跳转至

状态空间与能控能观

一句话:传递函数只描述"输入到输出",状态空间把系统内部摊开——\(\dot{\mathbf x}=A\mathbf x+B\mathbf u\)。而能控/能观回答两个根本问题:我的执行器够不够得着每个状态?我的传感器看不看得见每个状态?

前置知识

一、传递函数不够用了

前五篇一直用 \(G(s)=Y(s)/U(s)\)。它很好用,但有四个硬伤:

局限 具体表现
只看得到输入输出 系统内部状态可能已经剧烈振荡,端口上却看不出来
默认零初始条件 有初始储能(电容带电、物体有初速度)时不方便
难推广到 MIMO 多输入多输出要写成传递函数矩阵,越写越乱
零极点对消会骗人 一个不稳定模态被对消掉,\(G(s)\) 上看不见,系统内部却在发散

状态空间把"内部"显式写出来,这四条都解决了。它也是卡尔曼滤波 / ESKF 的母语——滤波器估的就是状态 \(\mathbf x\)。

二、状态与状态空间表达式

2.1 什么是"状态"

状态 = 能完全决定系统未来行为的最小变量集合:给定 \(\mathbf x(t_0)\) 和 \(t\ge t_0\) 的输入 \(\mathbf u(t)\),就能唯一算出之后任意时刻的行为。

注意"最小"二字:状态变量个数 = 系统独立储能元件个数 = 微分方程的阶数。质量-弹簧-阻尼是二阶系统(弹簧存势能、质量存动能),所以需要 2 个状态变量。

2.2 四个矩阵

\[\dot{\mathbf x}=A\mathbf x+B\mathbf u,\qquad \mathbf y=C\mathbf x+D\mathbf u\]
符号 名称 维度 作用
\(\mathbf x\) 状态向量 \(n\times 1\) 系统的"记忆"
\(\mathbf u\) 输入 \(p\times 1\) 执行器能施加的量
\(\mathbf y\) 输出 \(q\times 1\) 传感器能测到的量
\(A\) 系统矩阵 \(n\times n\) 状态自己怎么演化(决定极点)
\(B\) 输入矩阵 \(n\times p\) 输入从哪儿进
\(C\) 输出矩阵 \(q\times n\) 从状态里挑哪些量测
\(D\) 直传矩阵 \(q\times p\) 输入直接漏到输出(多数物理系统 \(D=0\))

状态空间结构框图

读图:\(\int\) 就是"一串积分器",积分器里存的就是状态。\(A\) 把状态反馈到导数端,\(B\) 把输入送进来,\(C\) 从状态里取输出,\(D\) 是直通捷径。

2.3 例子:质量-弹簧-阻尼(和前面几篇同一个对象)

\[m\ddot x+c\dot x+kx=F\]

取 \(x_1=x\)(位置)、\(x_2=\dot x\)(速度):

\[\dot x_1=x_2,\qquad \dot x_2=-\frac{k}{m}x_1-\frac{c}{m}x_2+\frac{1}{m}F\]
\[ A=\begin{bmatrix}0&1\\ -\frac{k}{m}&-\frac{c}{m}\end{bmatrix},\quad B=\begin{bmatrix}0\\ \frac{1}{m}\end{bmatrix},\quad C=\begin{bmatrix}1&0\end{bmatrix},\quad D=0 \]

代 \(m=1,\ c=0.5,\ k=1\):

\[ A=\begin{bmatrix}0&1\\ -1&-0.5\end{bmatrix},\quad B=\begin{bmatrix}0\\ 1\end{bmatrix},\quad C=\begin{bmatrix}1&0\end{bmatrix} \]

验证它和传递函数是同一件事:

\[sI-A=\begin{bmatrix}s&-1\\ 1&s+0.5\end{bmatrix},\quad \det(sI-A)=s^2+0.5s+1\]
\[G(s)=C(sI-A)^{-1}B=\frac{1}{s^2+0.5s+1}\]

和 02 篇 用的对象完全一致。✅已确认

选状态不是唯一的:取 \(x_1=\) 位置、\(x_2=\) 动量 \(m\dot x\) 也行,只是 \(A,B\) 里的数字变了,特征值不变(见 3.2)。

三、从传递函数到状态空间

3.1 能控标准型(相变量实现)

给定严格真分式

\[G(s)=\frac{b_{n-1}s^{n-1}+\cdots+b_1s+b_0}{s^n+a_{n-1}s^{n-1}+\cdots+a_1s+a_0}\]

一个通用实现是伴友矩阵:

\[ A=\begin{bmatrix} 0&1&0&\cdots&0\\ 0&0&1&\cdots&0\\ \vdots&&&\ddots&\vdots\\ 0&0&0&\cdots&1\\ -a_0&-a_1&-a_2&\cdots&-a_{n-1} \end{bmatrix},\quad B=\begin{bmatrix}0\\ \vdots\\ 0\\ 1\end{bmatrix},\quad C=\begin{bmatrix}b_0&b_1&\cdots&b_{n-1}\end{bmatrix},\quad D=0 \]

二阶验证:\(a_0=1,a_1=0.5,b_0=1,b_1=0\) → 正好得到 2.3 里的 \(A,B,C\)。✅已确认

3.2 状态不唯一:相似变换

令 \(\mathbf x=T\mathbf z\)(\(T\) 可逆),则

\[A'=T^{-1}AT,\quad B'=T^{-1}B,\quad C'=CT,\quad D'=D\]

不变的量:特征值、传递函数、能控性、能观性。

所以"状态"是坐标,"系统"是几何对象;换一组基,\(A\) 变样子,物理不变。这和 坐标变换与旋转矩阵 是同一个道理。

四、状态转移矩阵与解

4.1 矩阵指数

\[\Phi(t)=e^{At}=I+At+\frac{A^2t^2}{2!}+\cdots,\qquad \mathcal{L}\{e^{At}\}=(sI-A)^{-1}\]

三条基本性质:\(\Phi(0)=I\),\(\dot\Phi=A\Phi\),\(\Phi(t_1+t_2)=\Phi(t_1)\Phi(t_2)\)。

4.2 解的分解

\[\mathbf x(t)=\underbrace{e^{At}\mathbf x(0)}_{\text{零输入响应}}+\underbrace{\int_0^t e^{A(t-\tau)}B\mathbf u(\tau)\,d\tau}_{\text{零状态响应}}\]

第一项是"初始储能自己衰减/振荡",第二项是"输入逼出来的"。传递函数其实只描述第二项(零初始条件),这正是第一节说的局限。

4.3 与特征值的关系

若 \(A\) 可对角化 \(A=V\Lambda V^{-1}\),则 \(e^{At}=Ve^{\Lambda t}V^{-1}\),\(e^{\Lambda t}=\operatorname{diag}(e^{\lambda_i t})\)。

所以 \(A\) 的特征值就是系统极点,稳定性判据从"\(\det(sI-A)=0\) 的根在左半平面"变成"\(\operatorname{Re}\lambda_i<0\)",与 04 篇 完全一致。✅已确认

五、离散化:从 \(A\) 到 \(A_d\)

嵌入式里要按采样周期 \(T\) 递推 \(\mathbf x[k+1]=A_d\mathbf x[k]+B_d\mathbf u[k]\)。

方法 \(A_d\) \(B_d\) 特点
精确(ZOH) \(e^{AT}\) \(\displaystyle\int_0^T e^{A\tau}B\,d\tau\) 最准,要算矩阵指数
前向欧拉 \(I+AT\) \(BT\) 最简单,\(T\) 大时可能不稳
后向欧拉 \((I-AT)^{-1}\) \((I-AT)^{-1}BT\) 稳定但偏阻尼
Tustin / 双线性 \((I-\frac{AT}{2})^{-1}(I+\frac{AT}{2})\) \((I-\frac{AT}{2})^{-1}BT\) 常用,二阶精度

数值例子(\(A=\begin{bmatrix}0&1\\-1&-0.5\end{bmatrix},\ B=\begin{bmatrix}0\\1\end{bmatrix},\ T=0.01\) s):

方法 \(A_d\) \(B_d\)
精确 / Tustin \(\begin{bmatrix}0.99995&0.009975\\-0.009975&0.994963\end{bmatrix}\) \(\begin{bmatrix}0.00005\\0.009975\end{bmatrix}\)
前向欧拉 \(\begin{bmatrix}1&0.01\\-0.01&0.995\end{bmatrix}\) \(\begin{bmatrix}0\\0.01\end{bmatrix}\)

等价关系:\(z=e^{sT}\)。这里 \(\lambda(A)=-0.25\pm j0.968\),而

\[e^{\lambda T}=0.997456\pm j0.009658=\operatorname{eig}(A_d)\]

✅已确认(数值验证,与 01 篇 的 \(s\to z\) 一节对上)

可复现的验证代码(Python)
import numpy as np, math

A = np.array([[0, 1], [-1, -0.5]])
B = np.array([[0.], [1.]])
T, I = 0.01, np.eye(2)

def expm(M, n=60):                      # 矩阵指数的级数定义
    S, P = np.zeros_like(M), np.eye(M.shape[0])
    for k in range(n):
        S += P / math.factorial(k)
        P = P @ M
    return S

Ad = expm(A * T)
S, P = np.zeros((2, 2)), np.eye(2)
for k in range(60):
    S += P / math.factorial(k + 1)
    P = P @ (A * T)
Bd = T * S @ B

print(np.round(Ad, 6), np.round(Bd.ravel(), 6))
print(np.round(np.linalg.eigvals(Ad), 6))          # 0.997456 ± 0.009658j
print(np.round(np.exp(np.linalg.eigvals(A)*T), 6))  # 与上一行相同

六、能控性:执行器够得着吗

6.1 定义

若存在有限时间 \(t_1\) 和某个输入 \(\mathbf u(t)\),能把状态从任意 \(\mathbf x(0)\) 驱动到任意 \(\mathbf x(t_1)\),则系统完全能控。

注意是"任意到任意",不是"能不能动一下"。

6.2 Kalman 秩判据

\[\mathcal{Q}_c=\begin{bmatrix}B&AB&A^2B&\cdots&A^{n-1}B\end{bmatrix},\qquad \operatorname{rank}(\mathcal{Q}_c)=n\ \Longleftrightarrow\ \text{完全能控}\]

\(\mathcal{Q}_c\) 是 \(n\times np\) 矩阵。直觉:\(B\) 是输入直接能推的方向,\(AB\) 是"推一下之后经由系统动力学间接能到的方向",一直乘到 \(A^{n-1}B\) 就是全部能到达的方向(Cayley-Hamilton 定理保证 \(n\) 项封顶)。

能控性与能观性的四个例子

例 1(能控):双积分器 \(A=\begin{bmatrix}0&1\\0&0\end{bmatrix},\ B=\begin{bmatrix}0\\1\end{bmatrix}\)

\[\mathcal{Q}_c=\begin{bmatrix}0&1\\1&0\end{bmatrix},\quad \operatorname{rank}=2\ ✓\]

物理:\(u\) 是力 → 先改变速度 \(x_2\) → 速度积分再改变位置 \(x_1\),两个状态都够得着。

例 2(不能控):同一个 \(A\),但 \(B=\begin{bmatrix}1\\0\end{bmatrix}\)(\(u\) 只进 \(\dot x_1\))

\[\mathcal{Q}_c=\begin{bmatrix}1&0\\0&0\end{bmatrix},\quad \operatorname{rank}=1\ ✗\]

物理:\(\dot x_2=0\),速度是常数,输入永远改不了它 → 到不了"任意状态"。

常驻例子:\(m=1,c=0.5,k=1\) 时 \(\mathcal{Q}_c=\begin{bmatrix}0&1\\1&-0.5\end{bmatrix}\),\(\det=-1\ne0\) → 能控。✅已确认

等价的 PBH 判据:对每个特征值 \(\lambda_i\) 都要求 \(\operatorname{rank}\begin{bmatrix}\lambda_i I-A&B\end{bmatrix}=n\);它还能指出具体哪个模态不能控,比秩判据更细。

6.3 它决定什么

  • 状态反馈 \(\mathbf u=-K\mathbf x\) 能任意配置闭环极点 \(\Longleftrightarrow\) \((A,B)\) 能控;
  • LQR 有唯一正定解、系统可镇定,也都以能控(或至少可镇定)为前提。

七、能观性:传感器看得见吗

7.1 定义

若由 \([0,t_1]\) 上已知的输入 \(\mathbf u(t)\) 和输出 \(\mathbf y(t)\),能唯一确定初始状态 \(\mathbf x(0)\),则系统完全能观。

7.2 Kalman 秩判据

\[\mathcal{Q}_o=\begin{bmatrix}C\\ CA\\ CA^2\\ \vdots\\ CA^{n-1}\end{bmatrix},\qquad \operatorname{rank}(\mathcal{Q}_o)=n\ \Longleftrightarrow\ \text{完全能观}\]

直觉:\(C\) 是直接看到的状态组合,\(CA\) 是"状态经过一次演化后出现在输出里"的组合——也就是从输出的变化率里能反推出的信息。

例 3(能观):双积分器,测位置 \(C=\begin{bmatrix}1&0\end{bmatrix}\)

\[\mathcal{Q}_o=\begin{bmatrix}1&0\\0&1\end{bmatrix},\quad \operatorname{rank}=2\ ✓\]

物理:位置在动,\(\dot y=x_2\) 直接把速度暴露了。

例 4(不能观):同一个 \(A\),只测速度 \(C=\begin{bmatrix}0&1\end{bmatrix}\)

\[\mathcal{Q}_o=\begin{bmatrix}0&1\\0&0\end{bmatrix},\quad \operatorname{rank}=1\ ✗\]

物理:输出 \(y=x_2\) 是常数(\(\dot x_2=0\)),初始位置 \(x_1(0)\) 取多少都不影响 \(y\) → 从输出永远猜不出物体在哪。

7.3 对偶性

\[(A,B)\ \text{能控}\ \Longleftrightarrow\ (A^T,B^T)\ \text{能观}\]

即"把 \(B\) 转置成 \(C\)、把 \(A\) 转置",两个问题一一对应。所以能控的所有结论(PBH、镇定、极点配置)都有能观侧的镜像(观测器极点配置)。

⚠️ 能观 ≠ 估得准。\(\mathcal{Q}_o\) 条件数很大(病态)时,理论上可观,但量测噪声会被放大成巨大的状态误差。工程上还要看可观度。

八、这一篇为什么是卡尔曼/ESKF 的地基

卡尔曼滤波的状态方程就是本文的离散形式:

\[\mathbf x_k=F\mathbf x_{k-1}+B\mathbf u_k+\mathbf w_k,\qquad \mathbf z_k=H\mathbf x_k+\mathbf v_k\]
本文概念 滤波/控制里的对应
\(A\) / \(F\) 状态转移矩阵,误差怎么传播
\(B\) 控制输入(陀螺角速度等)
\(C\) / \(H\) 量测矩阵,传感器看到状态的哪一部分
能观性 滤波器能不能从量测把状态估出来;不可观模态的误差不收敛、协方差不降
能控性 控制器能不能把状态驱动到目标;极点配置 / LQR 的前提
分离原理 先按"\(\mathbf x\) 可测"设计 \(K\),再设计观测器估 \(\mathbf x\),两者可分别设计、组合后极点相加

一个嵌入式里天天遇到的例子:静止的 IMU 用加速度计测重力,只能定出 roll / pitch;绕重力轴的 yaw 和陀螺 z 轴零偏在这个运动状态下是不可观的——不管滤波器跑多久,估计都会漂。要让它可观,只能加磁力计/双天线 GNSS 提供水平参考,或者靠机动把姿态激励起来。这和"没有磁力计就做不了含 yaw 的全姿态"是同一句话的两种说法。

换句话说:能观性是先于算法调参的问题。可观性不够,调 \(Q\)、\(R\) 只是在给一个根本估不出来的量"化妆"。

九、常见坑

  1. 状态不唯一:换坐标 \(A\) 就变,别把某个具体 \(A\) 当成系统本身;特征值才是不变量。
  2. 能控/能观是三元组属性:说的是 \((A,B)\)、\((A,C)\),不是单独 \(A\) 的性质;换执行器/传感器结论就变。
  3. 零极点对消藏模态:对消掉的模态一定不可控或不可观;传递函数看着稳,内部可能发散。
  4. \(D\) 不影响极点与能控能观:只影响输入输出直通项。
  5. 高阶别手算行列式:用 SVD / matrix_rank 判秩,手算容易因数值病态误判。
  6. 连续能控 ≠ 离散后还能控:采样周期选得不好(尤其对称系统),离散化可能把能控性弄丢。
  7. 连续稳定 ↔ 离散稳定:映射是 \(z=e^{sT}\),左半平面映到单位圆内;不是简单的 \(s\to s\) 替换。
  8. 可观 ≠ 估得准:还要看 \(\mathcal{Q}_o\) 条件数与噪声量级。
  9. 可镇定 ≠ 能控:不稳定模态能控即可镇定,稳定的不可控模态可以容忍。
  10. 别把能观性和能检测性搞混:能检测性只要求不稳定模态可观,条件更弱。

十、自测题(合上能答才算会)

  1. 为什么二阶系统需要两个状态变量?多选一组状态可以吗?
  2. \(A\) 的特征值和传递函数的极点是什么关系?什么时候会不一致?
  3. 相似变换后哪些量不变?哪些会变?
  4. 精确离散化的 \(A_d,B_d\) 公式是什么?前向欧拉差在哪?
  5. 写出能控性矩阵,并解释为什么乘到 \(A^{n-1}B\) 就够了。
  6. 双积分器测速度为什么不能观?测位置为什么能观?
  7. 对偶性具体怎么写?它有什么用?
  8. 静止 IMU 里哪些姿态量不可观?怎么让它可观?

提示:2)无零极点对消时一致;5)Cayley-Hamilton;8)yaw 与陀螺 z 零偏,加磁/双天线或靠机动。

关联与延伸