2. 数学模型基础：状态空间表示法、离散时间系统模型、连续时间系统模型

做控制这么多年，我越来越觉得：数学模型就是控制算法的灵魂。你想想看，如果连被控对象的数学描述都搞不清楚，那控制发散几乎是必然的。

今天咱们就来聊聊目标点跟踪中最基础的数学模型。这部分内容，说白了就是回答三个问题：

• 系统当前处于什么状态？
• 系统下一步会变成什么样？
• 我们怎么用数学语言描述这个过程？

2.1 状态空间表示法：控制界的通用语言

我个人习惯用状态空间法来描述系统。为什么？因为它直观、统一，而且特别适合计算机实现。

一个典型的状态空间模型长这样：

状态方程：  ẋ(t) = A·x(t) + B·u(t)
输出方程：  y(t) = C·x(t) + D·u(t)

这里：

• x(t) — 状态向量，描述系统内部的所有变量
• u(t) — 输入向量，也就是我们施加的控制量
• y(t) — 输出向量，我们能测量到的量
• A, B, C, D — 系统矩阵，决定了系统的动态特性

我在项目中遇到过这样一个坑：有个同事直接用传递函数做目标跟踪，结果系统阶次一高，模型就乱套了。换成状态空间法后，问题迎刃而解。嗯，这里要注意：状态变量的选择不是唯一的，但选得好不好，直接影响后续控制器的设计难度。

2.2 连续时间系统模型：物理世界的真实写照

真实世界是连续的。电机转动、机械臂运动、无人机飞行——这些都是连续时间过程。

连续时间系统的状态方程一般写成：

dx/dt = f(x, u, t)

如果是线性系统，就简化为：

dx/dt = A·x + B·u

举个例子，一个简单的移动机器人目标跟踪问题：

状态变量：x = [位置, 速度]ᵀ
控制输入：u = [加速度]
系统矩阵：A = [[0, 1], [0, 0]]
          B = [[0], [1]]

这个模型描述的是什么？说白了就是：位置的变化率等于速度，速度的变化率等于加速度。就这么简单。

2.3 离散时间系统模型：计算机能理解的语言

计算机是离散的。你给它一个连续模型，它没法直接处理。所以我们需要把连续模型离散化。

离散时间系统的标准形式：

x(k+1) = A_d·x(k) + B_d·u(k)
y(k)   = C·x(k) + D·u(k)

这里 k 表示第 k 个采样时刻。A_d 和 B_d 是离散化后的系统矩阵。

最常见的离散化方法是零阶保持法：

A_d = e^(A·T)
B_d = ∫₀ᵀ e^(A·τ) dτ · B

其中 T 是采样周期。

2.4 连续 vs 离散：什么时候用哪个？

这个问题我经常被问到。我的建议很简单：

场景	推荐模型	原因
理论分析、稳定性证明	连续模型	数学工具更成熟，李雅普诺夫方法等
嵌入式实现、实时控制	离散模型	直接对应代码，没有近似误差
仿真验证	两者皆可	但要注意离散化误差
高频系统（如电机控制）	离散模型优先	采样效应不可忽略

你想想看，如果你在STM32上跑控制算法，却用连续模型去设计控制器，那不是自找麻烦吗？

2.5 本章知识体系

下面这张图是我自己整理的，把本章的核心逻辑串起来了：

2.6 一个简单的例子：一维目标跟踪

光说不练假把式。咱们来看个具体例子。

假设我们要控制一个小车跟踪一个移动目标。小车的状态是位置 p 和速度 v，控制输入是加速度 a。

连续模型：

状态向量：x = [p, v]ᵀ
控制输入：u = [a]

状态方程：
dp/dt = v
dv/dt = a

矩阵形式：
dx/dt = [[0, 1], [0, 0]]·x + [[0], [1]]·u

离散模型（采样周期 T=0.1s）：

x(k+1) = [[1, 0.1], [0, 1]]·x(k) + [[0.005], [0.1]]·u(k)

你看，离散化之后，矩阵里的数字就变成了具体的数值。这就是计算机能直接用的东西。

2.7 本章小结

好了，咱们把今天的内容捋一捋：

• 状态空间法是描述系统的通用语言，适合计算机实现
• 连续模型描述物理世界的真实动态，适合理论分析
• 离散模型是计算机能直接处理的版本，适合实际控制
• 从连续到离散，采样周期是关键参数，选不好就等着发散吧

我个人觉得，数学模型这部分再怎么强调都不过分。你想想看，如果模型本身就有问题，后面再高级的控制算法也是白搭。这就好比盖房子，地基没打好，装修再漂亮也没用。

下一章咱们会深入讨论控制发散的具体原因和诊断方法。到时候你会发现，很多发散问题追根溯源，都能回到今天讲的数学模型上。