做控制的人早晚都會遇到這種情況被控對象是非線性的線性控制器調(diào)來調(diào)去就是壓不住那個大誤差要么震蕩要么響應(yīng)慢得讓人懷疑人生。這時候非線性控制方法就派上用場了而反步控制Backstepping和反饋線性化Feedback Linearization可以說是非線性控制工具箱里出場率最高的兩個手段。前些天我把一個典型的二階嚴格反饋非線性系統(tǒng)從頭推導到Simulink仿真完整跑了一遍順手把整套思路和源碼邏輯整理成文這篇就詳細講講原理推導、兩種方法的取舍以及仿真搭建和調(diào)參時踩過的那些坑。如果你正在學高級控制理論或者導師丟給你一個非線性對象讓你做跟蹤控制這篇文章可以幫你少走很多彎路。1. 反步控制的核心思想與數(shù)學推導1.1 反步法的直覺控制不是一步到位而是一層一層遞推反步控制這個名字直譯過來是 Backstepping中文也叫后推法、回推法。它適用的對象結(jié)構(gòu)很特殊系統(tǒng)狀態(tài)按層級串聯(lián)前一個狀態(tài)通過后一個狀態(tài)被“間接控制”最末端才是真正的控制輸入。這種形式叫嚴格反饋形式Strict-Feedback Form很多實際系統(tǒng)都能寫成這種樣子比如機械臂的關(guān)節(jié)位置和速度飛行器的角度和角速度。為什么不能用線性控制直接懟因為對象里帶非線性項而且這些非線性項不好直接消除強行線性化后誤差大控制品質(zhì)根本保證不了。反步法的思路則是剝洋蔥從最外層開始往里剝。它假設(shè)我先不管最里面的真實控制量 u 最后怎么設(shè)計而是先想一個問題外層的狀態(tài)誤差如果用內(nèi)層狀態(tài) x2 當作一個“虛擬控制量”那這個虛擬控制量應(yīng)該長成什么樣才能讓外層誤差穩(wěn)定下來把這個虛擬控制量算出來記為 α1然后再設(shè)計真實的 u讓內(nèi)層狀態(tài) x2 去跟蹤這個 α1。這樣一來復雜的 n 階非線性跟蹤控制問題就被拆成了 n 個一階子系統(tǒng)的穩(wěn)定性設(shè)計問題每一層只需要操心一個誤差和一個 Lyapunov 函數(shù)。這種設(shè)計方式帶來的好處很直接每一步都有明確的 Lyapunov 函數(shù)撐著穩(wěn)定性能從數(shù)學上嚴格保證每一步只處理低階子系統(tǒng)找控制器的時候不用對著高維方程發(fā)呆而且這種遞推結(jié)構(gòu)特別好擴展后面想加自適應(yīng)、加滑模、加魯棒項都是在同一套骨架上做文章。1.2 二階嚴格反饋系統(tǒng)的完整推導過程為了把原理講透我拿一個二階嚴格反饋系統(tǒng)來做標準推導。系統(tǒng)形式如下x1_dot x2 φ1(x1)x2_dot u φ2(x1, x2)其中 x1 和 x2 是系統(tǒng)狀態(tài)u 是控制輸入φ1 和 φ2 代表非線性項。控制目標是讓 x1 跟蹤期望軌跡 xd(t)。這里 φ1、φ2 都是已知的這個前提很關(guān)鍵因為反步法本質(zhì)上是一個基于模型的設(shè)計方法模型不準后面要專門處理。第一步定義跟蹤誤差z1 x1 - xd對時間求導得到z1_dot x2 φ1(x1) - xd_dot這時候我把 x2 當虛擬控制量。如果 x2 直接等于某個理想值 α1就可以讓 z1 穩(wěn)定下來。選 Lyapunov 函數(shù) V1 1/2 * z1^2那 V1_dot z1 * (x2 φ1 - xd_dot)。要想讓這個導數(shù)是負的很自然的做法是讓括號里的量等于 -c1 * z1其中 c1 0。因此虛擬控制率定為α1 -c1 * z1 - φ1(x1) xd_dot這樣如果 x2 真的等于 α1就有 V1_dot -c1 * z1^2這部分就穩(wěn)定了。但現(xiàn)實是 x2 并不等于 α1因為 x2 是系統(tǒng)狀態(tài)不是直接控制量所以還要定義第二個誤差z2 x2 - α1這個 z2 表示虛擬控制量實際值和理想值之間的偏差。把 z2 代回 z1_dot得到z1_dot z2 α1 φ1 - xd_dot -c1 * z1 z2注意這個交叉項 z1 * z2后面設(shè)計第二個 Lyapunov 函數(shù)時要消掉它。第二步設(shè)計真實控制律 u。先對 z2 求導z2_dot x2_dot - α1_dot u φ2(x1, x2) - α1_dot這里 α1_dot 是虛擬控制量 α1 沿系統(tǒng)軌跡的時間導數(shù)里面會有高階項一會兒展開算。構(gòu)造完整的 Lyapunov 函數(shù)V2 1/2 * z1^2 1/2 * z2^2求導V2_dot z1 * (-c1 * z1 z2) z2 * (u φ2 - α1_dot) -c1 * z1^2 z2 * (z1 u φ2 - α1_dot)為了讓 V2_dot 負定選真實控制律u -z1 - φ2 α1_dot - c2 * z2其中 c2 0。帶回 V2_dot 得到V2_dot -c1 * z1^2 - c2 * z2^2這個結(jié)果非常干凈。c1 和 c2 都是正數(shù)所以 V2_dot 恒小于等于 0且只有在 z1 z2 0 時等號成立。根據(jù) Lyapunov 穩(wěn)定性定理誤差系統(tǒng)漸近穩(wěn)定z1 和 z2 會收斂到零也就是 x1 最終精確跟蹤上 xd。這就是反步法的整個數(shù)學骨架看著簡單但每一步的 Lyapunov 函數(shù)選擇、虛擬控制的構(gòu)造、交叉項的消去都是經(jīng)過精心設(shè)計的。沒有一步是拍腦袋。2. 反饋線性化與反步法的殊途與同歸2.1 反饋線性化的原理與適用條件反饋線性化和反步法是兩類思路但目標相同都是把非線性系統(tǒng)改造得可控。反饋線性化的想法更有野心它試圖通過狀態(tài)變換和反饋控制把整個非線性系統(tǒng)的動態(tài)精確變成線性積分鏈結(jié)構(gòu)。線性系統(tǒng)有現(xiàn)成的控制工具比如極點配置、LQR直接用就行?？紤]單輸入仿射系統(tǒng)x_dot f(x) g(x) * u它的思想是找一個合適的輸出函數(shù) h(x)反復對系統(tǒng)動態(tài)求 Lie 導數(shù)。所謂 Lie 導數(shù)就是沿著系統(tǒng)向量場的方向求導數(shù)L_f h ?h/?x * f重復操作得到 L_f^2 h、L_f^3 h……同時關(guān)注 g 方向的導數(shù) L_g L_f^(k-1) h。如果某個整數(shù) r 使得 L_g L_f^(i-1) h 0 對 i 1, ..., r-1 成立但 L_g L_f^(r-1) h ≠ 0這個 r 就叫相對階。直觀理解就是輸出 h 真正受到控制輸入 u 影響之前要經(jīng)過 r 次求導。如果相對階 r 等于系統(tǒng)階數(shù) n那就能構(gòu)造狀態(tài)變換z1 h(x) z2 L_f h(x) z3 L_f^2 h(x) ... zn L_f^(n-1) h(x)在這個新坐標系下系統(tǒng)的前 n-1 個動態(tài)自然就是 z1_dot z2、z2_dot z3 …… 到了最后一個狀態(tài)出現(xiàn)真正帶 u 的項zn_dot L_f^n h(x) L_g L_f^(n-1) h(x) * u這時候取反饋控制u (v - L_f^n h) / (L_g L_f^(n-1) h)整個系統(tǒng)就變成了 z 坐標系下的純線性積分鏈z1_dot z2 z2_dot z3 ... zn_dot v然后對 v 做線性設(shè)計就行。這里要注意兩個前提條件一是相對階必須等于系統(tǒng)階數(shù)否則會有不可觀的內(nèi)動態(tài)Zero Dynamics系統(tǒng)只能做輸入輸出線性化內(nèi)部狀態(tài)是否穩(wěn)定還得單獨分析二是狀態(tài)變換必須是合法的微分同胚這要求系統(tǒng)滿足對合條件屬于微分幾何里的概念工程人員一般把它理解為“這個系統(tǒng)能不能找到全局有效的坐標變換”。2.2 反步控制 vs 反饋線性化什么時候用誰兩種方法選哪個說實話不是完全隨意的取決于你手里系統(tǒng)的具體結(jié)構(gòu)。下表是我在實際項目中權(quán)衡兩個方法時的思考框架。對比維度反步控制反饋線性化適用系統(tǒng)結(jié)構(gòu)嚴格反饋形式狀態(tài)逐級串聯(lián)仿射系統(tǒng)能找合適輸出函數(shù)關(guān)鍵前提條件非線性項已知可遞推求導相對階等于系統(tǒng)階數(shù)滿足對合條件設(shè)計思路逐層構(gòu)造虛擬控制和 Lyapunov 函數(shù)一次性坐標變換加反饋整體線性化參數(shù)不確定性處理容易擴展自適應(yīng)項、滑模項對建模誤差敏感參數(shù)不準直接破壞線性化效果計算復雜度階次越高虛擬控制量的導數(shù)項越爆炸關(guān)鍵在于找輸出和驗證條件找到后控制律簡潔對暫態(tài)性能的控制通過調(diào)節(jié) c1, c2 可以部分控制收斂速度線性化后能用線性方法做極點配置直觀我的經(jīng)驗是如果系統(tǒng)天生就是嚴格反饋形式比如 x2 確實就是 x1 的導數(shù)x3 確實就是 x2 的導數(shù)那反步法是首選。它不需要你去湊一個輸出函數(shù)也不需要驗證什么對合條件結(jié)構(gòu)擺在那里照著遞推就能算出控制律。反過來如果你的系統(tǒng)不是級聯(lián)結(jié)構(gòu)但你能憑經(jīng)驗找到一個天然的物理輸出并且這個輸出的相對階恰到好處那反饋線性化會非常巧妙一步到位把系統(tǒng)變成線性。不過要潑一盆冷水反饋線性化對模型精度要求極高。變換公式里每一項都依賴精確的 f(x) 和 g(x)一旦模型參數(shù)有了偏差線性化就不徹底剩下的非線性項會直接作用在系統(tǒng)上而且不像反步法那樣每一步有 Lyapunov 函數(shù)兜底。我在看到一個系統(tǒng)時會先問自己這個對象的模型我到底信幾分模型精度高反饋線性化很香模型只有個大概那還是反步法配上魯棒項更穩(wěn)。3. Simulink 仿真從零搭建反步控制系統(tǒng)3.1 仿真對象與控制律的數(shù)學建模仿真不能只跑理想化的抽象模型要在一個能看出問題的具體對象上操作。我選的被控對象是x1_dot x2 x1^2 x2_dot u x1 * x2其中 φ1(x1) x1^2φ2(x1, x2) x1 * x2。這個系統(tǒng)是非線性的而且非線性項交叉耦合線性控制器很難取得好效果很適合展示反步控制的能力?？刂颇繕耸亲?x1 跟蹤參考信號 r(t) sin(t)注意這里跟蹤的是一個時變信號不是定值所以控制器里必須包含參考信號的導數(shù)項。按第一節(jié)的推導流程先定義誤差z1 x1 - r虛擬控制α1 -c1 * z1 - x1^2 r_dot這個 α1 的物理含義是為了讓 x1 穩(wěn)定跟蹤 r我期望 x2 當前應(yīng)該是多少。接著第二個誤差z2 x2 - α1為了算控制律需要 α1 的導數(shù)。把 α1 的表達式對時間求全導數(shù)α1_dot -c1 * z1_dot - 2 * x1 * x1_dot r_ddot代入 x1_dot x2 x1^2、z1_dot x2 x1^2 - r_dot得到完整的 α1_dot。這一步最容易出錯尤其是 x1^2 的導數(shù)項 2 * x1 * x1_dot 很容易漏漏一項整個控制律就廢了。最終控制律u -z1 - x1 * x2 α1_dot - c2 * z2把 α1_dot 展開后u 里每一項都能用當前狀態(tài) x1、x2 和參考信號 r 及其導數(shù)表示可以直接寫進代碼。3.2 S-Function 搭建與被控對象模型Simulink 里實現(xiàn)控制系統(tǒng)通常有兩條路線全用模塊搭和用 S-Function 封裝。模塊搭的好處是可視化強但像這種控制律里有大量中間變量的系統(tǒng)模塊圖會變成一團蜘蛛網(wǎng)信號線交叉得讓人頭皮發(fā)麻。我推薦從 S-Function 入手邏輯集中在代碼里后續(xù)改參數(shù)、換對象都方便。Simulink 有 Level-1 和 Level-2 兩代 S-Function API。老教程里常看到 Level-1 的寫法但新版本更推薦 Level-2。這里給出被控對象模型的 Level-2 S-Function。對象有兩個連續(xù)狀態(tài) x1 和 x2一個輸入 u兩個輸出 x1 和 x2function plant_sfun(block) setup(block); end function setup(block) block.NumInputPorts 1; block.NumOutputPorts 2; block.SetPreCompInpPortInfoToDynamic; block.SetPreCompOutPortInfoToDynamic; block.InputPort(1).Dimensions 1; block.InputPort(1).SamplingMode sample; block.OutputPort(1).Dimensions 1; block.OutputPort(1).SamplingMode sample; block.OutputPort(2).Dimensions 1; block.OutputPort(2).SamplingMode sample; block.NumContStates 2; block.SampleTimes [0 0]; block.SimStateCompliance DefaultSimState; block.RegBlockMethod(InitializeConditions, InitializeConditions); block.RegBlockMethod(Derivatives, Derivatives); block.RegBlockMethod(Outputs, Outputs); end function InitializeConditions(block) block.ContStates.Data(1) 0.1; block.ContStates.Data(2) 0.1; end function Derivatives(block) x1 block.ContStates.Data(1); x2 block.ContStates.Data(2); u block.InputPort(1).Data; block.Derivatives.Data(1) x2 x1^2; block.Derivatives.Data(2) u x1 * x2; end function Outputs(block) block.OutputPort(1).Data block.ContStates.Data(1); block.OutputPort(2).Data block.ContStates.Data(2); end這段代碼新手照著抄就行。注意 InitializeConditions 里給的初始條件x1(0) 和 x2(0) 一般設(shè)成接近控制目標初始值的數(shù)或者直接設(shè) 0 觀察收斂過程我這里故意設(shè)了 0.1讓初始誤差不為零仿真曲線能看出來跟蹤收斂過程?？刂破?S-Function 的輸入需要同時知道狀態(tài)和參考信號。我把 x1、x2、r、r_dot、r_ddot 打包成一個 5 維向量輸入function controller_sfun(block) setup(block); end function setup(block) block.NumInputPorts 1; block.NumOutputPorts 1; block.SetPreCompInpPortInfoToDynamic; block.SetPreCompOutPortInfoToDynamic; block.InputPort(1).Dimensions 5; block.InputPort(1).SamplingMode sample; block.OutputPort(1).Dimensions 1; block.OutputPort(1).SamplingMode sample; block.SampleTimes [0 0]; block.RegBlockMethod(Outputs, Outputs); end function Outputs(block) in block.InputPort(1).Data; x1 in(1); x2 in(2); r in(3); rdot in(4); rddot in(5); c1 15; c2 10; z1 x1 - r; alpha1 -c1 * z1 - x1^2 rdot; z2 x2 - alpha1; alpha1_dot -c1 * (x2 x1^2 - rdot) - 2 * x1 * (x2 x1^2) rddot; u -z1 - x1 * x2 alpha1_dot - c2 * z2; block.OutputPort(1).Data u; end注意控制器里 c1 和 c2 的取值我寫了 c1 15、c2 10這個不是隨手寫的后面第四節(jié)專門講怎么調(diào)。控制律里的 u 公式和推導完全一一對應(yīng)建議對著推導過程逐項核對一遍再跑仿真。3.3 Simulink 框圖連接與仿真參數(shù)配置模型級結(jié)構(gòu)很簡單核心就是三個模塊參考信號生成、控制器 S-Function、被控對象 S-Function再加上連接和觀察模塊。參考信號 r sin(t) 是已知的解析信號它的導數(shù) r_dot cos(t)、二階導 r_ddot -sin(t) 可以手算出來然后直接在 Simulink 里用 Clock 模塊配合三角函數(shù)模塊生成。這里有個很重要的實操原則千萬不要用 Simulink 的 Derivative 模塊去對 r 求導。數(shù)值微分在離散仿真里噪聲非常大尤其是信號平滑度不夠時導數(shù)噪聲會被控制律放大仿真曲線全是毛刺還很像控制器出了問題。我見過不少人在這一步浪費大量時間最后發(fā)現(xiàn)罪魁禍首就是信號生成方式有問題。計算 r_dot 和 r_ddot 的模塊配置用 Clock 模塊輸出仿真時間 t分別經(jīng)過三個 Math Function 模塊算出 sin(t)、cos(t)、-sin(t)乘法增益照需求設(shè)置。然后用 Mux 模塊把 x1、x2、r、rdot、rddot 合并成一個 5 維向量接入 controller_sfun。被控對象的輸出 x1、x2 從 S-Function 兩個輸出端口拿分別引出。u 接回被控對象的輸入同時接一個 Scope 觀察。整個模型沒有復雜環(huán)路信號流是單向的參考信號和狀態(tài)進控制器控制器輸出進被控對象被控對象狀態(tài)再回來。Solver 配置我強烈建議用變步長 ODE45相對誤差設(shè) 1e-6最大步長限制在 0.01 秒。反步控制本身沒有很強的剛性特征ODE45 能跑得很順。固定步長的小步長也行但仿真時間會翻很多倍沒必要。仿真時長設(shè) 10 秒足夠觀察幾個周期的正弦跟蹤效果。跑完之后看 Scope 里的波形x1 應(yīng)該在最初零點幾秒的過渡后緊貼 sin(t) 曲線誤差在 0.01 量級以內(nèi)控制量 u 的曲線平滑無高頻振蕩。如果波形發(fā)散大概率是控制律符號寫反了或者 α1_dot 展開公式漏了項回到 3.1 的公式逐項核對。4. 調(diào)參實戰(zhàn)與問題排查4.1 參數(shù) c1、c2 怎么選從仿真波形看規(guī)律反步控制的設(shè)計參數(shù)就是虛擬控制增益 c1 和真實控制增益 c2。從 Lyapunov 分析來看這兩個值只要嚴格大于 0 就能保證漸近穩(wěn)定也就是說無論取 1 還是取 1000理論上最終都會收斂。但理論上的漸近穩(wěn)定只是告訴你“最終會到”不保證過渡過程好不好看而工程上我們最關(guān)心的恰恰是過渡過程。我在調(diào)參時發(fā)現(xiàn)兩個規(guī)律。第一c1 和 c2 越大誤差收斂越快但控制量 u 的峰值也越大。這是因為誤差大時控制律里 -c1 * z1 和 -c2 * z2 這兩項產(chǎn)生的控制量會線性放大。在仿真里加一個飽和模塊就能看到如果增益過大u 長期頂在飽和限幅上系統(tǒng)反而會變得遲鈍甚至振蕩。第二c1 和 c2 的作用不完全一樣。c1 控制的是虛擬控制層它決定外環(huán)誤差 z1 對內(nèi)層狀態(tài)的拉動強度c2 控制的是真實控制層它決定控制器消除 z2 偏差的力度。如果 z1 收斂慢但 z2 振蕩厲害優(yōu)先加大 c1 而不是 c2。反過來如果控制量毛糙、高頻顫動先把 c2 降下來試試。實際操作中我習慣從 c1 10、c2 10 起步然后在 5 到 50 之間按 10 的步長試。每調(diào)一組參數(shù)就看三個波形x1 跟蹤誤差、x2 實際值對 α1 的跟蹤效果、u 的控制量幅度。反步法的一個好處是 z1 和 z2 都有清楚的物理意義波形能直接告訴你問題出在哪一環(huán)。如果 z2 很大說明內(nèi)環(huán)沒跟上虛擬控制問題在 c2如果 z2 很小但 z1 仍舊超調(diào)問題在 c1 或 α1 的設(shè)計。仿真里試參幾乎零成本可以大膽試但每次只改一個參數(shù)不然波形混在一起就看不出因果關(guān)系了。4.2 常見仿真問題與解決方案速查表問題現(xiàn)象可能原因排查與解決仿真一開始就發(fā)散狀態(tài)沖到無窮控制律符號錯誤或 α1_dot 漏項回看推導把 u 的每一項手動代數(shù)值驗算一遍波形高頻振蕩毛刺多參考信號用了數(shù)值微分模塊改用 Clock Math Function 生成解析導數(shù)控制量 u 驟變、幅度巨大c1 或 c2 過于激進調(diào)小增益看 u 的峰值是否接近飽和限幅x1 跟蹤慢、誤差下不去c1 太小外環(huán)拉動不夠加大 c1觀察 z1 曲線是否快速歸零x2 對 α1 跟蹤滯后c2 太小內(nèi)環(huán)消除慢加大 c2但注意控制量幅度仿真結(jié)果對步長極其敏感模型存在剛性或快速動態(tài)換 ODE15s限制最大步長到 0.001S-Function 報錯提示維度不匹配Mux 端口寬度和 S-Function 輸入維度不一致檢查 block.InputPort(1).Dimensions 和 Mux 個數(shù)除了表格里的常規(guī)問題還有一個我特別想提醒的初始條件的設(shè)置。如果被控對象的初始狀態(tài)離參考信號的初始值差太遠控制器在最初一小段時間內(nèi)會輸出很大的控制量物理上這可能直接導致執(zhí)行器飽和。仿真里會出現(xiàn)一種假象誤差曲線下降得飛快但控制量 u 前 0.1 秒高達幾千。這不能說控制器設(shè)計錯但它提醒我們實際應(yīng)用中要考慮狀態(tài)初始偏差的上限。我在做項目時會在控制律外面加一個 Saturation 模塊模擬執(zhí)行器限幅再觀察限幅后的跟蹤性能是否還能接受。限幅是破壞控制性能的頭號殺手很多先進控制算法在理想仿真里表現(xiàn)完美一接上真實執(zhí)行器就拉胯原因就在這里。4.3 微分爆炸問題與工程上的變通思路反步控制在階數(shù)升高時會遇到一個非常實際的問題微分爆炸。往上面的二階系統(tǒng)還好α1_dot 的表達式雖然長手算還能忍住。但如果是四階、五階的嚴格反饋系統(tǒng)每設(shè)計一層虛擬控制下一層就要對這個虛擬控制求全導數(shù)項數(shù)呈指數(shù)級增長最后一層的控制律展開可能寫滿一整頁紙。這不是理論問題是純粹的工程痛苦而且手算很容易漏項。工程上常用的變通方案是動態(tài)面控制在每一層虛擬控制后面加一個一階低通濾波器讓濾波器輸出替代理想的 α1這樣就不需要對 α1 做高階解析求導濾波器的時間常數(shù)可調(diào)還能濾掉一部分測量噪聲。我自己在實際項目中做高階對象時基本都會往這個方向走。還有一種更省事的工程思路不用解析求導直接構(gòu)造一個觀測器或微分器去數(shù)值估計 α1 的導數(shù)配合濾波器使用。這樣控制律的實現(xiàn)難度大幅下降代價是理論證明要額外處理估計誤差項。這類變體已經(jīng)發(fā)展出很多成熟框架做高階系統(tǒng)時可以留個心眼。5. 我的實操體會這套流程跑下來最大的體會是反步法真正的門檻不在數(shù)學推導而在對系統(tǒng)結(jié)構(gòu)的判斷。拿到一個非線性對象先別急著套反步法要冷靜回答一個問題這個系統(tǒng)能不能寫成嚴格反饋形式能寫出來后面全是流程化操作。寫不出來硬套反步法的結(jié)果就是推導推不下去或者控制器里出現(xiàn)無法實現(xiàn)的耦合項。第二點體會是關(guān)于 Lyapunov 函數(shù)和穩(wěn)定性的理解。反步法從構(gòu)造上保證了 Lyapunov 穩(wěn)定性但這只是底線它不保證任何性能指標。收斂速度、超調(diào)量、控制能量這些還要靠具體調(diào)參來平衡。我在給某個模擬項目做電機伺服跟蹤時c1、c2 參數(shù)調(diào)了十幾組才在“響應(yīng)快”和“控制量不超限”之間找到滿意的折中。所以仿真階段一定要把飽和環(huán)節(jié)加進去提前暴露問題別在理想模型里自我感覺良好。最后再分享一個提高調(diào)試效率的小技巧。仿真模型里加兩個額外的示波器一個顯示 z1一個顯示 z2而不是只看 x1 和 x2。反步法的設(shè)計變量就是這兩個誤差直接觀察它們比觀察原始狀態(tài)直觀得多。波形不對勁時一眼就能看出是外層設(shè)計的問題還是內(nèi)層跟蹤的問題不用對著 x1、x2 兩條曲線再做一遍腦內(nèi)解耦。這個小習慣幫我省下了大量調(diào)參時間建議你也試一試。