−ef(x)−ke2−ε1ρ2e2 前面这一部分
−
e
f
(
x
)
≤
∣
e
∣
∣
f
(
x
)
∣
- e f ( x ) \leq | e | | f ( x ) |
−ef(x)≤∣e∣∣f(x)∣,由于
∣
f
(
x
)
∣
<
ρ
(
x
)
| f ( x ) | < \rho ( x )
∣f(x)∣<ρ(x),所以
−
e
f
(
x
)
≤
∣
e
∣
∣
f
(
x
)
∣
≤
∣
e
∣
ρ
- e f ( x ) \leq | e | | f ( x ) |\le |e|\rho
−ef(x)≤∣e∣∣f(x)∣≤∣e∣ρ 则
V
˙
≤
ρ
∣
e
∣
−
k
e
2
−
1
ε
ρ
2
∣
e
∣
2
=
−
k
e
2
+
ρ
∣
e
∣
(
1
−
1
ε
ρ
∣
e
∣
)
\dot V \leq \rho | e | - k e ^ { 2 } - \frac { 1 } { \varepsilon } \rho ^ { 2 } | e | ^ { 2 } = - k e ^ { 2 } + \rho | e | ( 1 - \frac { 1 } { \varepsilon } \rho | e | )
V˙≤ρ∣e∣−ke2−ε1ρ2∣e∣2=−ke2+ρ∣e∣(1−ε1ρ∣e∣) 有两种情况:
第一种情况:
ρ
∣
e
∣
>
ε
\rho |e | > \varepsilon
ρ∣e∣>ε,导致
1
ε
ρ
∣
e
∣
>
1
⇒
∣
−
1
ε
ρ
∣
e
∣
<
0
⇒
ρ
∣
e
∣
(
1
−
1
ε
ρ
∣
e
∣
)
<
0
\frac { 1 } { \varepsilon } \rho | e | > 1 \Rightarrow | - \frac { 1 } { \varepsilon } \rho| e | < 0 \Rightarrow\rho | e | ( 1 - \frac { 1 } { \varepsilon } \rho | e | ) < 0
ε1ρ∣e∣>1⇒∣−ε1ρ∣e∣<0⇒ρ∣e∣(1−ε1ρ∣e∣)<0 则
V
˙
≤
−
k
e
2
+
0
⇒
V
˙
≤
−
k
e
2
\dot { V } \leq - k e ^ { 2 } + 0 \Rightarrow \dot { V } \leq - k e ^ { 2 }
V˙≤−ke2+0⇒V˙≤−ke2
在上一篇博客中讲解过如何把微分方程不等式化成等式再求解,大家可以去参考一下:
【控制理论】深入理解鲁棒控制 | 滑模控制原理与应用实例解析
第二种情况:
ρ
∣
e
∣
<
ε
\rho |e | < \varepsilon
ρ∣e∣<ε,所以
1
ε
ρ
∣
e
∣
≤
1
⇒
1
≥
1
−
1
ε
ρ
∣
e
∣
≥
0
⇒
ρ
∣
e
∣
≥
ρ
∣
e
∣
(
1
−
1
ε
ρ
∣
e
∣
)
\frac { 1 } { \varepsilon } \rho | e | \leq 1 \Rightarrow 1 \geq 1 - \frac { 1 } { \varepsilon } \rho | e | \geq 0 \Rightarrow \rho | e | \geq \rho | e | ( 1 - \frac { 1 } { \varepsilon } \rho | e | )
ε1ρ∣e∣≤1⇒1≥1−ε1ρ∣e∣≥0⇒ρ∣e∣≥ρ∣e∣(1−ε1ρ∣e∣) 因为
ρ
∣
e
∣
<
ε
\rho |e | < \varepsilon
ρ∣e∣<ε,所以
ε
≥
ρ
∣
e
∣
≥
ρ
∣
e
∣
(
1
−
1
ε
ρ
∣
e
∣
)
\varepsilon \ge \rho | e | \geq \rho | e | ( 1 - \frac { 1 } { \varepsilon } \rho | e | )
ε≥ρ∣e∣≥ρ∣e∣(1−ε1ρ∣e∣) 则
V
˙
≤
−
k
e
2
+
ε
\dot { V } \leq - k e ^ { 2 } + \varepsilon
V˙≤−ke2+ε 根据设定,
V
=
1
2
e
2
V = \frac { 1 } { 2 } e ^ { 2 }
V=21e2 ,即
−
k
e
2
=
−
2
k
V
- k e ^ { 2 } = - 2 k V
−ke2=−2kV,可以写成
V
˙
≤
−
2
k
V
+
ε
\dot V \leq - 2 k V + \varepsilon
V˙≤−2kV+ε 这是微分方程不等式,求解不等式需要引入
S
(
t
)
S(t)
S(t),它是永远是正值的函数。下面的不等式就可以化成等式
V
˙
+
2
k
V
=
ε
−
S
(
t
)
\dot { V } + 2 k V= \varepsilon - S ( t )
V˙+2kV=ε−S(t) 它是一阶常系数线性非齐次微分方程,它的解为
V
(
t
)
=
V
(
0
)
exp
(
−
2
k
t
)
−
exp
(
−
2
k
t
)
∫
0
t
exp
(
2
k
τ
)
S
(
τ
)
d
τ
+
ε
exp
(
−
2
k
t
)
∫
0
t
exp
(
2
k
τ
)
d
τ
V { ( t ) } = V { ( 0 ) } \text{exp} ( - 2 k t ) - \text{exp} ( - 2 k t ) \int _ { 0 } ^ { t } \text{exp} ( 2 k \tau ) S ( \tau ) d \tau + \varepsilon \text{exp} ( - 2 k t ) \int _ { 0 } ^ { t } \text{exp} ( 2 k \tau ) d \tau
V(t)=V(0)exp(−2kt)−exp(−2kt)∫0texp(2kτ)S(τ)dτ+εexp(−2kt)∫0texp(2kτ)dτ 中间项,
exp
(
2
k
τ
)
>
0
\text{exp} ( 2 k \tau )>0
exp(2kτ)>0 ,
S
(
τ
)
>
0
S(\tau)>0
S(τ)>0,所以
∫
0
t
exp
(
2
k
τ
)
S
(
τ
)
d
τ
>
0
\int _ { 0 } ^ { t } \text{exp} ( 2 k \tau ) S ( \tau ) d \tau>0
∫0texp(2kτ)S(τ)dτ>0 。然后
exp
(
−
2
k
t
)
>
0
\text{exp} ( - 2 k t )>0
exp(−2kt)>0,所以整个这一项都大于
0
0
0。
最后一项:
ε
exp
(
−
2
k
t
)
∫
0
t
exp
(
2
k
τ
)
d
τ
=
ε
exp
(
−
2
k
t
)
1
2
k
∫
0
t
exp
(
2
k
τ
)
d
(
2
k
τ
)
=
ε
exp
(
−
2
k
t
)
1
2
k
exp
(
2
k
τ
)
∣
0
t
=
ε
exp
(
−
2
k
τ
)
1
2
k
(
e
x
p
(
2
k
t
)
−
1
)
=
ε
2
k
(
1
−
exp
(
−
2
k
t
)
)
\begin{aligned} &\varepsilon \exp \left( -2kt \right) \int_0^{\text{t}}{\exp \left( 2k\tau \right) d\tau}\\ =&\varepsilon \exp \left( -2kt \right) \frac{1}{2k}\int_0^{\text{t}}{\exp \left( 2k\tau \right) d\left( 2k\tau \right)}\\ =&\varepsilon \exp \left( -2kt \right) \frac{1}{2k}\exp \left( 2\text{k}\tau \right) |_{0}^{t}\\ =&\varepsilon \exp \left( -2k\tau \right) \frac{1}{2k}\left( exp\left( 2kt \right) -1 \right)\\ =&\frac{\varepsilon}{2k}\left( 1-\,\,\exp \left( -2kt \right) \right)\\ \end{aligned}
====εexp(−2kt)∫0texp(2kτ)dτεexp(−2kt)2k1∫0texp(2kτ)d(2kτ)εexp(−2kt)2k1exp(2kτ)∣0tεexp(−2kτ)2k1(exp(2kt)−1)2kε(1−exp(−2kt)) 所以
V
(
t
)
≤
V
(
0
)
exp
(
−
2
k
t
)
−
0
+
e
2
k
(
1
−
exp
(
−
2
k
t
)
)
V ( t ) \leq V { ( 0 ) } \text{exp} ( - 2 k t ) - 0 + \frac { e } { 2 k } ( 1 - \text{exp} ( - 2 k t ) )
V(t)≤V(0)exp(−2kt)−0+2ke(1−exp(−2kt)) 带入
1
2
e
2
\frac { 1 } { 2 } e ^ { 2 }
21e2:
1
2
e
2
(
t
)
=
≤
1
2
e
2
(
0
)
exp
(
−
2
k
t
)
−
0
+
e
2
k
(
1
−
exp
(
−
2
k
t
)
)
\frac { 1 } { 2 } e ^ { 2 }(t)= \leq \frac { 1 } { 2 } e ^ { 2 }(0) \text{exp} ( - 2 k t ) - 0 + \frac { e } { 2 k } ( 1 - \text{exp} ( - 2 k t ) )
21e2(t)=≤21e2(0)exp(−2kt)−0+2ke(1−exp(−2kt)) 左右开根号得到
∣
e
(
t
)
∣
≤
∣
e
(
0
)
∣
exp
(
−
2
k
t
)
+
ε
k
−
ε
k
exp
(
2
k
t
)
|e\left( {t} \right) |\leq \sqrt{|e(0)|\exp \left( -2kt \right) +\frac{\varepsilon}{k}-\frac{\varepsilon}{k}\exp \left( 2kt \right)}
∣e(t)∣≤∣e(0)∣exp(−2kt)+kε−kεexp(2kt) 随着时间
t
→
∞
t\rightarrow \infty
t→∞,最终结果
∣
e
(
t
)
∣
≤
ε
k
| e ( t ) | \leq \sqrt { \frac { \varepsilon } { k } }
∣e(t)∣≤kε 它不是趋近于
0
0
0 的结果,但在最后误差会小于某个值。这种情况叫做 全局一致最终有界(globally uniformly ultimately bounded)。
随着 ε \varepsilon ε 的减小,当 ε \varepsilon ε 非常小时,可以考虑 e → 0 e\rightarrow0 e→0。而在这种情况下, u a u x 2 = 1 ε ρ 2 e u _ { a u x _ { 2 } } = \frac { 1 } { \varepsilon} \rho ^ { 2 } e uaux2=ε1ρ2e 就会变得非常大,所以要做权衡,多大的误差是可以接受的,同时不能让执行器有太大的负担。
四、高频率鲁棒控制器
4.1 设计理念
在滑模控制的基础上,使切换变得平缓
4.2 控制器形式
U
a
u
x
3
=
ρ
2
e
ρ
∣
e
∣
+
ε
U _ { a u x 3 } = \frac { \rho ^ { 2 } e } { \rho | e | + \varepsilon }
Uaux3=ρ∣e∣+ερ2e 当
ε
=
0
\varepsilon=0
ε=0 时
ρ
2
e
ρ
∣
e
∣
=
ρ
e
∣
e
∣
\frac { \rho ^ { 2 } e } { \rho | e | } = \rho \frac { e } { | e | }
ρ∣e∣ρ2e=ρ∣e∣e 就是滑模控制。
而当
ε
≠
0
\varepsilon\ne0
ε=0 时,可得
ρ
2
e
ρ
∣
e
∣
+
ε
<
1
\frac { \rho ^ { 2 } e } { \rho | e | +\varepsilon} < 1
ρ∣e∣+ερ2e<1 在图像上画出来是这样的形式:
上面的两条蓝线是
1
1
1 和
−
1
-1
−1,两条红线就是
ρ
2
e
ρ
∣
e
∣
+
ε
\frac { \rho ^ { 2 } e } { \rho | e | +\varepsilon}
ρ∣e∣+ερ2e,在里面之内的。和滑模控制相比,相当于把蓝线变到了红线的位置,即切换变得平缓一些。
4.3 稳定性分析
u
a
u
x
3
u _ { a u x _ { 3 } }
uaux3 的稳定性的证明和
u
a
u
x
2
u _ { a u x _ { 2 } }
uaux2 的证明差不多。
u
a
u
x
3
=
ρ
2
e
ρ
∣
e
∣
+
ε
u _ { aux3 } = \frac { \rho ^ { 2 } e } { \rho | e | + \varepsilon }
uaux3=ρ∣e∣+ερ2e
V
=
1
2
e
2
V
˙
=
e
e
˙
≤
−
k
e
2
+
ρ
∣
e
∣
−
e
ρ
2
e
ρ
∣
e
∣
+
ε
=
−
k
e
2
+
ρ
2
∣
e
∣
2
+
ρ
∣
e
∣
ε
−
ρ
2
e
2
ρ
∣
e
∣
+
ε
V = \frac { 1 } { 2 } e ^ { 2 } \\ \dot { V } = e \dot { e } \leq - k e ^ { 2 } + \rho | e | - e \frac { \rho ^ { 2 } e } { \rho | e | + \varepsilon } = - k e ^ { 2 } + \frac { \rho ^ { 2 } | e| ^ { 2 } + \rho|e| \varepsilon - \rho^ { 2 } e ^ { 2 } } { \rho | e | + \varepsilon }
V=21e2V˙=ee˙≤−ke2+ρ∣e∣−eρ∣e∣+ερ2e=−ke2+ρ∣e∣+ερ2∣e∣2+ρ∣e∣ε−ρ2e2
V
˙
≤
−
k
e
2
+
ε
(
ρ
∣
e
∣
ρ
∣
e
∣
+
ε
)
\dot { V } \leq - k e ^ { 2 } + \varepsilon ( \frac { \rho | e | } { \rho | e | +\varepsilon } )
V˙≤−ke2+ε(ρ∣e∣+ερ∣e∣) 其中
0
≤
ρ
∣
e
∣
ρ
∣
e
∣
+
ε
≤
1
0 \leq \frac { \rho | e | } { \rho | e | + \varepsilon } \leq 1
0≤ρ∣e∣+ερ∣e∣≤1
V
˙
≤
−
k
e
2
+
ε
\dot { V } \leq - k e ^ { 2 } + \varepsilon
V˙≤−ke2+ε 与
u
a
u
x
3
u _ { aux3 }
uaux3 结果相似
∣
e
∣
<
ε
k
| e | < \sqrt { \frac { \varepsilon } { k} }
∣e∣<kε 最后的结果也一样,也是最后会限制在
ε
k
\sqrt { \frac { \varepsilon } { k} }
kε 区域内。
五、总结
通过上面的推导,说明了一个道理,就是当有系统
x
˙
=
f
(
x
)
+
u
\dot { x } = f ( x ) + u
x˙=f(x)+u 如果目标是令
x
→
x
d
x\rightarrow x_d
x→xd ,即令
e
=
x
d
−
x
→
0
e = x d - x \rightarrow 0
e=xd−x→0,同时系统又满足
∣
f
(
x
)
∣
<
ρ
(
x
)
| f ( x ) | < \rho ( x )
∣f(x)∣<ρ(x),这时可以设计不同的鲁棒控制器,使系统抵消不确定因素。
可以令
u
=
x
˙
d
−
k
e
+
u
a
u
x
u = \dot x_d - k e + u_{ a u x}
u=x˙d−ke+uaux 其中,
u a u x = ρ e ∣ e ∣ u_{aux}=\rho \frac{e}{|e|} uaux=ρ∣e∣e 为滑模控制
u a u x = 1 ε ρ 2 e u_{aux}=\frac{1}{\varepsilon}\rho ^2e uaux=ε1ρ2e 为高增益鲁棒控制
u a u x = ρ 2 e ρ ∣ e ∣ + ε u_{aux}=\frac{\rho ^2e}{\rho |e|+\varepsilon} uaux=ρ∣e∣+ερ2e 为高频鲁棒控制
参考资料
【Advanced控制理论】18_Robust Control (2)_鲁棒控制_High Gain_High Frequency
后记:
🌟 感谢您耐心阅读这篇关于 高增益与高频率鲁棒控制器的设计与分析 的技术博客。 📚
🎯 如果您觉得这篇博客对您有所帮助,请不要吝啬您的点赞和评论 📢
🌟您的支持是我继续创作的动力。同时,别忘了收藏本篇博客,以便日后随时查阅。🚀
🚗 让我们一起期待更多的技术分享,共同探索移动机器人的无限可能!💡
🎭感谢您的支持与关注,让我们一起在知识的海洋中砥砺前行 🚀