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
- \(s\) 域与传递函数:符号与 s 域入门
- 极点与稳定性:稳定性与根轨迹
- 矩阵、特征值:向量与矩阵入门
- 矩阵指数与离散化:微分方程与状态空间离散化
- 拉普拉斯:拉普拉斯变换与 s 域
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¶
| 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 \(D=0\)) |
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)¶
取 \(x_1=x\)(位置)、\(x_2=\dot x\)(速度):
代 \(m=1,\ c=0.5,\ k=1\):
验证它和传递函数是同一件事:
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
一个通用实现是伴友矩阵:
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
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¶
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¶
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
✅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¶
\(\mathcal{Q}_c\) 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)。
例 1(能控):双积分器 \(A=\begin{bmatrix}0&1\\0&0\end{bmatrix},\ B=\begin{bmatrix}0\\1\end{bmatrix}\)
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 \(\dot x_1\))
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¶
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 \(C=\begin{bmatrix}1&0\end{bmatrix}\)
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 \(C=\begin{bmatrix}0&1\end{bmatrix}\)
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¶
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:
| 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¶
- 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。
- 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。
- 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。
- \(D\) 不影响极点与能控能观:只影响输入输出直通项。
- 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。 - 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。
- 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。
- 可观 ≠ 估得准:还要看 \(\mathcal{Q}_o\) 条件数与噪声量级。
- 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。
- 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)¶
- 为什么二阶系统需要两个状态变量?多选一组状态可以吗?
- \(A\) 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?
- 相似变换后哪些量不变?哪些会变?
- 精确离散化的 \(A_d,B_d\) 公式是什么?前向欧拉差在哪?
- 写出能控性矩阵,并解释为什么乘到 \(A^{n-1}B\) 就够了。
- 双积分器测速度为什么不能观?测位置为什么能观?
- 对偶性具体怎么写?它有什么用?
- 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¶
- 上一篇:PID:从 s 域到 C 代码
- 数学工具:向量与矩阵入门、微分方程与状态空间离散化、拉普拉斯变换与 s 域
- 应用:卡尔曼滤波基础、Mahony 滤波分析
- 本组首页:自动控制
- 下一篇:状态反馈、观测器与 LQR
- 后续(待写):数字控制进阶(前馈 / 串级)