1. 轨迹跟踪控制的鲁棒性挑战

轨迹跟踪控制在机器人、无人机、自动驾驶等领域应用广泛，其核心目标是让系统输出精准跟随期望轨迹。但在实际工程中，我们总会遇到三类典型干扰源：模型误差（Model Uncertainty）、外部干扰（External Disturbance）和执行器延迟（Actuator Delay）。这些因素会导致控制性能下降甚至系统失稳。

以四旋翼无人机为例，其动力学模型往往基于刚性假设和对称设计，但实际飞行中可能遇到：

• 模型误差：电池耗电导致的重量变化、机臂轻微变形
• 外部干扰：突风、雨雪等天气影响
• 执行器延迟：电调响应滞后、电机转速建立时间

这些非理想因素使得理想PID控制往往表现不佳。2016年ETH Zurich的无人机实验中，常规PID在突风干扰下轨迹偏移达1.2米，而鲁棒控制方法仅偏移0.3米。

2. 模型误差的应对策略

2.1 误差来源分析

模型误差主要分为两类：

1. 结构化误差：如忽略的高阶动力学特性
2. 非结构化误差：未建模的摩擦、间隙等

2.2 自适应控制方法

采用模型参考自适应控制（MRAC）框架：

# 伪代码示例 def adaptive_controller(state, reference): error = reference - state theta_hat += update_law(error) # 参数自适应律 return K*error + theta_hat*state

关键参数：

• 自适应增益γ：通常取0.1-5.0
• 学习率η：建议0.01-0.1

实践提示：自适应控制需保证持续激励条件，可通过叠加dither信号实现

2.3 干扰观测器设计

设计非线性干扰观测器（NDOB）：

τ_hat = z + p(x) ż = -L(x)z + L(x)[f(x) + g(x)u - p(x)]

其中L(x)为观测器增益矩阵，需满足匹配条件。

3. 外部干扰抑制技术

3.1 H∞鲁棒控制

构建加权混合灵敏度问题：

min‖W1S + W2T + W3KS‖∞

典型权重函数选择：

• W1 = diag([5/(s+0.1), 5/(s+0.1)])
• W2 = 0.01*I
• W3 = (s/1000 + 1)/(s/1e4 + 1)

3.2 滑模控制设计

选用超螺旋算法（STA）：

u = -k1|s|^0.5 sign(s) + v v̇ = -k2 sign(s)

参数整定规则：

• k1 > 2√(Dmax)
• k2 > Dmax 其中Dmax为干扰上界

3.3 实际应用对比

4. 执行器延迟补偿方案

4.1 Smith预估器改进

传统Smith预估器：

Ĝ(s)e^(-τs)

改进方案：

1. 增加Q滤波器：Q(s) = 1/(λs + 1)^n
2. 参数自适应：τ̂ = τ_nom + Δτ

4.2 时滞系统Backstepping

构建Lyapunov-Krasovskii泛函：

V = V1 + ∫(t-τ)^t x^T(s)Rx(s)ds

导出的控制律包含时滞补偿项：

u(t) = α(x(t)) + β(x(t-τ))

4.3 延迟影响实测数据

5. 复合控制架构设计

5.1 分层控制结构

1. 上层：轨迹生成器
2. 中层：鲁棒控制器（H∞/滑模）
3. 底层：延迟补偿器

5.2 参数整定流程

1. 先整定延迟补偿环节
2. 再调节干扰抑制参数
3. 最后优化跟踪性能

5.3 实际调试技巧

• 使用频率扫频法辨识实际延迟
• 通过阶跃响应观察抖振强度
• 逐步增大自适应增益直至出现振荡

6. 典型问题解决方案

6.1 抖振抑制方法

1. 边界层法：用sat(s/Φ)代替sign(s)
2. 高阶滑模：如Terminal滑模
3. 观测器补偿：估计并抵消高频分量

6.2 参数漂移预防

1. 投影算法：限制参数范围
2. σ修正：加入泄漏项
3. 死区处理：小误差时不更新

6.3 实时性保障

1. 固定步长离散化
2. 查表法实现复杂运算
3. 优先级任务调度

在四足机器人项目中，我们采用复合架构使跟踪误差降低62%。核心在于理解各干扰特性的本质差异——模型误差需要在线学习，外部干扰需要强鲁棒性，时滞则需要预测补偿。这需要结合频域分析和时域响应进行综合设计。