现代控制理论核心：状态反馈、极点配置、观测器设计（Luenberger、卡尔曼滤波）、LQR最优控制
经典控制理论以传递函数和频域分析为工具，擅长处理单输入单输出（SISO）系统的镇定与跟踪问题。然而，当面对多输入多输出（MIMO）系统、强耦合对象或严格的性能指标时，经典方法往往显得力不从心。现代控制理论以状态空间描述为基础，将系统的动态特性、内部变量和外部输入统一纳入数学框架，使工程师能够从“内部”审视系统行为。本章聚焦现代控制理论四大核心工具：状态反馈、极点配置、状态观测器（Luenberger与卡尔曼滤波）以及LQR最优控制，构建从“能控能观”到“最优设计”的完整知识链路。
上图展示了本章四大工具的内在逻辑：状态反馈与极点配置解决“如何设计控制律”的问题，观测器解决“状态不可直接测量时如何重构”的问题，而LQR则在性能指标约束下寻找最优反馈增益。分离定理保证了状态反馈与观测器可以独立设计，这极大简化了工程实现。下面逐一展开。
4.1 状态反馈与极点配置
4.1.1 核心原理
状态反馈的基本思想是将系统的全部状态变量乘以增益矩阵后作为控制输入的一部分。对于线性时不变系统：
ẋ = Ax + Bu
y = Cx + Du若采用状态反馈控制律 u = -Kx + r（r为参考输入），则闭环系统变为：
ẋ = (A - BK)x + Br闭环极点由矩阵 (A - BK) 的特征值决定。极点配置的核心任务就是选择合适的增益矩阵K，使闭环极点位于期望位置，从而获得期望的动态响应（如超调量、调节时间、带宽等）。
4.1.2 判断方法与操作流程
极点配置的前提是系统必须完全能控。能控性可通过能控性矩阵的秩判断：
Qc = [B AB A²B ... Aⁿ⁻¹B]
rank(Qc) = n （n为系统阶数）操作流程如下：
- 建立系统的状态空间模型，确定矩阵A、B；
- 计算能控性矩阵并验证秩条件；
- 根据性能指标（如阻尼比ζ、自然频率ωₙ）确定期望极点位置；
- 利用Ackermann公式或place函数计算增益K；
- 仿真验证闭环响应，必要时调整极点位置。
| 极点位置 | 系统响应特征 | 适用场景 |
|---|---|---|
| 实轴负半轴 | 无振荡，响应慢 | 避免超调的场合 |
| 复平面左半部（共轭复根） | 有振荡，响应快 | 需要快速跟踪的场合 |
| 远离虚轴 | 快速衰减，但控制能量大 | 高带宽要求 |
| 靠近虚轴 | 响应慢，鲁棒性差 | 不推荐 |
4.1.3 案例拆解：双积分器系统的极点配置
考虑一个简化的电机位置控制系统，其状态空间模型为：
A = [[0, 1], [0, 0]], B = [[0], [1]]目标：设计状态反馈使闭环极点位于 s = -2 ± 2j（ζ=0.707，ωₙ=2.83 rad/s）。
期望特征多项式：s² + 4s + 8。设 K = [k₁, k₂]，则：
det(sI - (A - BK)) = s² + k₂s + k₁ = s² + 4s + 8解得 k₁ = 8，k₂ = 4。仿真显示系统在约1.5秒内稳定，超调量约4.3%，符合预期。
4.2 状态观测器设计
4.2.1 Luenberger观测器
实际系统中，并非所有状态都可直接测量。Luenberger观测器通过重构系统状态来解决这一问题。其结构为：
ẋ̂ = A x̂ + B u + L(y - C x̂)其中L为观测器增益矩阵。定义观测误差 e = x - x̂，则误差动态为：
ė = (A - LC)e通过配置 (A - LC) 的特征值，可使观测误差以期望速率衰减。观测器极点通常选择为控制器极点的2~5倍，以保证观测误差快速收敛而不影响闭环主导动态。
4.2.2 卡尔曼滤波
当系统存在过程噪声和测量噪声时，Luenberger观测器不再最优。卡尔曼滤波在最小方差意义下给出最优状态估计。其核心递推公式为：
预测步：
x̂ₖ₋ = A x̂ₖ₋₁ + B uₖ₋₁
Pₖ₋ = A Pₖ₋₁ Aᵀ + Q
更新步：
Kₖ = Pₖ₋ Cᵀ (C Pₖ₋ Cᵀ + R)⁻¹
x̂ₖ = x̂ₖ₋ + Kₖ(yₖ - C x̂ₖ₋)
Pₖ = (I - Kₖ C) Pₖ₋其中Q为过程噪声协方差矩阵，R为测量噪声协方差矩阵。卡尔曼滤波的增益Kₖ是时变的，它根据当前估计的不确定性自动调整。
| 对比维度 | Luenberger观测器 | 卡尔曼滤波 |
|---|---|---|
| 适用系统 | 确定性系统 | 随机噪声系统 |
| 增益特性 | 常数增益L | 时变增益Kₖ |
| 设计依据 | 极点配置 | 最小方差估计 |
| 噪声处理 | 不考虑 | 显式建模Q、R |
| 计算复杂度 | 低 | 较高（需递推Riccati方程） |
4.2.3 案例拆解：伺服电机转速估计
某永磁同步电机驱动系统，仅能测量电机电流和编码器位置，无法直接测量转速。采用卡尔曼滤波估计转速：
状态变量：x = [θ, ω, T_L]ᵀ（位置、转速、负载转矩）
过程噪声Q = diag(0.01, 0.1, 0.5)
测量噪声R = 0.05实验数据：在0.5s时突加50%额定负载。卡尔曼滤波估计的转速与实际转速（通过高精度编码器差分获得）对比，最大估计误差为3.2%，而传统差分法误差达12%。卡尔曼滤波的平滑特性显著抑制了测量噪声放大。
4.3 LQR最优控制
4.3.1 核心原理
LQR（线性二次型调节器）在状态反馈框架下，通过最小化二次型性能指标来设计最优增益：
J = ∫₀^∞ (xᵀQx + uᵀRu) dt其中Q为半正定状态加权矩阵，R为正定控制加权矩阵。最优反馈增益为：
K = R⁻¹BᵀPP为代数Riccati方程的唯一正定解：
AᵀP + PA - PBR⁻¹BᵀP + Q = 04.3.2 设计流程与参数整定
- 确定状态变量和控制输入的物理意义；
- 根据性能要求选择Q和R：Q中对角元素对应各状态的重要性，R对应控制能量的惩罚；
- 求解Riccati方程得到P，进而计算K；
- 仿真验证闭环性能，检查控制输入是否超限；
- 若性能不满足，调整Q/R权重后重新设计。
4.3.3 案例拆解：倒立摆LQR控制
考虑一阶倒立摆系统，状态变量为 x = [θ, θ̇, x, ẋ]ᵀ（摆角、角速度、小车位置、速度）。系统参数：摆长l=0.5m，质量m=0.2kg，小车质量M=1kg。
设计目标：摆角稳定在0°，小车位置可控。选择：
Q = diag(100, 1, 10, 1)
R = 0.1求解Riccati方程得到：
K = [-100.0, -22.4, -10.0, -11.2]仿真结果：初始摆角5°时，系统在2.3秒内将摆角收敛至0.1°以内，小车位移最大0.35m，控制电压峰值8.2V（未饱和）。若将R增大至1，控制电压峰值降至3.1V，但调节时间延长至4.1秒。
| R值 | 调节时间(s) | 最大控制电压(V) | 最大摆角(°) |
|---|---|---|---|
| 0.01 | 1.2 | 18.5（饱和） | 2.1 |
| 0.1 | 2.3 | 8.2 | 3.4 |
| 1.0 | 4.1 | 3.1 | 5.8 |
4.4 分离定理与综合设计
4.4.1 分离定理
分离定理指出：若系统能控且能观，则状态反馈控制器和状态观测器可以独立设计。即先用LQR或极点配置设计K，再独立设计观测器增益L，两者组合后闭环系统的极点等于控制器极点与观测器极点之和。这极大简化了设计流程。
4.4.2 综合设计流程
1. 建立系统模型，验证能控性和能观性
2. 设计状态反馈增益K（极点配置或LQR）
3. 设计观测器增益L（Luenberger或卡尔曼）
4. 组合为动态输出反馈控制器：
ẋ̂ = (A - LC - BK)x̂ + Ly
u = -Kx̂ + r
5. 闭环仿真验证，检查鲁棒性和抗扰性4.4.3 常见误区与复盘
- 误区一：忽视能控能观性验证，导致设计失败。任何设计前必须完成此检查。
- 误区二：观测器极点选择过近于控制器极点，导致系统响应出现“耦合振荡”。应保持至少2倍频程差距。
- 误区三：LQR中Q、R选择脱离物理意义，导致控制输入饱和或状态超限。应结合执行器约束和状态限幅。
- 误区四：忽略模型不确定性。现代控制理论对模型精度要求高，工程中需配合系统辨识和鲁棒性分析。