第3章反馈线性化原理

3、反馈线性化原理：输入输出线性化与输入状态线性化的区别与联系

好，咱们今天聊点硬核的。反馈线性化，这个名字听起来挺唬人，对吧？

说白了，它就是一种“以毒攻毒”的思路。你系统是非线性的，不好控制？行，那我先设计一个非线性的控制律，把你这个非线性给“抵消”掉，让你在我眼里变成一个线性系统。然后，我再用那些经典的线性控制理论（比如PID、极点配置）去收拾你。

这就像什么呢？我小时候玩过一个游戏，叫“平衡滚珠”。木板是歪的，珠子总往低处滚。你直接用手去接，很难。但如果你能预判木板的倾斜角度，反向去推它，让珠子感觉自己是“在平地上”，那控制起来就简单多了。反馈线性化，干的就是这个“反向推木板”的活儿。

在这个框架下，有两个核心分支：输入输出线性化和输入状态线性化。很多初学者容易搞混，我当年也在这上面栽过跟头。今天咱们就把它们掰开揉碎了讲清楚。

3.1 核心思想：从“硬刚”到“智取”

在讲区别之前，咱们先统一一下认知。反馈线性化的目标，不是去近似线性化（像泰勒展开那样），而是精确线性化。它通过状态反馈和坐标变换，把非线性系统变成一个完全线性的系统。

你想想看，传统的PID控制，其实是在跟非线性“硬刚”。它不管你的模型有多复杂，反正我就是一个比例、积分、微分，靠误差来调节。这在非线性不强的时候还行，一旦系统进入强非线性区（比如大角度机动、摩擦突变），PID就容易“力不从心”。

而反馈线性化是“智取”。它先利用你对系统的数学模型（也就是f(x)和g(x)）的认知，设计一个控制律，把非线性项精确地抵消掉。然后，你再在这个“干净”的线性系统上，去设计你想要的动态响应。

关键点：反馈线性化依赖于精确的数学模型。模型不准，线性化效果就会大打折扣。我在做四旋翼飞行器控制时，就吃过这个亏——气动参数辨识不准，导致线性化后的系统还有残余非线性，最后还得靠鲁棒控制来兜底。

3.2 输入输出线性化：我只关心“输入-输出”这一对儿

输入输出线性化，顾名思义，它的目标很直接：让系统的输出y和新的输入v之间，呈现一个简单的线性关系。

比如，你有一个单输入单输出系统：

ẋ = f(x) + g(x)u
y = h(x)

你的目标是让y和v之间变成：

y^(r) = v

这里的r，就是系统的相对阶。它表示你需要对输出y求多少次导，才能让控制输入u显式地出现。

具体怎么做？

我习惯用李导数来推导。简单说，就是对y求导：

ẏ = ∂h/∂x * ẋ = L_f h(x) + L_g h(x) * u

如果L_g h(x) ≠ 0，那么相对阶r=1。我直接设计控制律：

u = (1 / L_g h(x)) * (v - L_f h(x))

这样，ẏ = v，完美线性化。

如果L_g h(x) = 0，那就继续求导，直到u出现。假设求了r次导后，u终于出现了：

y^(r) = L_f^r h(x) + L_g L_f^{r-1} h(x) * u

那么控制律就是：

u = (1 / L_g L_f^{r-1} h(x)) * (v - L_f^r h(x))

我的经验： 在实际项目中，相对阶r往往小于系统状态维数n。这意味着，输入输出线性化只能保证输出y的动态是线性的，但系统内部有一部分状态（我们称之为“内部动态”）是不可观的。这部分内部动态必须稳定，整个系统才是稳定的。这就是所谓的零动态问题。我曾经在控制一个柔性机械臂时，忽略了内部动态的稳定性分析，结果输出跟踪得很好，但机械臂末端却抖得厉害。嗯，那是一次深刻的教训。

3.3 输入状态线性化：我要把整个状态都变线性

输入状态线性化，野心更大。它不满足于只把“输入-输出”这对儿关系变线性，它要把整个状态空间都变成一个线性系统。

它的目标是找到一个状态变换z = T(x)和一个反馈控制律u = α(x) + β(x)v，使得在新坐标系下，系统变成：

ż = A z + B v

其中(A, B)是可控的标准型（比如布鲁诺夫斯基标准型）。

这要求什么？

要求系统必须是完全能反馈线性化的。这比输入输出线性化苛刻得多。它要求系统的相对阶r必须等于系统的状态维数n。换句话说，你通过求导，必须能把所有n个状态都“暴露”在输入u的控制之下。

如果r = n，那么输入输出线性化和输入状态线性化是等价的。因为此时没有内部动态，整个状态都被线性化了。

具体步骤（以单输入系统为例）：

检验条件： 检查系统是否满足能反馈线性化的两个条件（分布对合性、秩条件）。这通常需要计算李括号。
构造坐标变换： 找到一组函数T_1(x), T_2(x), ..., T_n(x)，使得新坐标z_i = T_i(x)满足特定的微分关系。
设计控制律： 在新坐标下，系统变成积分链形式，然后设计v = -Kz 来实现极点配置。

注意： 输入状态线性化的条件非常强。很多实际系统（比如大多数飞行器）都不满足r=n的条件。所以，在实际工程中，输入输出线性化+内部动态稳定性分析，是更常用的组合拳。我建议你不要一上来就追求完美的输入状态线性化，先看看输入输出线性化能不能解决问题。

3.4 区别与联系：一张表说清楚

为了让你更直观地理解，我整理了一个表格：

对比维度	输入输出线性化	输入状态线性化
目标	输出y与虚拟输入v线性	整个状态x与虚拟输入v线性
条件	相对阶r存在且有限	相对阶r = n（系统维数）
内部动态	存在（n-r维），需单独分析稳定性	不存在（r=n）
复杂度	较低，只需对输出求导	较高，需要解偏微分方程找坐标变换
工程应用	非常广泛（机器人、飞行器、电机）	较少（仅适用于特殊结构系统）
鲁棒性	对模型误差敏感（内部动态可能失稳）	对模型误差同样敏感

它们的联系是什么？

本质相同： 都是通过状态反馈和非线性坐标变换，将非线性系统转化为线性系统。
包含关系： 当r=n时，输入输出线性化自动退化为输入状态线性化。可以说，输入状态线性化是输入输出线性化的一种特殊情况。
设计流程相似： 都需要计算李导数、李括号，都需要检验能控性/能观性相关的条件。

3.5 一个简单的例子：看看它们怎么用

假设有一个二阶系统：

ẋ1 = x2
ẋ2 = x1^2 + u
y = x1

用输入输出线性化：

相对阶r=2（因为对y求两次导，u才出现：ÿ = ẋ2 = x1^2 + u）。

设计控制律：u = v - x1^2，得到 ÿ = v。

此时，内部动态不存在（因为r=n=2），所以系统完全线性化。这其实也是输入状态线性化。

如果系统改成：

ẋ1 = x1 * x2
ẋ2 = x1^2 + u
y = x1

对y求导：ẏ = x1*x2，再求导：ÿ = x2*ẋ1 + x1*ẋ2 = x2*(x1*x2) + x1*(x1^2 + u) = x1*x2^2 + x1^3 + x1*u。

相对阶r=2，控制律：u = (v - x1*x2^2 - x1^3) / x1（假设x1≠0）。

此时，内部动态？没有，因为r=n=2。但注意，控制律里出现了除以x1，这意味着x1=0是一个奇异点。我在实际项目中遇到这种情况，通常会做分段处理，或者在奇异点附近切换成其他控制策略。

总结一下：

输入输出线性化，是“点对点”的线性化，我只看输出。输入状态线性化，是“面面俱到”的线性化，我要管所有状态。

在工程中，我个人的建议是：

优先尝试输入输出线性化，因为它实现简单，对模型要求相对低。
务必检查零动态的稳定性。这是最容易翻车的地方。我曾经在无人机姿态控制中，用输入输出线性化把角度跟踪做得很好，但忽略了角速度的零动态，结果在高速机动时，角速度发散，飞机直接翻了。嗯，那是一次昂贵的试错。
如果系统结构特殊（比如机械臂的动力学），且你追求完美的动态性能，再考虑输入状态线性化。但要做好心理准备，它的数学推导和实现难度会大一个量级。