企业官网建设流程全解析

简介：这份PDF文献面向水下机器人控制方向的研究生、科研人员与无人系统开发者，聚焦外部干扰下轨迹跟踪精度难以保证的问题，给出基于干扰观测器的预定性能控制方案。资源为单篇论文，压缩包内仅含1个PDF文件，约2.12MB，内容完整呈现了从干扰观测器设计、前馈补偿到非奇异快速积分终端滑模控制器的推导过程。文中引入指数型障碍李雅普诺夫函数，使跟踪误差在有限时间内收敛至零并满足预定性能边界，同时有效抑制传统滑模的抖动现象，并附有波浪、水流及海洋生物扰动等仿真案例验证。已有93人学习，适合希望深入理解有限时间干扰观测器与预定性能控制结合思路、并借鉴其数学证明与仿真验证方法的读者参考。

1. 从一次水池试验翻车说起：预定性能控制到底在解决什么

去年秋天，我们在两米深的试验水池里跑一台六推进器作业型 ROV，任务很简单：定深两米，悬停。结果第一次下水就翻车了——深度曲线在目标值附近来回振荡，超调接近 0.4 米，稳态误差始终压不到 5 厘米以内。控制器参数调了三轮，PID 换了两套，效果都不理想。问题不在 PID 本身，而在于我们从来没告诉控制器「你要以多快的速度、允许多大的超调、最终收敛到多小的误差带」——这些指标全靠试凑，而水下机器人面对的是时变浮力、脐带缆拉力、推进器死区、水流扰动叠加的复杂工况，试凑出来的参数换个工况就失效。

这就是预定性能控制（Prescribed Performance Control, PPC）要解决的问题：把「超调不超过多少、收敛时间不超过多少、稳态误差不超过多少」写成显式的数学约束，通过一个误差变换函数把原始跟踪误差映射到新的无约束空间，让控制器在这个空间里设计，从而保证原始误差始终落在预设的性能包络内。配合干扰观测器（Disturbance Observer, DOB）估计并前馈补偿集总扰动，再叠加滑模控制的鲁棒项，就构成了「基于干扰观测器的水下机器人预定性能控制」这条技术路线。它适合谁？适合已经跑通基础 PID 或反步控制、但被工况变化和扰动搞得反复调参的从业者；也适合做水下装备控制算法研究、需要给出一套可复现仿真与水池验证流程的工程师。有限时间收敛是这条路线常见的进阶诉求，后面会单独讲怎么把收敛时间也纳入约束。

2. 干扰观测器与预定性能控制：为什么这两个模块必须一起用

2.1 水下机器人动力学里哪些项该被「观测」掉

水下机器人六自由度动力学模型可以写成：

M(η)η̈ + C(η,η̇)η̇ + D(η,η̇)η̇ + g(η) = τ + τ_d

其中 M 是惯性矩阵（含附加质量），C 是科氏力与向心力，D 是水动力阻尼，g 是恢复力（重力与浮力之差），τ 是推进器推力，τ_d 是外部扰动（水流、脐带缆、负载变化）。实际工程中，M、C、D 的标称值都有误差，g 随负载和压载变化，τ_d 不可测。把这些不确定项全部归入「集总扰动」d：

d = ΔM η̈ + ΔC η̇ + ΔD η̇ + Δg + τ_d

干扰观测器的作用就是在不测量 d 的前提下，用系统状态和已知输入估计出 d̂，然后在前馈通道里补偿掉。常见做法是非线性干扰观测器（NDOB）：

ż = -L(z + L·M₀·η̇) - L(τ - C₀η̇ - D₀η̇ - g₀) d̂ = z + L·M₀·η̇

L 是观测器增益矩阵，M₀、C₀、D₀、g₀ 是标称模型项。这个结构本质是一个扩张状态观测器的变体，把 d 当成扩张状态来估计。选它的理由很直接：不需要对 d 做任何先验假设（不需要知道它是常值还是慢变），只要 L 选得让观测器带宽高于扰动的主要频率分量，估计误差就能压到很小。

2.2 预定性能控制的核心：误差变换函数怎么选

PPC 的关键是定义一个性能函数 ρ(t) 和一个误差变换。性能函数通常取：

ρ(t) = (ρ₀ - ρ∞)·exp(-l·t) + ρ∞

ρ₀ 是初始误差包络，ρ∞ 是稳态误差上界，l 是收敛速率。跟踪误差 e(t) 被约束在：

-δ·ρ(t) < e(t) < ρ(t) （δ ∈ (0,1] 是超调抑制因子）

然后做误差变换，把受约束的 e 映射到无约束变量 ε：

ε = ln( (δ·ρ + e) / (ρ - e) )

对 ε 求导，得到变换后的误差动态，控制器在 ε 空间里设计。这样只要 ε 有界，e 就永远落在包络内。这就是「预定性能」四个字的数学含义——性能不是调出来的，是设计进去的。

2.3 滑模控制在这里扮演什么角色

变换后的 ε 动态里仍然含有不确定项和扰动。滑模控制的作用是设计一个滑模面 s = ε̇ + λ·ε，用切换项保证 s 在有限时间内到达零。但纯滑模的切换增益必须大于扰动上界，而水下扰动上界往往估不准，增益取大了抖振严重，取小了鲁棒性不够。这就是为什么要把干扰观测器加进来：用 d̂ 做前馈补偿，滑模切换增益只需要覆盖观测误差，可以大幅降低，抖振随之减小。三者是互补关系，不是简单叠加。

2.4 最小可跑的仿真验证：MATLAB/Simulink 还是 Python

我一般先用 Python 做算法快速验证，再上 Simulink 做工程化。下面是一个单自由度（深度通道）的最小仿真骨架：

import numpy as np # 标称模型参数（深度通道简化） m0, d0, g0 = 120.0, 45.0, 8.0 # 质量、阻尼、恢复力 rho0, rho_inf, l = 0.5, 0.02, 1.2 # 性能函数参数 delta = 0.8 # 超调抑制因子 L = np.diag([30.0, 30.0]) # 观测器增益 lam = 2.0 # 滑模面系数 k_switch = 0.5 # 切换增益（有DOB后可取小） dt, T = 0.001, 30.0 steps = int(T / dt) z = np.zeros(2) # 观测器状态 eta = np.zeros(2) # [深度, 速度] d_hat = 0.0 def rho(t): return (rho0 - rho_inf) * np.exp(-l * t) + rho_inf for k in range(steps): t = k * dt # 参考轨迹：从0平滑到2米 eta_d = 2.0 * (1 - np.exp(-0.8 * t)) e = eta[0] - eta_d # 误差变换 r = rho(t) eps = np.log((delta * r + e) / (r - e)) # 滑模面 s = eps + lam * eps # 简化写法，实际需对eps求导 # 干扰观测器更新（离散化） z = z + dt * (-L @ (z + L @ (m0 * eta[1])) - L @ (tau - d0 * eta[1] - g0)) d_hat = z[0] + L[0,0] * m0 * eta[1] # 控制律：前馈补偿 + 滑模项 tau = m0 * (0.8 * 0.8 * np.exp(-0.8 * t)) + d0 * eta[1] + g0 \ - d_hat - k_switch * np.sign(s) # 真实系统（含未建模扰动） d_true = 5.0 * np.sin(0.5 * t) + 3.0 eta[1] += dt * (tau + d_true - d0 * eta[1] - g0) / m0 eta[0] += dt * eta[1]

这段代码里几个参数需要重点说明。rho0决定初始包络，一般取初始误差的 1.2 到 1.5 倍，太小会导致变换函数在 t=0 附近数值爆炸；rho_inf就是你要的稳态误差上界，取 0.02 米意味着最终误差不超过 2 厘米；l控制收敛速度，但不要超过执行器带宽，否则控制量饱和。观测器增益L的选取原则是让观测器极点比控制器闭环极点快 3 到 5 倍，我一般从 20 开始试，逐步加到 50 左右。k_switch在 DOB 正常工作的情况下取 0.3 到 0.8 就够，没有 DOB 时通常要取到 5 以上，抖振会非常明显。

2.5 从仿真到水池：需要改的三个地方

仿真跑通不代表水池能跑。第一，执行器模型要加进去，推进器有死区和饱和，死区会导致小误差时控制量被吃掉，PPC 的包络在稳态段可能被突破；第二，传感器噪声要加，深度计噪声一般在 1 到 2 厘米量级，如果 rho_inf 取 2 厘米，噪声直接吃掉整个误差带，实际工程中 rho_inf 至少取噪声标准差的 3 倍；第三，离散化步长要和实际控制器一致，水池试验常用 100 Hz 到 200 Hz，仿真用 1 kHz 跑出来的结果直接搬到 100 Hz 会出问题，观测器增益需要重新整定。

3. 把控制律落到代码：从连续域到离散域的四个关键步骤

3.1 连续控制律的完整形式与各项含义

把前面几个模块拼起来，完整的控制律是：

τ = M₀·(η̈_d - λ·ε̇) + C₀η̇ + D₀η̇ + g₀ - d̂ - K_s·sat(s/Φ)

第一项是标称模型前馈加滑模等效控制，第二到第四项是模型补偿，第五项是干扰前馈补偿，最后一项是滑模切换项。sat(s/Φ)是饱和函数替代符号函数，Φ 是边界层厚度，用来进一步抑制抖振。Φ 取 0.01 到 0.05 之间，太小抖振抑制不够，太大稳态误差会增加。K_s 是切换增益矩阵，对角元素根据各通道观测误差上界来定，一般取观测误差上界的 1.5 倍。

3.2 离散化时最容易出问题的两项

离散化时，误差变换函数和观测器是重灾区。误差变换里的指数项在 t 很小时变化极快，如果直接用前向欧拉离散，dt 稍大就会数值溢出。我的做法是对 ρ(t) 用解析式直接计算，不做数值积分；对 ε 的导数用后向差分，保证数值稳定。观测器离散化推荐用零阶保持或双线性变换，前向欧拉在 L 较大时会发散。下面是一个离散化后的观测器更新：

# 双线性离散化观测器（推荐） A = -L B = -L @ np.array([[0, 0], [0, 0]]) # 根据实际输入矩阵填写 # 双线性变换：Ad = (I + A*dt/2) @ inv(I - A*dt/2) I = np.eye(2) Ad = (I + A * dt / 2) @ np.linalg.inv(I - A * dt / 2) # 每步更新 z = Ad @ z + dt * (-L @ (tau_vec - C0 @ eta[1] - D0 @ eta[1] - g0)) d_hat = z + L @ (m0 * eta[1])

注意tau_vec是实际控制输入向量，C0、D0、g0是标称值。双线性变换的好处是在 L 较大时仍然稳定，代价是计算量略增，但 200 Hz 下完全不是问题。

3.3 参数整定的顺序：先观测器，再滑模，最后性能函数

整定顺序错了会浪费大量时间。正确顺序是：先把性能函数放宽（rho0 取大、rho_inf 取大、l 取小），只调观测器，看 d̂ 能不能跟上真实扰动；观测器跟上了，再把滑模切换增益降到刚好能压住观测误差；最后收紧性能函数，观察控制量是否饱和。如果先收紧性能函数再调观测器，控制量会一直饱和，根本看不出观测器效果。我一般用阶跃扰动和正弦扰动两种工况分别验证观测器，阶跃看收敛速度，正弦看相位滞后。

3.4 用仿真数据反推观测器带宽是否够用

一个实用的判断方法：把 d̂ 和 d_true 画在同一张图上，看相位差。如果 d̂ 滞后 d_true 超过 30 度，说明观测器带宽不够，需要加大 L。但 L 不能无限加大，L 太大会放大测量噪声，d̂ 会变得毛刺。折中点是让观测器带宽取扰动主要频率分量的 3 到 5 倍。水下扰动的主要频率一般在 0.1 到 1 Hz，观测器带宽做到 3 到 5 Hz 就够，对应 L 大约在 20 到 50 之间。

4. 避坑与排查：水池试验里最常翻车的五个点

4.1 现象：误差在初始阶段就冲出包络，变换函数报错

原因通常是 rho0 取得太小，初始误差 e(0) 已经接近或超过 delta·rho0，变换函数分母趋近零。解决方法是把 rho0 设为初始误差的 1.5 倍以上，或者在控制器启动前先做一段开环镇定，等误差降下来再切入 PPC。

4.2 现象：稳态误差始终压不到 rho_inf 以内

先查传感器噪声，如果噪声幅值接近 rho_inf，误差带根本不可能守住。再查执行器死区，死区会导致小误差时控制量被吃掉。最后查观测器是否有稳态偏差，如果 d̂ 在稳态时和真实扰动差一个常值，说明观测器积分项没收敛，检查 L 是否太小或离散化是否用了前向欧拉。

4.3 现象：控制量抖振严重，推进器发出明显噪音

切换增益 K_s 取大了，或者边界层 Φ 取小了。有 DOB 的情况下 K_s 应该能降到 1 以下，如果还需要取到 5 以上，说明观测器没工作好。先检查 d̂ 是否真的在补偿，再检查 sat 函数的实现是否正确。另外，推进器本身的响应延迟也会导致抖振，可以在控制量后加一个一阶低通滤波，截止频率取推进器带宽的 2 到 3 倍。

4.4 现象：仿真能跑，水池跑几分钟后发散

最常见的原因是积分饱和。PPC 的变换函数在误差接近包络边界时会急剧增大，控制量随之饱和，饱和后误差继续增大，形成正反馈。解决方法是在控制量后加抗积分饱和逻辑，或者当误差接近包络边界时主动放宽包络。另一个原因是观测器增益在离散化后实际带宽下降，需要重新整定。

4.5 现象：换一个工况（负载变化、水流变化）就失效

这是没有做参数自适应的典型表现。PPC 保证的是误差在包络内，但如果扰动超出观测器带宽，d̂ 跟不上，滑模项又压不住，包络就会被突破。工程上的做法是给观测器加自适应律，让 L 随扰动频率变化调整，或者把性能函数也做成自适应的，扰动大时自动放宽 rho_inf。这属于进阶内容，但水池试验中迟早会遇到。

5. 有限时间收敛与自适应增益：把「预定时间」也写进约束

5.1 从预定性能到预定时间：性能函数换一种形式

前面用的指数型性能函数 ρ(t) = (ρ₀-ρ∞)exp(-lt)+ρ∞ 理论上要到无穷时间才收敛到 ρ∞，严格说不是有限时间。如果任务要求「10 秒内必须收敛到 2 厘米」，就需要换用有限时间性能函数：

ρ(t) = (ρ₀ - ρ∞)·((T-t)/T)^(1/n) + ρ∞, t < T ρ(t) = ρ∞, t ≥ T

T 是预定收敛时间，n 是收敛阶数，一般取 2 到 4。这个函数在 t=T 时精确到达 ρ∞，之后保持不变。误差变换的形式不变，但 ε 的动态会多出一项与 (T-t) 相关的时变系数，控制器设计时需要相应调整。注意 T 不能取得比执行器物理响应时间还短，否则控制量必然饱和。

5.2 自适应滑模增益：让切换项自己找上界

固定切换增益的滑模控制需要预先知道扰动上界，而水下扰动上界往往估不准。自适应滑模的做法是让 K_s 随时间自适应调整：

K̇_s = γ·|s|, 当 |s| > ε₀ K̇_s = -σ·K_s, 当 |s| ≤ ε₀

γ 是自适应增益，σ 是泄漏项系数，ε₀ 是边界层。这样 K_s 会自动增长到刚好压住扰动，扰动减小时又会缓慢下降，既保证鲁棒性又减少抖振。γ 取 0.5 到 2 之间，σ 取 0.01 到 0.1 之间。这个方法和 DOB 配合使用时，K_s 的稳态值通常能降到 0.5 以下。

5.3 验证方法：用三组工况交叉验证

算法改完后不要只跑一组工况。我一般用三组：第一组，无外部扰动，只验证标称性能；第二组，加常值扰动和正弦扰动，验证观测器和滑模的鲁棒性；第三组，改变模型参数（质量加 20%、阻尼减 30%），验证对模型误差的容忍度。三组都过了，再上水池。水池试验也分三步：先悬停，再定深，最后轨迹跟踪。每一步都记录误差曲线和控制量曲线，事后用包络线画出来，一眼就能看出有没有突破。

5.4 一个具体技巧：用误差包络反推控制器带宽

如果误差曲线在包络内但贴着上边界走，说明控制器带宽不够，需要加大 l 或加大滑模增益。如果误差曲线在包络中间但抖振明显，说明增益过大，需要减小 K_s 或加大 Φ。如果误差曲线在初始阶段冲出包络然后被拉回来，说明 rho0 太小或初始控制量饱和。这三种形态对应三种不同的整定方向，比盲调参数快得多。

我自己的习惯是每次水池试验前，先在仿真里把这三组工况跑一遍，把误差包络和控制量曲线打印出来贴在控制台旁边，试验时对照着看。这个习惯帮我省了至少三轮下水时间。希望帮到你。

本文还有配套的精品资源，点击获取