本文目录导读：
- 小增益定理（Small Gain Theorem）—— 核心理论基石
- 结构化不确定性建模与 ( \mu ) 综合
- ( H_\infty ) 鲁棒控制 —— 最常用的方法
- 定量反馈理论（QFT）
- 线性参数变化（LPV）控制
- 总结与选择建议
在设计控制器时，预先考虑并应对系统模型与真实系统之间的差异（即不确定性），确保即使在最坏情况下，系统也能保持稳定并满足一定的性能指标。
不确定性主要分为两类：
- 参数不确定性：模型的结构已知，但参数在某个范围内变化（电阻受温度影响、飞行器质量随燃料消耗变化）。
- 动态不确定性（未建模动态）：模型的结构本身不准确，存在高频未建模动态（如结构共振、执行器延迟、传感器噪声等），这通常用一个“摄动块”来表示,其大小有界。
鲁棒控制处理这些不确定性的典型方法如下：
小增益定理（Small Gain Theorem）—— 核心理论基石
这是鲁棒控制的基石，它给出了一个系统在含有不确定性时稳定的充分条件。
- 思想：将系统分解为两个部分：一个标称系统 ( G ) 和一个不确定性块 ( \Delta )，如果两个部分的“增益”（通常为 ( H_\infty ) 范数，即系统最大奇异值的峰值）的乘积小于 1,则整个闭环系统是稳定的。
- 直观理解：不确定性带来的能量不会在系统内部被放大，最终会衰减。( |\Delta|\infty \cdot |G|\infty < 1 ),这为后续所有方法提供了理论基础。
结构化不确定性建模与 ( \mu ) 综合
实际系统的不确定性往往是结构化的（多个参数、多个未建模动态同时存在）。( \mu ) 分析（结构化奇异值）是处理这种情况的精确工具。
- 思想：将不确定性分为多个独立未知但有界的块（一个块代表参数摄动，另一个代表未建模高频动态），然后引入一个参数 ( \mu )，它衡量标称系统 ( G ) 在最坏情况下被这些结构化不确定性破坏稳定性的难易程度。
- 处理方式：通过 ( \mu ) 综合（也称 ( D-K ) 迭代），设计一个控制器 ( K )，使得整个系统的结构化奇异值 ( \mu < 1 )，这能保证系统对所有满足该结构化形式的不确定性都具有鲁棒稳定性，与简单的 ( H_\infty ) 控制相比，( \mu ) 综合通常能得到更低保守性的控制器（即对不确定性的容忍度更大）。
( H_\infty ) 鲁棒控制 —— 最常用的方法
( H_\infty ) 控制是鲁棒控制中最经典、应用最广的设计方法，它直接将不确定性视为一种“最坏情况”的干扰或摄动。
- 思想：设计一个控制器，使系统从外部输入（如参考信号、干扰、噪声）到关注输出（如跟踪误差、控制力）的传递函数的 ( H_\infty ) 范数最小化（即抑制最坏情况下的能量增益）。
- 处理不确定性的方式：将不确定性视为一个“虚拟的”输出干扰，通过加权函数（( W_s, W_t, W_u ) 等）来塑形系统对低频跟踪、高频噪声和不确定性的灵敏度。
- 权函数 ( W_s )（性能权）：强调在低频段抑制干扰和跟踪参考信号，要求 ( |Ws S|\infty < 1 )（S 为灵敏度函数）。
- 权函数 ( W_t )（鲁棒权）：强调在高频段抑制未建模动态，要求 ( |Wt T|\infty < 1 )（T 为补灵敏度函数），这里 ( W_t ) 通常描述不确定性的大小（高频下增益上限为 1，低频下很小）。
- 标准解法：通过求解两个代数 Riccati 方程或线性矩阵不等式（LMI）直接得到控制器，设计良好的 ( H_\infty ) 控制器能平衡性能与鲁棒性。
定量反馈理论（QFT）
这是一种工程实用性强的频域方法,特别适合处理参数不确定性。
- 思想：直接在 Nichols 图上，针对一组覆盖所有可能参数的频率点，计算出保证系统稳定和满足性能指标的控制器频率响应允许范围，然后通过回路成型（loop-shaping）技术,设计一个控制器使其频率响应落在这个允许范围内。
- 处理方式：QFT 本质上是“最坏情况”设计，它明确地列出所有可能的不确定性情况，然后要求控制器在所有情况下都满足性能，它的优点是直观、能处理大范围参数变化，且设计结果易于调整，缺点是设计过程对工程师经验要求较高,且不适合处理复杂的非线性不确定性。
线性参数变化（LPV）控制
当不确定参数可以实时测量或估计时，LPV 控制是一种非常有效的方法。
- 思想：将系统模型表示为时变参数 ( p(t) ) 的线性函数（如 ( A(p), B(p) )），其中参数变化范围已知，设计一个随参数变化的自适应控制器 ( K(p(t)) )，它本质上是一个“增益调度”控制器,但通过李雅普诺夫稳定性理论严格保证了在参数任何变化轨迹下的稳定性和性能。
- 处理方式：将不确定参数视为调度变量，飞行器的马赫数和动态压力就是典型的调度变量，LPV 控制器会随着马赫数变化自动调整控制增益。
总结与选择建议
| 方法 | 核心思想 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|---|
| 小增益定理 | 增益乘积小于 1 | 理论理解、基础 | 数学精炼，揭示本质 | 过于保守，不实用 |
| ( \mu ) 综合 | 结构化奇异值最小化 | 多个并行不确定性的复杂系统 | 处理结构化不确定性最精确，低保守性 | 设计复杂，计算量大，不易迭代 |
| ( H_\infty ) | 抑制最坏情况能量增益 | 工业标准，平衡性能和鲁棒性 | 理论成熟，有标准解法（LMI），易于加权调节 | 对不确定性结构描述不够精细（保守性介于小增益和 ( \mu ) 之间） |
| QFT | 频域回路成型，保证最坏情况 | 大范围参数变化，强非线性 | 直观，工程实用性强，可调整 | 设计繁琐，依赖工程师经验，不适合纯动态不确定性 |
| LPV | 参数自适应调度 | 可测量的参数变化（如飞行器） | 性能好，适应性强，严格稳定 | 需要实时参数测量，模型复杂度高 |
实际工程建议：在大多数经典应用中（如电力系统、电机控制、汽车底盘），( H_\infty ) 控制是起步的首选，因为它有成熟的工具箱（如 Matlab 的 Robust Control Toolbox），且能很好地平衡性能与鲁棒性，如果系统不确定性主要表现为多个已知结构的参数变化（如不同负载下机器人的刚度），QFT 或 LPV 可能更直接，如果系统含有明显的未建模高频动态（如柔性结构），( \mu ) 综合可能给出的更低保守性结果会更优。
