Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ii
ndice general
I
1
2
33
II
Estabilizacin
121
3. Estabilizacin
122
4. Linealizacin Parcial
147
170
6. Backstepping
187
218
8. Retroalimentacin de la salida
254
III
269
Estabilizacin Robusta
270
305
11.Backstepping robusto
314
IV
Seguimiento
321
12.Seguimiento (Tracking)
322
336
iii
VI
14.Introduccin
353
VII
358
Observabilidad
359
16.Sistemas lineales
376
393
405
iv
412
423
429
436
24.Mtodos exactos
444
Alta Ganancia
477
vi
493
Parte I
Algunas propiedades de
sistemas
Leccin 1
Grado Relativo, Forma Normal
y Dinmica Cero
1.1.
Grado Relativo
@h (x)
x
@x
@h (x)
@h (x)
=
f (x) +
g (x) u
@x
@x
, Lf h (x) + Lg h (x) u
y =
dnde
@h (x)
f (x)
@x
es la Derivada de Lie de h con respecto a f o a lo largo de f .
Ntese
@ (Lf h (x))
Lg Lf h (x) =
g (x)
@x
@ (Lf h (x))
L2f h (x) = Lf Lf h (x) =
f (x)
@x
@ Lkf 1 h (x)
k 1
k
Lf h (x) = Lf Lf h (x) =
f (x)
@x
y se define por convencin
Lf h (x) =
Si
Lg h (x) = 0
entonces
y = Lf h (x)
La primera derivada de la salida no depende de la entrada u. Tomando
una derivada (con respecto al tiempo) adicional de la salida
@ (Lf h (x))
[f (x) + g (x) u]
@x
= L2f h (x) + Lg Lf h (x) u
y (2) = y =
Si
Lg Lf h (x) = 0
+
y (3) =
Si
Lg L2f h (x) = 0
y
(3)
= L3f h (x)
Generalizando: Si
Lg Lif 1 h (x) = 0 , i = 1, 2, . . . ,
1;
Lg Lf 1 h (x) 6= 0
+
()
Lf h (x)
1;
Lg Lf 1 h (x) u
6= 0
1;
Ejemplo 1.2
x 1 = x2
x 2 = x1 + " (1
y = x1
y = x 1 = x2
y = x 2 =
x1 + " 1
x21 x2 + u
x1 + " 1
8
x21 x2 + u
Ejemplo 1.4
x 1 = x2
x 2 = x1 + " (1
y = x1 + x22
y = x 1 + 2x2 x 2 = x2
2x1 x2 + 2" 1
cx1 x3
y = x 3 = x1 x2
y = x 1 x2 + x1 x 2
= [ ax1 x2 + x1 ( bx2 + k
cx1 x3 )] + x2 u
1.2.
Forma Normal
10
6= 0 ; 8x 2 D0
6
6
6
6
6
z = T (x) = 6
6
6
6
4
(x)
..
.
7
7 2
7
n (x) 7
7 4
7,
h (x) 7
7
7
..
5
.
1
Lf h (x)
(x)
(x)
1 ; 8x 2 D0
5,4
3
5
(x), , n (x) son elegidos de tal forma que T (x) sea un difeomor 0 D0 D.
fismo en un dominio D
11
1
(x)
g (x) = 0 , 1 i n
@x
i
0
; 8x 2 D
tales que
y el mapa
(x), ,
(x)
(x)
g (x) = 0 , 1 i n
@x
i
T (x) = 4
13
(x)
(x)
; 8x 2 Nx
3
5 ,
restringido a Nx , es un difeomorfismo en Nx .
En tal caso el sistema en las nuevas coordenadas queda en la Forma
Normal
8
= f0 (, )
>
>
<
i = i+1 , 1 i 1
Forma Normal:
>
= Lf h (x) + Lg Lf 1 h (x) u
>
:
y = 1
o en forma ms compacta
8
< = f0 (, )
Forma Normal:
= Ac + Bc (x) [u
:
y = Cc
14
(x)]
dnde
2
6
6
6
Ac = 6
6
4
0
1
.. . .
.
.
0 0 0
0 0 0
0
0
..
.
1
0
..
.
0
0
..
.
0
0
..
.
0
0
..
.
7
6 7
7
6 7
7
6 7
,
B
=
7
6 7 ,
c
7
6 7
4 0 5
0 1 5
0 0
1
Cc = 1 0 0 0 0
Lf h (x)
1
(x) = Lg Lf h (x) , (x) =
Lg Lf 1 h (x)
Si x es un punto de equilibrio con entrada u = 0, para el cual y = 0, es
15
decir,
f (x ) = 0
h (x ) = 0
+
(x ) = 0
Elija (x) tal que (x ) = 0 y entonces z = 0 es un punto de equilibrio
con entrada u = 0.
1.3.
Dinmica Cero
(t)
1
x (t) = T
y
0
(t) = f0 ( (t) , 0) , (0) = 0
+
y (t) 0
Entonces
y (t) 0 =) x (t) 2 Z
x1 + " 1
2+x2
x 1 = x1 + 1+x32 u
3
x 2 = x3
x 3 = x1 x3 + u
y = x2
19
y = x 2 = x3
y = x 3 = x1 x3 + u =) = 2
(x) = Lg Lf h (x) = 1 , (x) =
Lf h (x)
Lg Lf 1 h (x)
x1 x3
Z = {x2 = x3 = 0}
u = u (x) = 0
x 1 =
x1
400
4
300
y = x2
x1
3
2
1
200
100
0
1
10
Time (sec)
100
10
10
80
u: input
0.5
x3
60
40
0.5
20
0
Time (sec)
10
Time (sec)
Time (sec)
y = x2
0.5
x1
3
2
0.5
1
0
10
0.5
0.5
0.5
10
10
Time (sec)
u: input
x3
Time (sec)
0.5
10
Time (sec)
Time (sec)
120
100
y = x2
x1
3
2
1
0
80
60
40
20
10
Time (sec)
10
10
Time (sec)
15
0.5
x3
u: input
10
0.5
10
Time (sec)
Time (sec)
(0) = 0 ,
@ (x)
g (x) =
@x
@ (x)
@x1
@ (x)
@x2
@ (x)
@x3
sea un difeomorfismo.
3
(x)
T (x) = 4 x2 5
x3
2
6
4
x1 + x3 + tan
24
x3
2+x23
1+x23
0
1
7
5=0
satisface la EDP y
(0) = 0.
2
3 2
x1 + x3 + tan
4
5
4
x2
T (x) = 1 =
2
x3
2
3
+ 2 + tan3 1 2
5
1
T 1 (z) = 4
2
x3
5,
8
2+22
1
>
= ( + 2 + tan 2 ) 1 + 1+2 2
>
>
2
<
1 = 2 ,
>
>
= ( + 2 + tan 1 2 ) 2 + u
>
: 2
y = 1
25
1.4.
26
dnde
2
6
6
6
A=6
6
4
C=
0
0
..
.
1
0
..
.
0
1
..
.
...
0
0
..
.
0
0
..
.
0
a0
0
a1
0
a2
0
an
1
an
b0 b1
bm 0
7
7
7
7
7
5
nn
0
0
..
.
6
6
6
, B=6
6
4 0
1
3
7
7
7
7
7
5
,
n1
1 , CAn
m)
= CAn
x + CAn
m)
m 1
m 1
B = bm 6= 0 .
dada por
Bu
1
.
bm
Entonces
N (s)
H (s) =
=
Q (s) N (s) + R (s)
1+
1
Q(s)
1 R(s)
Q(s) N (s)
T
= y , y y ( 1)
para obtener el modelo de estados
= Ac + Bc T + Bc bm e
y = Cc
29
Cc = 1 0
y
0
0
..
.
0
0
..
.
0
0
..
.
7
6
7
6
7
6
7 , Bc = 6
7
6
4 0
0 1 5
0 0
1
7
7
7
7 ,
7
5
2 R .
Sea (A0 , B0 , C0 ) una representacin mnima de la funcin de transR(s)
ferencia N
, es decir,
(s)
= A0 + B0 y
w = C0
Los valores propios de la matriz A0 son los races del polinomio N (s),
31
Leccin 2
Forma de Controlador
33
2.1.
Forma de Controlador
Definicin 2.1 Se dice que un sistema no lineal (con mltiples entradas) est en la Forma de Controlador si
x = Ax + B (x) [u
(x)]
dnde
(A, B) es controlable, A 2 Rnn , B 2 Rnp
(x), con : D Rn ! Rpp , es una matriz no singular para
cada x 2 D Rn .
Comentario 2.2 Ntese que un sistema que est en la Forma de Controlador se puede linealizar exactamente mediante retroalimentacin de
los estados:
Si se elige
u = (x) + 1 (x) v
34
dnde
(z)] .
dnde
6
6
6
Ac = 6
6
4
0
1
.. . .
.
.
0 0 0
0 0 0
0
0
..
.
1
0
..
.
0
0
..
.
0
0
..
.
0
0
..
.
7
6
7
6
7
6
,
B
=
7
6
c
7
6
5
4 0
0 1
0 0
1
7
7
7
7 .
7
5
= M z = M S (x) , T (x)
transforma al sistema a la forma
= Ac + Bc () [u
()]
dnde
(x) = (x) , (x) =
(x)
38
S (x)
.
(x)
Eligiendo
y = Cc = 1 = T1 (x) = h (x)
el sistema tiene Grado Relativo = n.
2.2.
1 ; 8x 2 D0
6= 0 ; 8x 2 D0
2
6
6
T (x) = 6
4
h (x)
Lf h (x)
..
.
Lnf 1 h (x)
39
3
7
7
7
5
(2.1)
sea un difeomorfismo?
2.2.1.
El parntesis de Lie
@g (x)
f (x)
@x
@f (x)
g (x)
@x
Propiedades
40
[f, g] =
[g, f ]
x2
sin x1
x2
, g=
0
x1
Entonces
x1
=
x1 + x2
0 0
1 0
x2
sin x1
41
x2
0
cos x1
1
1
0
x1
ad2f
2.2.2.
1 0
1 1
x2
g (x) = [f, adf g] =
sin x1
0
1
x1
cos x1
1
x1 + x2
x1 2x2
=
x1 + x2 sin x1 x1 cos x1
x2
Distribuciones
es involutiva si
g1 2
y g2 2
=) [g1 , g2 ] 2
, 8 1 i, j k
= span {f1 , f2 }
3
2
3
2x2
1
f 1 = 4 1 5 , f2 = 4 0 5
0
x2
2
dim ( (x)) = 2 , 8x 2 D
43
3
0
@f2
@f1
[f1 , f2 ] =
f1
f2 = 4 0 5
@x
@x
1
2
3
2x2 1 0
0 0 5 = 3 , 8x 2 D
rank [f1 (x) , f2 (x) , [f1 , f2 ] (x)] = rank 4 1
0 x2 1
no es involutiva
Ejemplo 2.11 D = {x 2 R3 | x21 + x23 6= 0}; = span {f1 , f2 }
2
3
2
3
2x3
x1
f1 = 4 1 5 , f2 = 4 2x2 5
0
x3
dim ( (x)) = 2 , 8x 2 D
2
3
4x3
@f2
@f1
[f1 , f2 ] =
f1
f2 = 4 2 5
@x
@x
0
44
2x3
4
1
rank [f1 (x) , f2 (x) , [f1 , f2 ] (x)] = rank
0
es involutiva
x1
2x2
x3
3
4x3
2 5 = 2 , 8x 2
0
Ejemplo 2.13
x =
a sin x2
+
x21
45
g (x) es involutiva en D0
0
1
@f
g=
@x
adf g (x) = [f , g] =
a cos x2
0
g (x) , adnf
g (x)
Lnf h (x)
Lg Lnf 1 h (x)
46
(x) = Lg Lf h (x) .
* Halle la transformacin
2
6
6
T (x) = 6
4
h (x)
Lf h (x)
..
.
Lnf 1 h (x)
7
7
7 .
5
47
32
3
0 0 0
x3 (1 + x2 )
5
adf g (x) = [f , g] = 4 0 1 0 5 4 x1
0 0
1
x2 (1 + x1 )
2
32
3
0 x3
(1 + x2 )
0
4 1 0
5 4 1 + x2 5
0
x2 (1 + x1 ) 0
x3
2
3
0
5
= 4 x1
(1 + 2x2 ) (1 + x1 )
48
0
2
4
adf g (x) = [f , adf g (x)] = 1
0
0
32
3
0
x3 (1 + x2 )
5
0 5 4 x1
2 (1 + x1 ) 0
x2 (1 + x1 )
3
(1 + 2x2 )
32
0 x3
(1 + x2 )
0
4 1 0
5
4
5
0
x1
x2 (1 + x1 ) 0
(1 + 2x2 ) (1 + x1 )
2
3
x1 x3 + (1 + 2x2 ) (1 + x2 ) (1 + x1 )
5
= 4 x3 (1 + x2 )
(1 + 2x2 ) (1 + x2 ) x3 3 (1 + x1 ) x1
2
En x = 0 la matriz
3
0 0
1
0 5
g (x) , adf g (x) , ad2f g (x) = 4 1 0
0
1 0
49
50
h (x) = x1 .
51
2.3.
Tres consecuencias importantes del anterior teorema sern presentadas [33, Seccin 2.2][24]
52
2.3.1.
Sistemas en el plano
@f (0)
x + g (0) u , Ax + bu
@x
es controlable.
2.3.2.
Retroalimentacin:
Corolario 2.16 Si el sistema no lineal con una sola entrada
x = f (x) + g (x) u
es Linealizable localmente por Retroalimentacin (es localmente transformable a la Forma de Controlador) en una vecindad del origen entonces su aproximacin lineal (linealizacin) en el origen
x =
@f (0)
x + g (0) u , Ax + bu
@x
es controlable, es decir,
rango b , Ab , A2 b , , An 1 b = n .
Ejercicio 2.17 Pruebe el corolario.
54
2.3.3.
(x1 , , xi ) + xi+1 , 1 i n
n (x1 , , xn ) + u ,
(0) = 0, 1 i
Prueba. Veremos dos pruebas: una verificando directamente las condiciones del teorema y la otra dando una transformacin explcita.
Comentario 2.19 Una Forma Triangular ms general est dada por
x i =
x n =
(x1 , , xi+1 ) , 1 i n 1
n (x1 , , xn ) + (x1 , , xn ) u ,
55
con 1 , ,
(0) 6= 0 , y
(0) = 0, 1 i n ,
@ i (0)
6= 0 , 1 i n
@xi+1
1.
57
Algunas Herramientas
Geomtricas
58
2.4.
Objetos importantes
Sea U un conjunto abierte de Rn . Algunos objetos geomtricos importantes son los siguientes:
2.4.1.
59
2.4.2.
La utilidad mayor de los mapas vectoriales ser como transformaciones de coordenadas: sea
2
3
1 (x)
6 2 (x) 7
6
7
z = (x) = 6
7 , : Rn ! Rn
..
4
5
.
n (x)
con las siguientes propiedades:
60
1.
2.
( (x)) = x , 8x 2 Rn .
1
(x) y
(z) son ambos mapeos suaves, es decir, que tienen
derivadas parciales de cualquier orden.
61
2.4.3.
Campos vectoriales
2.4.4.
Campos Covectoriales
63
Ntese que si
6
6
v=6
4
v1
v2
..
.
vn
3
7
7
7
5
w = w1 w2 wn
n
X
w i vi .
i=1
2.5.
Operaciones diferenciales
65
2.5.1.
@x2
@xn
1
6 @F@x2 (x)
@F2 (x)
@F2 (x) 7
6 @x1
7
@F
@x2
@xn
7 .
=6
.
.
.
.
6
7
..
..
..
..
@x
4
5
@Fm (x)
@Fm (x)
@Fm (x)
@x1
@x2
@xn
El valor de
@F
@x
66
@F
@x x0
2.5.2.
@x2
@xn
1
@x
que equivale a la Matriz Jacobiana de .
2.5.2.1.
Diferencial exacta
2.5.3.
Derivada de Lie
Involucra una funcin escalar (x) y un campo vectorial f (x), ambos definidos en U Rn , y genera una nueva funcin escalar Lf : U
67
Rn ! R, denominada la derivada de
X @ (x)
@ (x)
f (x) =
fi (x) .
@x
@x
i
i=1
Lg Lf (x) =
Lkf
L0f
68
2.5.4.
@f (x)
@x
6
@g (x) 6
=6
6
@x
4
@g (x)
f (x)
@x
@f (x)
g (x) ,
@x
@g1 (x)
@x1
@g2 (x)
@x1
@g1 (x)
@x2
@g2 (x)
@x2
..
.
@g1 (x)
@xn
@g2 (x)
@xn
@gn (x)
@x1
@gn (x)
@x2
@gn (x)
@xn
..
.
..
.
..
.
3
7
7
7
7
5
2. Es anticonmutativa, es decir,
[f, g] =
[g, f ] .
x1
=
x1 + x2
0 0
1 0
x2
sin x1
x2
x2
sin x1
71
, g=
x2
0
x1
0
cos x1
1
1
0
x1
ad2f
2.5.4.1.
1 0
1 1
x2
g (x) = [f, adf g] =
sin x1
0
1
x1
cos x1
1
x1 + x2
x1 2x2
=
x1 + x2 sin x1 x1 cos x1
x2
(t, x0 ) =
g (t, x0 ) =
f
(x0 ) = etf x0
tg
g, t (x0 ) = e x0
f, t
Lema 2.24 Supngase que f, g : X Rn ! Rn son dos campos vectoriales (suaves) y que x0 2 X. Entonces
1
{[
t!0 t2
1
= lm 2 e
t!0 t
[f, g] (x0 ) = lm
g,
tg
f,
tf tg tf
e e x0
g, t
f, t ] (x0 )
x0 } (2.3)
x0 .
Por lo tanto
d
[
dt
f, t
(x0 )]t=0 = f (
f, 0
(x0 )) = f (x0 ) .
f, t
(x0 )]t=0 =
@f
f (x0 ) .
@x
t2 @f
f (x0 ) + o t2 .
2 @x
Despus, anlogamente
t2 @g
g (xa ) + o t2 .
2 @x
77
xb = xa + tg (xa ) +
(2.5)
Ahora debemos sustituir xa de (2.5) y simplificar la expresin despreciando todos los trminos que sean de orden mayor a t2 . Por lo tanto
slo es necesario estimar g (xa ) hasta el primer orden
@gen
t ya que est
multiplicado por t. Tambin es seguro reemplazar a @x
(xa ) g (xa ) por
@g
2
(x0 ) g (x0 ) ya que este trmino est multiplicado por t2 . Ya que
@x
t2 @f
g (xa ) = g x0 + tf (x0 ) +
f (x0 ) + o t2
2 @x
@g
= g (x0 ) + t (x0 ) f (x0 ) + o (t)
@x
78
se sigue que
t2 @f
@g
xb = x0 + tf (x0 ) +
(x0 ) f (x0 ) + t g (x0 ) + t (x0 ) f (x0 )
2 @x
@x
2
t @g
+
(x0 ) g (x0 ) + o t2
2 @x
= x0 + t [f (x0 ) + g (x0 )] +
@g
1 @g
2 1 @f
+t
(x0 ) f (x0 ) +
(x0 ) f (x0 ) +
(x0 ) g (x0 ) + o t2 .
2 @x
@x
2 @x
El proceso se repite, y los resultados son los siguientes
xc = xb
tf (xb ) +
t2 @f
(xb ) f (xb ) + o t2
2 @x
= x0 + tg (x0 ) +
1 @g
2 @g
+t
(x0 ) f (x0 ) +
(x0 ) g (x0 )
@x
2 @x
79
@f
(x0 ) g (x0 ) + o t2 ,
@x
t2 @g
tg (xc ) +
(xc ) g (xc ) + o t2
2
@x
@f
2 @g
= x0 + t
(x0 ) f (x0 )
(x0 ) g (x0 ) + o t2 .
@x
@x
xd = xc
2.5.5.
[f, g] = (x) (x) [f, g] (x)+ (x) (Lf (x)) g (x) (Lg (x)) (x) f (x
3. Si
Lg Lf (x) .
@ (x) @g (x)
L[f,g] (x) =
f (x)
@x
@x
2.6.
@f (x)
g (x)
@x
Los siguientes resultados son importantes para establecer propiedades de mapeos vectoriales. En realidad todos son equivalentes entre si.
83
G (x1 , , xn ) = (x1 , , xk , 0, , 0) .
por
Pk (x1 , , xn ) = (x1 , , xk , 0, , 0) .
y la matriz
@F
6
=4
@y
@F1
@y1
..
.
@Fn
@y1
..
.
@F1
@yn
..
.
@Fn
@yn
3
7
5
rango M x0 = k .
z1
x1 + x2
= (x1 , x2 ) =
z2
sin x2
@
1 1
=
0 cos x2
@x
tiene rango 2 en x0 = (0, 0). En el subconjunto
x1
z1
= (x1 , x2 ) =
x2
z2
1
x1 +1
definida en el conjunto
U 0 = {(x1 , x2 ) : x1 >
1} .
2.7.
Distribuciones
es involutiva si
g1 2
y g2 2
=) [g1 , g2 ] 2
Lema 2.37 Si
es una distribucin no singular en D, generada
por f1 , f2 , , fk entonces es involutiva si y slo si
[fi , fj ] 2
, 8 1 i, j k
90
Ejemplo 2.38 D = R3 ;
= span {f1 , f2 }
2
3
2
3
2x2
1
f 1 = 4 1 5 , f2 = 4 0 5
0
x2
dim ( (x)) = 2 , 8x 2 D
2
0
@f2
@f1
4
[f1 , f2 ] =
f1
f2 = 0
@x
@x
1
2
2x2
rank [f1 (x) , f2 (x) , [f1 , f2 ] (x)] = rank 4 1
0
no es involutiva
91
3
5
3
1 0
0 0 5 = 3 , 8x 2 D
x2 1
3
4x3
2 5 = 2 , 8x 2
0
Ejemplo 2.40 Cualquier distribucin de dimensin uno (1) es involutiva. Esto se debe a que tal distribucin se puede generar (localmente)
92
@f
f (x)
@x
@f
f (x) = 0 ,
@x
2.8.
Codistribuciones
(x)} .
En forma conversa, dada una codistribucin se puede construir la distribucin denotada por ? y denominada el aniquilador de , asignando
para cada x 2 U
? (x) = {v 2 Rn : hw , vi = 0 para todos w 2 (x)} .
94
Si una distribucin
es generada por las columnas de una matriz
F , cuyos elementos son funciones escalares suaves, su aniquilador es
identificado, en cada x 2 U , por el conjunto de vectores fila w que
satisfacen la condicin
w F (x) = 0 .
De igual manera, si una codistribucin es generada por las filas de
una matriz W , cuyos elementos son funciones escalares suaves de x,
su aniquilador es identificado, para cada x, por el conjunto de vectores
columna que satisfacen
W (x) v = 0 .
En este caso ? (x) es el ncleo (kernel) de la matriz W en el punto x
? (x) = ker (W (x)) .
Hay que ser cuidadosos acerca de la diferenciabilidad (suavidad) de
las distribuciones o codistribuciones generadas de esta manera, ya que
95
(x) =
{0}
(R1 )
si x 6= 0
si x = 0
2.9.
El teorema de Frobenius
d , x 2 U0 .
y hallar n
fila
@ j
(f1 (x) , , fd (x)) = 0
@x
d soluciones independientes, es decir, tales que los vectores
@ 1
@ n d
, ,
@x
@x
sean linealmente independientes en cada x. Es decir, cundo la distribucin tiene un aniquilador ? generado por diferenciales exactas?
Definicin 2.43 Una distribucin
no singular, de dimensin d, den
finida en un conjunto abierto U R se dice que es completamente
98
Ejemplo 2.44 D = R3 ;
= span {f1 , f2 }
2
3
2
3
2x2
1
f 1 = 4 1 5 , f2 = 4 0 5
0
x2
dim ( (x)) = 2 , 8x 2 D
3
2x2 1
0 5 = [2x2 w1 + w2 , w1 + x2 w3 ] = 0
[w1 , w2 , w3 ] 4 1
0 x2
2
99
w1 (x) = x2 w3 (x)
w2 (x) = 2x22 w3 (x)
y entonces
! (x) =
x2 , 2x22 , 1
w3 (x)
@!
@x
@x1
@x2
que no es simtrica.
existe
y entonces debe ocurrir que [f1 , f2 ] 2 . As que una condicin necesaria para que una distribucin sea completamente integrable, es que
sea involutiva. El teorema de Frobenius muestra que esta condicin es
tambin suficiente:
101
Teorema 2.45 de Frobenius. Una distribucin no singular es completamente integrable si y slo si la distribucin es involutiva.
Ejemplo 2.46 D = {x 2 R3 | x21 + x23 6= 0}; = span {f1 , f2 }
2
3
2
3
2x3
x1
f1 = 4 1 5 , f2 = 4 2x2 5
0
x3
dim ( (x)) = 2 , 8x 2 D
2
3
4x3
@f2
@f1
[f1 , f2 ] =
f1
f2 = 4 2 5
@x
@x
0
2
2x3
x1
4
1
2x2
rank [f1 (x) , f2 (x) , [f1 , f2 ] (x)] = rank
0
x3
102
3
4x3
2 5 = 2 , 8x 2
0
2.9.1.
Prueba de la suficiencia
@ f
f
(x)
=
f
(x)
, f0 (x) = x .
t
@t t
103
:x!
f
t
(x)
est definido para todo x en una vecindad de x0 y para todo |t| < T , es un
h i 1
difeomorfismo local (sobre su imagen) y ft
= f t . Adicionalmente
para todo t, s suficientemente pequeos
f
t+s
(x) =
f
t
f
s
(x) .
Se puede probar (ver los detalles en [24]) que una solucin de la ecuacin
diferencial parcial
@ j
(f1 (x) , , fd (x)) = 0
@x
se puede construir de la siguiente manera:
104
Construya el mapeo
: U"
! Rn
f1
(z1 , , zn ) !
z1
fn
zn
(x0 )
dnde U" = {z 2 Rn : |zi | < "}, y " " denota la composicin con
respecto al argumento x. Si " es suficientemente pequeo tiene
las siguientes propiedades:
Est definido para todo z = (z1 , , zn ) 2 U" y es un difeomorfismo sobre su imagen,
para todo z 2 U" las primeras d columnas de la matriz Jacobiana
@
@z
son vectores linealmente independientes en
105
( (z)).
(x)
(f1 (x) , , fd (x)) = 0 , j = d + 1, , n .
@x
Esto se deduce de
@ 1
@
= I , 8z 2 U" () 8x 2 U 0 .
@x x= (z) @z
106
j
2.9.2.
Ejemplos
exp (x2 )
(x) = span
1
107
exp (x2 )
1
f1 (x) =
, f2 (x) =
.
1
0
Los flujos de f1 (x), f2 (x) son muy simples.
x 1 = exp (x2 )
x1 (t) = x01 + exp (x02 ) (exp (t)
x 2 = 1
x2 (t) = x02 + t
x1 + z 2
f2
.
z2 (x) =
x2
108
1)
x1
exp (z1 ) + z2 1
= (z1 , z2 ) =
x2
z1
z1
x2
1
=
(x1 , x2 ) =
z2
x1 exp (x2 ) + 1
La funcin z2 (x1 , x2 ) = x1
@z2 (x1 , x2 )
f1 (x) = 0
@x
Ejemplo 2.48 Considere la distribucin en R2
2
x1
(x) = span
1
La distribucin tiene dimensin 1 para todo x 2 R2 , por lo tanto la
109
x0
x 1 = x21
x1 (t) = 1 x10 t
1
x 2 = 1
x2 (t) = x02 t
x1
f1
1 x1 z 1
z1 (x) =
x2 z 1
Ntese que este flujo no est definido para x1 z1 1, es decir, el campo
vectorial f1 no es completo.
x 1 = 1
x1 (t) = x01 + t
x 2 = 0
x2 (t) = x02
x1 + z 2
f2
.
z2 (x) =
x2
110
(z) =
1
x01 +z2
x02
(x1 , x2 ) =
z1
x02
x2
x1 +z2
1+x1 (x02 x2 )
x01
2.10.
g (x)
i r
k+r
dLf (x) , adf g (x) =
( 1)
Lrf i dLs+i
(x) , adkf g (x) .
f
i
i=0
(2.7)
112
k+r
dLf (x) , adk+r+1
g
(x)
=
dL
(x)
,
f
,
ad
g
(x)
f
f
f
s
s+1
k+r
k+r
= Lf dLf (x) , adf g (x)
dLf
(x) , adf g (x) .
114
1 j
Lg Lf 1 h (x) 6= 0
?
0
1
0
dh (x) , adf 1 g (x)
B 0
C
?
B
C
= B ..
C
@ .
A
?
1
tiene rango y, por lo tanto, los vectores fila dh (x0 ) , dLf h (x0 ) , dL2f h (x0 ) ,
y los vectores columna g (x) , adf g (x) , , adf 1 g (x) son linealmente independientes.
Este lema prueba que necesariamente n y que las funciones h (x)
, Lf h (x) , L2f h (x) , , Lf 1 h (x) califican como un conjunto parcial de
funciones coordenadas en una vecindad del punto x0 . Ahora podemos
probar el teorema.
El caso = n se sigue del Lema 2.50, cuya primera afirmacin prueba
que @T
es no singular, por lo que T es un difeomorfismo local.
@x
Considere ahora el caso < n. La distribucin
= span {g} es
no singular, involutiva y tiene dimensin uno. Por el teorema de Frobenius,
es completamente integrable. Por lo tanto para cada x0 2
D existe una vecindad U 0 de x0 y n 1 funciones escalares suaves
1 (x) , ,
n 1 (x) con diferenciales linealmente independientes tales
que
Lg i (x) = 0 , para 1 i n 1 , 8x 2 U 0 .
116
Ya que
y dh (x) , dLf h (x) , dL2f h (x) , , dLf 2 h (x) son linealmente independientes, podemos usar h (x) , Lf h (x) , L2f h (x) , , Lf 2 h (x)
como parte de esas n 1 funciones. En particular las tomamos como n +1 (x) , , n 1 (x). Debido a que Lg Lf 1 h (x) 6= 0 el vector fila dLf 1 h (x0 ) es linealmente independiente de los vectores fila
d 1 (x0 ) , , d n 1 (x0 ). Por lo tanto
@T 0
@T 0
rango
x
= n =)
x es no singular
@x
@x
y existe una vecindad U 1 de x0 tal que T (x) restringido a U 1 es un
difeomorfismo en U 1 . Tomando a N = U 0 \ U 1 completa la prueba del
teorema.
117
2.11.
2.11.1.
Necesidad
1 ; 8x 2 D0
6= 0 ; 8x 2 D0 .
adnf
g h (x)
g (x)
=0
=0.
Esta ecuacin implica que D es completamente integrable y, por el teorema de Frobenius, D es involutiva.
118
2.11.2.
Suficiencia
Supngase que las condiciones (1) y (2) del teorema son satisfechas.
Entonces D es no singular y tiene dimensin n 1. Por el teorema de
Frobenius existe una h (x) que satisface
Lg h (x) = Ladf g h (x) = = Ladn
f
g h (x)
=0.
1 ; 8x 2 D0 .
Adems
g (x)
120
1 h (x) 6=
g
n 1
Lg Lf h (x) 6=
f
0.
0,
Parte II
Estabilizacin
121
Leccin 3
Estabilizacin
122
3.1.
xss , u = u
uss
El control
u =
(x ) =) u = uss + (x
xss )
(x)
(0) = 0
124
3.1.1.
Sistemas Lineales
Sea el sistema
x = Ax + Bu
con (A, B) estabilizable (, controlable o todo valor propio incontrolable
tiene parte real negativa)
Encuentre K tal que (A BK) sea Hurwitz
u=
Kx
Mtodos tpicos:
Colocacin de polos (o de valores propios)
Colocacin de valores y vectores propios
LQR
125
3.1.2.
Linealizacin
, f (0, 0) = 0
BK)
Linealizacin
@f
(x, Kx)
@x
x = (A BK) x
x =
@f
(x, Kx) K
@u
x
x=0
Ya que (A BK) es Hurwitz, el origen es un punto de equilibrio exponencialmente estable del sistema en lazo cerrado.
Ejemplo 3.3 Ecuacin del pndulo
=
a sin
b + cT
a sin + cTss
, x2 = , u = T
127
Tss = T
a
sin
c
A=
x 1 = x2
x 2 = a [sin (x1 + )
0
1
a cos (x1 + )
B=
K=
BK =
sin ]
=
x1 =0
bx2 + cu
0
1
a cos
0
c
k1 k2
(a cos + ck1 )
es Hurwitz
(b + ck2 )
a cos
b
, k2 >
c
c
a sin
Kx =
k1 (
c
k1 >
T =
a
sin
c
128
k2
3.2.
(x)]
(x) es una matriz no singular
(x) v
Kz
BK) z
(x) KT (x)
1
x = f (x) + G (x) (x)
(x) KT (x)
Ntese que (Pruebe las afirmaciones!)
130
u = (x)
3.2.1.
(x) KT (x) ?
x3
que convergen global y asintticamente, pero no lo hacen exponencialmente (puede probarlo?). El comportamiento local (exponencial o asinttico) se puede decidir mediante la linealizacin.
132
1
2x2
x |x| e(
1
2x2
2x |x|3 e(
1
2x2
)=
2 |x|2 z
2
T(x)
DT(x)
1.5
1
0.5
0
0.5
1
1.5
2
1
0.8
0.6
0.4
0.2
0
x
134
0.2
0.4
0.6
0.8
100
T(x)
DT(x)
80
60
40
20
0
20
40
60
80
100
10
0
x
135
10
3.2.2.
(x) K T (x)
=
+
KT K T
(3.1)
1
.
2 kP Bk2
V (z) = z T P z
Esta es una funcin de Lyapunov para el sistema nominal (lineal). Luego, tomando su derivada a lo largo de las trayectorias del sistema per-
138
V (z) = z P (A BK) + (A
BK) P z + 2z T P B (z)
(1
) kzk22
2kP Bk2
. Por
Si k (z)k2 k kzk2 hacemos " = 0 en la anterior desigualdad y concluimos que el origen es GEE. Si " > 0
V (z)
(1
) 1
kzk22 , 8 kzk2
139
2" kP Bk2
, "c0
(1 )
a sin
, x2 = , u = T
x 1 = x2
x 2 = a [sin (x1 + )
u=
b + cT
Tss = T
sin ]
1
{a [sin (x1 + ) sin ]
c
140
a
sin
c
bx2 + cu
k1 x 1
k2 x 2 }
BK =
1
k1
(k2 + b)
a
1
sin = [a sin (x1 + )
c
c
Sean a
y c modelos nominales de a y c
T =u+
T =
(x) =
1
[
a sin (x1 + )
c
k1 x 1
es Hurwitz
k1 x1
k2 x 2 ]
k2 x 2 ]
x = (A BK) x + B (x)
a
c a
c
c c
sin (x1 + )
(k1 x1 + k2 x2 )
c
c
P =
p11 p12
p12 p22
, PB =
1
k< p 2
2 p12 + p222
p12
p22
sin = 0 =) " = 0
Es la linealizacin por retroalimentacin una buena idea?
Ejemplo 3.7
x = ax
u=
bx3 + u , a, b > 0
(k + a) x + bx3 , k > 0 , =) x =
kx
(k + a) x , k > 0 , =) x =
142
kx
bx3
0
1
x =
x
k1
k2
Diseo basado en pasividad: Considere la funcin de almacenamiento
de energa
x1
1
V (x) =
h (z) dz + x22
2
0
143
V = h (x1 ) x2
x2 h (x1 ) + x2 u = x2 u
(x2 ) ,
V =
(x2 )
x2 (x2 )
0
1
x =
x , k = 0 (0)
h0 (0)
k
El polinomio caracterstico es
s1,2
s2 + ks + h0 (0) = 0
s
2
k
k
=
h0 (0)
2
2
1. Ventaja: El control basado en pasividad no requiere un modelo de la funcin no lineal h (x1 ), por lo que es robusto ante
variaciones en ella,
2. Ventaja: Flexibilidad en la eleccin de
restricciones de la entrada.
146
Leccin 4
Linealizacin Parcial
147
4.1.
T1 (x)
z=
= T (x) =
T2 (x)
= f0 (, )
= A + B (x) [u (x)]
148
(x) v
= f0 (, )
= A + Bv
Si adems la nueva entrada v se disea como
v=
con K tal que la matriz (A
lazo cerrado es
(4.1)
BK)
4.1.1.
BK) + (A BK)T P =
151
y use
V (, ) = V1 () + k
T P , k > 0
152
f0 (, 0)k k1 kk
@V1 ()
k2
@
3 (kk) + k1 k2 kk
kk3 kk
4.1.2.
k , k > 0
+ 2
k , k > 0
+ 2 2
k =
(1 + k) v + v 2
0.
x = x + x2 y
y=2y
2
4
2
1
x
1 3
k 2 1
2k2 ,
K , k > 0
BK) =
0
k2
1
2k
cuyos valores propios son { k , k}, y la matriz de transicin de estados est dada por
(1 + kt) e kt
te kt
(A BK)t
e
=
2
kt
k te
(1 kt) e kt
158
0
0
0.5
1.5
2.5
kt
3.5
para valores de k =
= k 2 te
kt
t 0
Si
(0) =
1
0
=) =
kt
t=1/k
=) (t) =
1
1
2
=) 2 (t) =
k 2 te
k
! 1 cuando k ! 1
e
(1 + kt) e kt
k 2 te kt
kt
3 , (0) = 0
02
1 + 02 [t + (1 + kt) e
kt
1]
4.1.3.
La discusin anterior muestra que todo sistema Linealizable Parcialmente (o linealizable entrada-salida), y que sea de fase mnima, puede
ser estabilizado (localmente) mediante la ley de control por retroalimentacin de estados
u = (x)
(x), y T2 (x) ?
Sean
(x), (x), y T2 (x) modelos nominales de (x), (x), y T2 (x).
Con la ley de control
u=
(x)
(x) K T2 (x)
y por lo tanto
(x) K T2 (x)
i
(x) + BKT2 (x)
= f0 (, )
= (A BK) + B (z)
h
i
=
+ 1 KT2 1 K T2
BK
(4.2)
BK)
V () = T P
BK) + (A
164
BK)T P =
I .
1
kk22 , 8 kk2
2
4" kP Bk2
(k (T )k2 , t
T) +
(c")
T) "
(c")
Para probar la segunda parte del lema, recurdese que por el teorema converso de Lyapunov [28, Teorema 4.16] existe una funcin de
Lyapunov V1 (), contnuamente diferenciable, tal que
c1 kk22 V1 () c2 kk22
@V1 ()
f0 (, 0) c3 kk22
@
@V1 ()
c4 kk2
@
2
en alguna vecindad de = 0. Usando
167
kk22 +
T
kk2
bc3
=
1
kk2
bc
L
+ k kP Bk2
2 4
T
kk2
kk2
,
Q
kk2
kk2
168
1
bc L
2 4
+ k kP Bk2
2k kP Bk2
kk2
kk2
2
1
det Q = kc3 (1 2k kP Bk2 )
kc4 L + k kP Bk2
2
(
"
2 # )
1
= k c3
2c3 kP Bk2 +
c4 L + kP Bk2
k >0
2
si
k<h
c3
2c3 kP Bk2 +
1
cL
2 4
+ kP Bk2
169
Leccin 5
Funciones de Lyapunov de
control
170
Motivacin:
Para x = f (x): Estabilidad asinttica , Existe una funcin de
Lyapunov.
Para x = f (x, u): Estabilizabilidad asinttica , Existe una funcin de Lyapunov de Control.
Considere el sistema SI (El caso MI es anlogo)
x = f (x) + g (x) u
f (0) = 0 , x 2 Rn , u 2 R
(x)
es asintticamente estable.
Por el teorema converso de Lyapunov, existe una funcin de Lyapunov V (x) tal que
@V (x)
[f (x) + g (x)
@x
(x)] < 0 , 8x 2 D , x 6= 0
(x)] < 0 , 8x 2 D , x 6= 0
se concluye que
@V (x)
@V (x)
g (x) = 0 , para algn x 2 D , x 6= 0 =)
f (x) < 0
@x
@x
172
@V (x)
@V (x)
g (x) = 0 , para algn x 2 D , x 6= 0 =)
f (x) < 0
@x
@x
(5.1)
173
@V (x)
g
@x
@V (x)
g
@x
(x) 6= 0
(x) = 0 .
Frmula de Sontag
La funcin (x) es contnua para toda x 2 D0 (una vecindad del orgen) que incluye x = 0.
Si f y g son suaves, entonces (x) es suave para x 6= 0.
Sea V (x) una FLC global, entonces el control u =
balmente el origen.
Ntese que en este caso g (x) es una matriz con m columnas, g (x) =
[g1 (x) , g2 (x) , , gm (x)], y
Lg V (x) = [Lg1 V (x) , Lg2 V (x) , , Lgm V (x)] .
Prueba. Para la prueba de las propiedades de
vase [46, Seccin 5.9] o [24, Seccin 9.4]. Ahora se probar que el control propuesto
efectivamente estabiliza el origen
@V (x)
[f (x) + g (x)
V =
@x
176
(x)]
@V (x)
g
@x
(x)] =
(x) 6= 0
@V
f
@x
@V (x)
f (x) < 0 para x 6= 0
@x
q
@V
+
f + @V
g
@V
@V
@x
@x
V =
f
g
@V
@x
@x
g
@x
s
2
4
@V
@V
=
f +
g < 0 para x 6= 0
@x
@x
BK) z
P (A
BK) + (A
BK)T P =
Q , Q = QT > 0
bx3 + u , a, b > 0
179
u=
kx
1
V (x) = x2 es una FLC
2
@V (x)
@V (x)
g (x) = x ,
f (x) = x ax
@x
@x
@V
f
@x
2
@V
f
@x
@V
g
@x
4
@V
g
@x
x (ax
bx3
q
bx ) + x2 (ax
3
=
(x) =
ax + bx
180
q
x (a
bx2 )2 + 1
bx3 )2 + x4
Comprela con
u=
Mtodo
LR-u
LR-LC
FLC-u
FLC-LC
ax + bx3
kx , k > 0 .
Expresin
ax + bx3 kx
x =q kx
ax + bx3 x (a bx2 )2 + 1
q
x = x (a bx2 )2 + 1
pequeo |x|
(a + k) x
x = kx
p
a + a2 + 1 x
p
x =
a2 + 1x
@V (0)
=0.
@x
181
gran |x|
bx3
x = kx
ax
x =
bx3
1
2
, 1 ,
Prueba. Sea
2
3
s
2
4
1
@V
@V
@V
q (x) = 4
f+
f +
g 5 , q (0) = 0 .
2
@x
@x
@x
Si
@V (x)
g (x) 6= 0 =) q (x) > 0
@x
@V (x)
g (x) = 0 =) q (x) = 0
@x
q (x) es positiva semidefinida.
Si
@V (x)
@V (x)
V =
f (x) +
g (x) k (x)
@x
@x
Si
Si
pero
@V (x)
@V (x)
g (x) = 0 =) V =
f (x) < 0 para x 6= 0
@x
@x
@V (x)
g (x) 6= 0 =) V =
@x
q (x) +
q (x)+q (x)+
@V (x)
@V (x)
f (x)+
g (x) k (x)
@x
@x
@V (x)
@V (x)
f (x) +
g (x) k (x) =
@x
@x
2
3
s
2
4
1 4 @V
@V
@V
k
f+
f +
g 5
2
@x
@x
@x
183
0y
(0) = 0
J=
(x ( )) + |u ( )|2 d
0
185
entonces
Literatura
Algunas referencia para esta leccin son: [12, Captulo 12], [46, Seccin 5.9]
186
Leccin 6
Backstepping
187
Este es un mtodo para construir una Funcin de Lyapunov de Control (FLC) para una clase especial de sistemas.
6.1.
6.1.1.
()
W () , 8 2 D
6.1.2.
()
@V ()
g () z
@
kz , k > 0
V c
kz 2
W ()
@V ()
g () z
@
kz , k > 0
Comentario 6.2 En este caso, y en contraste con la Linealizacin Parcial (Leccin 4), la suma de las funciones de Lyapunov para los sistemas
individuales se convierte en una funcin de Lyapunov para el sistema
en cascada! Esto es gracias a la accin del control!
Comentario 6.3 Tambin a diferencia de la Linealizacin Parcial (Leccin 4) el subsistema esclavo de la cascada no tiene que ser estable con
entrada cero, sino que se puede estabilizar mediante el control virtual!
192
(x1 ) =
x21
x1
x1
x31
x21
(x1 ) = x2 + x1 + x21
193
x31 + z2 )
x21
x1
u=
x1
(1 + 2x1 )
194
x1
x31 + z2
z2
x21
x41
x21
x41
z22
x2 + x1 + x21
x1
(1 + 2x1 )
x1
x31 + z2
z2 =
(x1 , x2 )
x21
x41
(x1 , x2 )
@
@x2
( + z3 ) ,
@
@
+ z3 u
x21 x31 + x2
(z3 + )
@x1
@x2
2
x21 x41
x2 + x1 + x21 +
@V
@
+ z3
x2 x31 + x2
@x2 @x1 1
=
Eligiendo
u=
@V
@
+
x2
@x2 @x1 1
x31 + x2 +
197
@
(z3 + ) + u .
@x2
@
(z3 + )
@x2
z3
6.2.
Un caso ms general
dnde 2 Rn , 2 R , u 2 R.
Mediante la ley de control
u=
1
[v
ga (, )
fa (, )]
el sistema se convierte en
= f () + g ()
= v ,
198
6.3.
para todo x 2 Rn , z1 , , zk 2 R y
gi (x, z1 , , zi ) 6= 0 para 1 i k
El sistema esclavo
=
+ 2
2 , 8 2 R
+ 2 + u =
201
2 + 3 + u
6.4.
k , k > 0
k 2 < 0 , 8 (, ) 2 R2
Backstepping en bloques
() , (0) = 0
202
W () , 8 2 D
1
[
2
203
()]T [
()] .
@ ()
+ [
()]T fa (, ) + Ga (, ) u
(f () + G () )
@
@V ()
G ()
@
fa (, )
k (
())] , k > 0
resulta en
@V ()
V c =
[f () + G () ()]
@
W () k (
())T (
204
k (
())
())T (
())
6.5.
6.5.1.
Supngase que se tiene un sistema que es equivalente por retroalimentacin (transformacin + retroalimentacin de estados) al sistema
x 1 = F (x1 , x2 ) , x1 2 Rn m ,
x 2 = u
x2 , u 2 Rm
F (0, 0) = 0
F 2 C1
6.5.2.
FLC
Una funcin V (x1 , x2 ), C 1 , es FLC para el sistema completo si satisface las dos siguientes condiciones:
@V (x1 , x2 )
= 0 ) x2 = k (x1 )
(6.1)
@x2
@V (x1 , x2 )
@V1 (x1 )
x2 = k (x1 ) )
F (x1 , x2 ) =
F (x1 , k (x(6.2)
1 ))
@x1
@x1
206
k (x1 )]
(6.3)
V
1 (x1 )
(r) dr + [x2
k (x1 )]T
(x1 ) [x2
k (x1 )]
(6.4)
es C 1 , con
I)
(x1 ) =
1)
k (x1 )]T
(x1 ) [x2
k (x1 )]
+ [x2
Si
@V (x1 , x2 )
@x2
@V1 (x1 )
F (x1 , x2 )
@x1
@ (x1 )
T
k (x1 )]
, F (x1 , x2 ) [x2 k (x1 )]
@x1
@k (x1 )
T
k (x1 )] (x1 ) u
F (x1 , x2 )
{z
}
@x1
(V1 (x1 ))
+2 [x2
|
9
=
;
@V
@x2
V (x1 , x2 ) =
(V1 (x1 ))
@V1 (x1 )
F (x1 , k (x1 )) < 0, para x1 6= 0 .
@x1
208
6.5.3.
Ejemplo
2x1
x 1 =
7x31
V = 2x1 x1 + x1 + x2
n
h
io
3
+2 x2 + 2x1 + x21 u + 2 (1 + x1 ) x31 + x21 + x2
210
Cmo es el desempeo?
Hay muchas opciones para el control virtual
Hay muchas opciones para la FLC
Hay muchas opciones para la ley de control estabilizante.
Cmo explotar estos grados de libertad en el diseo para alcanzar un
buen desempeo en lazo cerrado? Problema Abierto.
6.6.
Desingularizacin
x32
6.6.1.
2 (c
1) x21 .
BS Convencional
1 2
1
x2 (cx1 ) 3
2
1
2
1
1
= x21 + x22 (cx1 ) 3 x2 + (cx1 ) 3
2
2
V (x1 , x2 ) = x21 +
= 2x1 x1
x32
+ x2
(cx1 )
1
3
c (x1
x32 )
2
(c |x1 |) 3
Como
x1
=
(1 c) x1 (x2 k (x1 )) x22 + x2 k (x1 ) + k 2 (x1 )
214
entonces
V
2 (1
+ (x2
2 (1
+ (x2
c) x21
2x1 (x2
k (x1 )) u
c) x21
k (x1 )) u
(c |x1 |) 3
c (x1
x32 )
(c |x1 |)
2
3
c (x1
x32 )
2
(c |x1 |) 3
x2
1
(cx1 ) 3 , > 0 .
Ntese que esta ley de control es inaceptable, ya que posee una singularidad (discontinuidad infinita) cuando x1 = 0.
215
6.6.2.
Desingularizacin
k 2p
(x1 ) = x2p
2
(cx1 )
x2
' (x1 , s) ds
|x2 |!1
(x1 , x2 ) = 1 .
216
2p 1
3
= 0, p
2.
(x1 , x2 )
x2p
2
2p
es un FLC cuando
x2 (cx1 )
1
.
2
x2p
V (x1 , x2 ) = 2
2p
2p 1
3
2p
2p 1
(cx1 ) 3 +
2p
x21
Eligiendo = p3 , la FLC es
x2 (cx1 )
2p 1
3
2p 1 2p
c3 +
2p
2p
x13
y es posible probar que la PCP se satisface. Por lo tanto, existe una ley
de control contnua en todo el espacio que estabiliza el orgen.
217
Leccin 7
Control basado en pasividad
218
7.1.
Idea bsica
Considere el sistema
x = f (x, u) , x 2 Rn , u 2 Rp
:
y = h (x) , y 2 Rp
f (0, 0) = 0 , h (0) = 0
Definicin 7.1 El sistema es pasivo si existe una funcin de almacenamiento de energa V (x), contnuamente diferenciable y positiva semidefinida, tal que
@V (x)
V =
f (x, u) uT y, 8x 2 Rn , u 2 Rp
@x
219
Definicin 7.2 El sistema es de estado cero observable si la nica trayectoria del sistema con entrada u = 0
x = f (x, 0)
que puede hacer la salida cero, es decir, que puede permanecer en el
conjunto {h (x) = 0} es la solucin trivial x (t) 0.
Un resultado bsico de estabilizacin asinttica para sistemas pasivos
es el siguiente
Teorema 7.3 Si el sistema es
1. Pasivo, con funcin de almacenamiento positiva definida y radialmente no acotada, y
2. de estado cero observable
220
(y)
(0) = 0 y
(y))
Su derivada es
@V (x)
V =
f (x, u)
@x
221
y T (y) 0
(y (t)) 0 =) x (t) 0
7.2.
T
@V (x)
y = h (x) ,
G (x)
@x
ya que
@V (x)
@V (x)
V =
[f (x) + G (x) u]
G (x) u = y T u .
@x
@x
Si adicionalmente es de estado cero observable, entonces puede utilizarse
el teorema para estabilizar asintticamente el origen.
Comentario 7.4 Ntese que no existe una nica salida pasiva. Para
cada eleccin de V (x) se obtiene una salida pasiva (posiblemente) diferente.
Considere, por ejemplo, como funcin de Lyapunov alternativa
W (x) = (V (x))
224
T
T
@W
(x)
@V (x)
0
y = h (x) ,
G (x) = (V (x))
G (x) = 0 (V (x)) h (x)
@x
@x
Ejemplo 7.5
x 1 = x2 ,
x 2 = x31 + u .
Con u = 0
1
1
V (x) = x41 + x22 =) V = x31 x2
4
2
x2 x31 = 0
@V (x)
@V (x)
G (x) =
= x2
@x
@x2
225
7.3.
x = f (x) + G (x) u , x 2 Rn , u 2 Rp
A :
y = h (x) , y 2 Rp
sea pasivo.
Comentario 7.7 Esta definicin es anloga a la de sistemas linealizables por retroalimentacin. Una diferencia importante es que en la de
pasivizacin no se requiere de una transformacin de estados, ya que
la pasividad, a diferencia de la linealidad, es una propiedad invariante
ante transformaciones del estado.
227
x = f (x) + G (x) u , x 2 Rn , u 2 Rp
A :
y = h (x) , y 2 Rp
es localmente equivalente por retroalimentacin a un sistema pasivo, con
funcin de almacenamiento positiva definida, si:
1. En x = 0 el sistema tiene grado relativo uno, y
2. Es de fase mnima dbil, es decir, la dinmica cero tiene un punto
de equilibrio estable en el origen, con una funcin de Lyapunov
positiva definida.
Prueba. Se har la prueba para el caso SISO. Si el grado relativo
es = 1 se puede llevar a la Forma Normal mediante un difeomorfismo
228
local z = T (x)
8
< = f0 (, )
Forma Normal:
= Lf h (x) + Lg h (x) u
:
y=
valor medio del clculo diferencial se sabe que existe una funcin contnua F (, ) tal que
f0 (, )
@f0 (, )
, 2 (0, )
@
1
@f0 (, )
=
d
@
0
f0 (, 0) =
, F (, )
1
@W ()
F (, y) Lf h (x) + v ,
u=
Lg h (x)
@
230
es
@W ()
V =
f0 (, ) + [Lf h (x) + Lg h (x) u]
@
@W ()
@W ()
=
f0 (, 0) +
[f0 (, y) f0 (, 0)] + y [Lf h (x) + Lg h (x) u]
@
@
@W ()
@W ()
=
f0 (, 0) + y
F (, y) + Lf h (x) + Lg h (x) u yv
@
@
Ejemplo 7.9 Manipulador robtico con p articulaciones
M (q) q + C (q, q)
q + Dq + g (q) = u , q, u 2 Rp
dnde
M = MT > 0 ,
2C
=
231
2C
, D = DT
(0) = 0 , eT
(e) > 0 , 8e 6= 0
M (q) e + C (q, q)
e + De +
232
(e) = v
De
(e) + v]
(e (t)) 0 =) e (t) 0 .
Entonces se puede aplicar el teorema bsico: el origen puede ser estabilizado asintticamente (Globalmente?) aplicando una ley de control
v=
dnde
d
(0) = 0 , e T
(e)
(e)
> 0 , 8e 6= 0 .
p
(e)
(e)
Kp e
0
1
x =
x
k1
k2
235
(x2 ) ,
1
h0 (0)
(x2 )
x, k=
(0)
El polinomio caracterstico es
s1,2
s2 + ks + h0 (0) = 0
s
2
k
k
=
h0 (0)
2
2
con
h (0) = 0 .
Ntese que no se requiere la pasividad de h!
Este sistema no es, en general, pasivo (si h no lo es), pero es pasivizable por retroalimentacin de estados, ya que es de grado relativo 1 y
de fase mnima, cuando la salida es y = x2 . La ley de retroalimentacin
de los estados
u=
(x1 ) + v
dnde
(0) = 0 , x1 [h (x1 ) + (x1 )] > 0 , 8x1 6= 0
convierte al sistema en lazo cerrado en
x 1 = x2
x 2 = h (x1 )
239
(x1 ) + v
x2 [h (x1 ) + (x1 )] + x2 v = x2 v
(x2 ) ,
es decir,
u=
(x1 )
(x2 )
Linealizacin:
0
x =
1
0
[h (0) + k2 ]
k1
(x1 )
x , k1 =
(x2 )
(0) , k2 =
El polinomio caracterstico es
s2 + k1 s + [h0 (0) + k2 ] = 0
241
(0)
7.4.
h (x1 ) + k2 x1 ,
h (x1 ) + (x1 ) , x1 (x1 ) > 0 , 8x1 6= 0
La pasivizacin por retroalimentacin puede ser aplicada, en particular, a la clase de sistemas en cascada
z = f0 (z, y)
x = f (x) + G (x) u
y = h (x)
242
la representacin es global,
el sistema maestro es pasivo, con una funcin de almacenamiento
V (x) positiva definida y radialmente no acotada, y
el origen del sistema esclavo sin entrada z = fa (z) es un punto
de equilibrio estable, y se conoce una funcin de Lyapunov W (z),
positiva definida y radialmente no acotada, que satisface
@W (z)
fa (z) 0 , 8z
@z
Usando
U (z, x) = W (z) + V (x)
244
@W (z)
@W (z)
@V (x)
@V (x)
U =
fa (z) +
F (z, y) y +
f (x) +
G (x) u
@z
@z
@x
@x
"
#
T
@W (z)
T
y u+
F (z, y)
@z
Mediante el control en retroalimentacin
T
@W (z)
u=
F (z, y)
+v
@z
resulta que
Por lo tanto el sistema
U y T v
z = fa (z) + F (z, y) y
T
@W (z)
x = f (x) G (x)
F (z, y) + G (x) v
@z
y = h (x)
245
= 12 I3 + S () + T !
M ! = S (!) M ! + u
dnde ! 2 R3 es el vector de velocidades, y 2 R3 es una seleccin
particular de los parmetros cinemticos que conducen a una representacin tridimensional del grupo rotacional. La matriz
2
3
0
x3 x2
0
x1 5
S (x) = 4 x3
x2 x1
0
246
es antisemtrica, M es una matriz de inercia simtrica y positiva definida, e I3 es la matriz identidad de dimensin 3 3.
Tomando y = ! el sistema tiene la forma de la cascada, con el
sistema maestro
M ! = S (!) M ! + u
y=!
y el sistema esclavo
1
=
I3 + S () + T ! .
2
El sistema maestro es pasivo, con funcin de almacenamiento
1
V (!) = ! T M !
2
1
1
V = ! T M ! + ! T M !
2
2
1 T
1 T
=
! M S (!) ! + uT ! +
! S (!) M ! + ! T u = y T u
2
2
247
ya que
32
3 2
3
0
x3 x2
x1
x3 x2 + x2 x3
0
x1 5 4 x2 5 = 4 x3 x1 x1 x3 5 = 0
S (x) x = 4 x3
x2 x1
0
x3
x2 x1 + x1 x2
2
tiene un punto de equilibrio en = 0 y cualquier funcin W () contnuamente diferenciable, positiva definida y radialmente no acotada es
una funcin de Lyapunov.
Por lo tanto, todas las hiptesis son satisfechas y el sistema puede ser
pasivizado mediante el control
T
@W () 1
T
u=
I3 + S () +
+v
@ 2
248
Eligiendo
W () = k ln 1 + T , k > 0
se obtiene
u=
kT
T
I
+
S
()
+
3
1 + T
y el sistema resultante es
+v =
k + v
= 12 I3 + S () + T y
M ! = S (!) M ! k + v
y=!
con
7.5.
Un caso especial
T
@W (z)
u=
F (z, y)
(y)
@z
con
(0) = 0 , y T (y) > 0 , 8y 6= 0 .
251
Prueba. Usando U como candidata a funcin de Lyapunov del sistema del sistema en lazo cerrado se obtiene
@W (z)
U =
fa (z)
@z
y T (y) 0
Adicionalmente
U (t) 0 =) (z (t) 0 , y (t) 0) =) u (t) 0 =) x (t) 0 ,
dnde la ltima implicacin resulta de la hiptesis de que el sistema
maestro es de estado cero observable. Se concluye estabilidad global y
asinttica de la aplicacin del principio de invariancia de Lasalle.
Ejemplo 7.14 Considere el sistema
= + 2
= u
252
253
Leccin 8
Retroalimentacin de la salida
254
En general la estabilizacin por retroalimentacin de la salida requiere el uso de observadores. Sin embargo, en algunas ocasiones esto
no se requiere explcitamente. Se presentarn aqui tres casos simples, en
los cuales no es necesario disear un observador:
Sistemas con grado relativo uno y de fase mnima
Sistemas pasivos
Sistemas con mapas pasivos de la entrada a la derivada de la salida
255
8.1.
Sea el sistema
x = f (x) + g (x) u
y = h (x)
f (0) = 0 , h (0) = 0 , Lg h (x) 6= 0 , 8x 2 D Rn , u 2 R
En su forma normal
(0) = 0 , Lg (x) 6= 0 4
Forma Normal:
Supuestos:
5=4
= f0 (, y)
y = (x) [u (x)] ,
256
(x)
h (x)
3
5
(x) 6= 0
c3 kk2
@V1 ()
c4 kk
@
kf0 (, y)
f0 (, 0)k L1 |y|
257
>0
ky , k > 0
= f0 (, y)
y = (x) [u (x)] ,
(x) 6= 0
1
V (, y) = V1 () + y 2
2
@V1 ()
V =
f0 (, y) k (x) y 2 (x) (x) y
@
@V1 ()
@V1 ()
=
f0 (, 0) +
[f0 (, y) f0 (, 0)] k (x) y 2 (x) (x) y
@
@
c3 kk2 + c4 L1 kk |y| k 0 y 2 + L2 kk |y| + L3 y 2
T
1
kk
c3
(c4 L1 + L2 )
kk
2
V
1
|y|
(c4 L1 + L2 ) (k 0 L3 )
|y|
| 2
{z
}
258
1
(c4 L1 + L2 )2
4
L3
1
det Q > 0 si k >
+
(c4 L1 + L2 )2
4c3 0
0
det Q = c3 (k
L3 )
8.2.
Sistemas pasivos
x = f (x, u) , x 2 Rn , u 2 Rp
:
y = h (x, u) , y 2 Rp
f (0, 0) = 0 , h (0, 0) = 0
259
es pasivo, con funcin de almacenamiento de energa V (x), contnuamente diferenciable y positiva definida
@V (x)
V =
f (x, u) uT y, 8x 2 Rn , u 2 Rp ,
@x
y de estado cero observable.
Entonces puede ser estabilizado mediante la ey de control por retroalimentacin de la salida
u=
(y)
(0) = 0 , y T (y) > 0 , 8y 6= 0
@V (x)
V =
f (x, u) uT y =
@x
V = 0 =) y (t) 0 =) u (t) =
260
y T (y) 0,
(y (t)) 0 =) x (t) 0
8.3.
Sea el sistema
:
x = f (x, u) , x 2 Rn , u 2 Rp
y = h (x) , y 2 Rp
x = f (x, u) , x 2 Rn , u 2 Rp
d :
(x, u) , y 2 Rp
y = @h(x)
f (x, u) , h
@x
es pasivo, con funcin de almacenamiento de energa V (x), contnuamente diferenciable y positiva definida
@V (x)
V =
f (x, u) uT y,
8x 2 Rn , u 2 Rp ,
@x
261
(y)
,
bs
y , a>0, b>0
s+a
bi s
yi , ai > 0 , bi > 0
s + ai
262
263
Implementacin:
zi es la salida de
ui =
(zi ) ,
bi s
con entrada yi
s + ai
(0) = 0 , ziT
zi =
ai zi + bi y i
bi s
s + ai
(zi )
264
ya que
i (zi ) = ki
W
(zi ) [ ai zi + bi y i ] =
ai k i z i
(zi ) + bi ki
(zi ) y i
p
X
1 zi
Vc (x, z) = V (x) +
b
i=1 i 0
265
( )d
X1
@V (x)
V c (x, z) =
f (x, u) +
i (zi ) [ ai zi + bi y i ]
@x
b
i=1 i
p
X
ai
T
u y +
i (zi ) zi + i (zi ) y i
b
i
i=1
p
p
X
X
ai
=
i (zi ) y i +
i (zi ) zi + i (zi ) y i
b
i
i=1
i=1
=
p
X
ai
i=1
bi
(zi ) zi < 0 , 8z 6= 0
en =
usando retroalimentacin de
x1 =
, x2 = , u = T
Tss = T
x 1 = x2
1
x 2 = ml
[ mg sin (x1 +
u = mg sin (x1 +
1)
1)
+ u]
k p x 1 + v , kp > 0
x 1 = x2
kp
x 2 = ml
x1 +
y = x1
y = x2
1
v
ml
1
1
V = kp x21 + mlx22
2
2
267
a
sin
c
V = kp x1 x2 + mlx2
kp
1
x1 +
v
ml
ml
V = x2 v = yv
=) Pasivo v ! y
Control-Implementacin
F. de transferencia G (s) =
realizacin
bs
: y (t) y z (t)
s+a
= a + y
z = b ( a + y)
v=
u = mg sin
kd z , kd > 0
kp (
268
1)
kd z
Parte III
Estabilizacin Robusta
269
Leccin 9
Control por Modos Deslizantes
270
9.1.
Ejemplo introductorio
Considere el sistema
x 1 = x2
x 2 = h (x) + g (x) u , g (x)
g0 > 0
a1 x 1
a1 > 0 =) lm x1 (t) = 0
t!1
Supngase que
a1 x2 + h (x)
% (x)
g (x)
1
V = s2
2
V = ss = s [a1 x2 + h (x)] + sg (x) u
a1 x2 + h (x)
= sg (x)
+ sg (x) u
g (x)
|s| g (x) % (x) + sg (x) u
Si
(x) % (x) +
s>0, u=
272
(x)
>0
0)
g (x)
|s|
Si
s<0, u=
(x)
V |s| g (x) % (x) + sg (x) u = |s| g (x) % (x) |s| g (x) (x)
|s| g (x) % (x) |s| g (x) (% (x) + 0 ) = g (x) 0 |s|
1,
s>0
sign (s) =
1, s<0
u=
V
g (x)
g0
273
g0
2V
|s|
p
dV
p g0 0 2dt
V
p V (s(t))
p
2 V
g0 0 2t
V (s(0))
V (s (t))
p
V (s (0))
|s (t)| |s (0)|
g0
1
t
2
0p
g0 0 t
x 1 = a1 x1 + s
s = a1 x2 + h (x)
275
ss
g0
|s| , si
(x)
% (x) +
>0
1
V1 = x21
2
V 1 = x1 x 1 =
a1 x21 + |x1 | c 0
c
8 |s| c , y |x1 |
a1
c
= |x1 |
, |s| c
a1
a1 x21 + x1 s
es invariante positivo si
a1 x2 + h (x)
% (x) en
g (x)
a1 x2 + h (x)
k1 < k , 8x 2
g (x)
u=
k sign (s)
276
277
278
(x) = a1 1
s = (x) + g (x) v
g (x)
x2 + h (x)
g (x)
(x)
% (x) ,
g (x)
v=
(x)
g (x)
h (x)
g (x)
% (x) +
y,
si |y| 1
sat (y) =
sign (y) , si |y| > 1
Cmo podemos analizar el sistema?
Para
Con c
|s|
", u=
"
n
= |x1 |
c
a1
o
, |s| c es invariante positivo.
281
0<<1
"
a1
Las trayectorias llegan al conjunto invariante positivo
"
" = |x1 |
, |s| "
a1
x1 x 1
en tiempo finito.
(1
) a1 x21 , 8 |x1 |
282
h (x)
a1 g (x) (x)
x2 =0
x1 = " (x1 )
Supngase que x1 = " (x1 ) tiene una raz aislada x1 = "k1
h (0) =) x1 = 0
z 1 = x1
x2 =
a1 x 1 + s =
z1 =
x1 , z2 = s
a1 (x1
x1 ) + s
a1 x 1 + s =
283
a1 x1
a1 x1 =
a1 z1 + z2
a1 z 1 + z 2
z2 = a1 x2 + h (x)
g (x) (x)
= a1 ( a1 z1 + z2 ) + h (x)
s
"
g (x) (x)
z2 + a1 x1
"
z2
g (x) (x)
"
h (x)
a1 z1 ) + a1 g (x) (x)
a1 g (x) (x)
z2 = l (z)
l (z) = a1 (z2
z1 = a1 z1 + z2
z2 = l (z) g (x) (x) z"2
l (0) = 0 , |l (z)| l1 |z1 | + l2 |z2 |
g (x) (x)
g0
1
1
V = z12 + z22
2
2
284
x1
"
h
V = z1 ( a1 z1 + z2 ) + z2 l (z)
|z1 |
|z2 |
z2 i
"
g0 0 2
z
" 2
1
a1
(1
+
l
)
|z1 |
1
2
g0 0
1
|z2 |
(1
+
l
)
l
1
2
| 2
{z "
}
g (x) (x)
det Q = a1
g0 0
"
l2
1
(1 + l1 )2
4
h (0) = 0 =) lm x (t) = 0
t!1
x1
h (0) 6= 0 =) lm x (t) =
0
t!1
9.2.
= fa (, )
= fb (, ) + g (, ) u + (t, , , u)
2 Rn 1 , 2 R , u 2 R
fa (0, 0) = 0 , fb (0, 0) = 0 , g (, )
g0 > 0 .
9.2.1.
Fase 1:
() = 0 ,
286
(0) = 0
s (t) 0 =) = fa (, ())
9.2.2.
Fase 2:
s = fb (, )
Sea
u=
1
g (, )
fb (, )
@ ()
fa (, ) + v , o u = v
@
287
o en forma compacta
@ ()
1
u = L fb (, )
fa (, ) + v , L =
, o L=0
@
g (, )
s = g (, ) v +
(t, , , v) = fb
Si se supone que
(t, , , v)
@
fa +
gL fb
@
@
fa
@
(t, , , v)
% (, ) + 0 |v|
g (, )
% (, )
0 , 0 0 < 1 (conocidas)
1
V = s2
2
288
= g sv + |s|
g
g [sv + |s| (% (, ) + 0 |v|)]
Eligiendo
v=
(, )
(, ) sign (s)
% (, )
+
1 0
>0
V = ss g [
|s| + % |s| + 0 |s| ]
= g[
|s| (1 0 ) + % |s|]
g [ % |s| (1 0 ) 0 |s| + % |s|]
V = ss
g (, ) (1
0 )
289
|s|
g0 (1
0 )
|s|
g0
2V
p
g0 0 2dt
0
dV
p
V
p V (s(t))
2 V
V (s(0))
V (s (t))
g0
p
V (s (0))
|s (t)| |s (0)|
2t
g0
1
t
2
0p
g0 0 t
291
292
g0 (1
0 )
|s| para
|s|
", u=
(r) = 2 ( (r))
V ()
(c) , V ()
=) kk
El conjunto {V () c0 }, con c0
= {V () c0 } {|s| c} , con c0
(c)
295
|1 | a , |2 | b
x2 =
x1
kx2 + v =) s = v +
(x)
x1
kx2
297
>0
Estabilizar el control
u=
el origen?
x1
kx2
(x) sat
s
"
Disee
=
para estabilizar el origen
s =
(, 1 , , 1 )
(, 1 , , 1 )
8
2 = f0 (,
>
>
3 1 ,2 , 1 , k1 1
>
>
>
1
0
1
<
6 ..
7 6
..
6 .
7 6
.
=
>
6
7 6
>
>
4
5
4
1
>
>
:
1
k1
k 1
299
3k2 1 1 )3
1
7 6 ..
7
76 .
7
76
7
54
5
1
9.3.
= fa (, )
= fb (, ) + G (, ) E (, ) u + (t, , , u)
2 Rn p , 2 R p , u 2 Rp
fa (0, 0) = 0 , fb (0, 0) = 0 , det G (, ) 6= 0 , det E (, ) 6= 0 ,
fa , fb , E conocidos, G , inciertos,
G (, ) = diag [g1 (, ) , g2 (, ) , , gp (, )] , gi (, )
300
g0 > 0
9.3.1.
Fase 1:
() = 0 ,
(0) = 0
s (t) 0 =) = fa (, ())
9.3.2.
Fase 2:
@ ()
fa (, ) + G (, ) E (, ) u + (t, , , u)
@
301
Sea
1
u=E
L fb
@
fa + v
@
s i = gi (, ) vi +
Si se supone que
, L=G
, o L=0
(t, , , v) , 1 i p
(t, , , v)
% (, ) + 0 max |vi | , 1 i p
1ip
gi (, )
% (, )
0 , 0 0 < 1 (conocidas)
p
1X 2
V =
s
2 i=1 i
si s i = si gi vi + si i
302
Eligiendo
vi =
(, )
(, ) sign (si ) , 1 i p
% (, )
+
1 0
>0
si s i gi [
+ % + 0 ] |si |
= gi [
(1 0 ) + %] |si |
gi [ % (1 0 ) 0 + %] |si |
g0 0 (1 0 ) |si |
si (t) llega a cero en tiempo finito!
Una vez llega a la superficie s = 0, la trayectoria no puede abandonarla.
Cmo se puede reducir o eliminar el "chattering" (castaeo)?
Reemplazar el sign por una funcin de saturacin de gran pendiente:
s
i
, ">0, 1ip
vi =
(x) sat
"
303
304
Leccin 10
Rediseo de Lyapunov (o
Control Mini-Max)
305
Modelo Nominal:
x = f (x) + G (x) u
Control estabilizante:
u=
(x)
@V (x)
[f (x) + G (x) (x)] W (x) , 8x 2 D , W es p.d.
@x
Control (rediseado) robustificante:
u=
(x) + v
(x) + v)]
wT v + wT
@V
V =
[f + G ] + wT v + wT
@x
wT v + kwk k k wT v + kwk [% (x) + 0 kvk]
@V
G
@x
w
(x)
kwk
w
= sign (w) para p = 1
kwk
307
dnde
(x)
wT v + wT
=
Luego
% (x)
1 0
W (x)
Entonces las trayectorias convergen asintticamente al punto de equilibrio a pesar de las perturbaciones e incertidumbres.
Problemas:
1. Tericos con la existencia y unicidad de las soluciones, ya que el
control es discontnuo.
2. Prcticos debido al Chattering (castaeo) producido por el control discontinuo.
308
Para resolver este segundo problema se puede aproximar el control discontinuo por un control contnuo de alta ganancia
w
(x) kwk
, si (x) kwk "
v=
w
2
(x) " , si (x) kwk < "
En la regin
(x) kwk
W (x) + wT
" =) V
2 (x)
i
w
+
"
W (x)
2 (x)
W (x)
kwk2 + % (x) kwk + 0 kwk kvk
"
2
2
W (x)
kwk2 + % kwk + 0 kwk2
"
"
2
2
V W (x) + (1 0 )
kwk + kwk
"
309
como
y2
"
+ y , para y
"
4
entonces
V
(1
0 )
, 8x 2 D
4
Teorema 10.1 [28, Teorema 14.3]x (t) es uniforme y finalmente acotada por una funcin clase K de ". Si las hiptesis se satisfacen globalmente, y V es radialmente no acotada, entonces x (t) es global, uniforme
y finalmente acotada.
W (x) + "
0 > 0 se
1
(x) =
sin x1
(k1 x1 + k2 x2 )
c
c
Dinmica nominal en lazo cerrado
0
1
x =
x , V (x) = xT P x
k1
k2
|
{z
}
Hurwitz
311
Perturbacin
1
a
c a
c
=
sin x1 + h (t) cos x1
c
c
c
c
c
0 ,
a
c
a
c
c
c
c
c
c
(k1 x1 + k2 x2 ) +
q
k12 + k22 k , |h (t)| H
(k kxk + H)
+ 0 |v| , (x) + 0 |v| , (0 < 1)
c
(x)
H
(x) =
, (x)
1 0
c (1 0 )
@V
0
w=
G = 2xT P
= 2 (p12 x1 + p22 x2 )
1
@x
| (x)|
312
c
c
u=
sin x1
c
1
(k1 x1 + k2 x2 ) + v
c
313
Leccin 11
Backstepping robusto
314
gi (z1 , , zi ) 6= 0 para 1 i k
315
Pero tambin puede aplicarse a sistemas en esta forma con perturbaciones o incertidumbres
z1 = f1 (z1 ) + g1 (z1 ) z2 + 1 (z) ,
z2 = f2 (z1 , z2 ) + g2 (z1 , z2 ) z3 + 2 (z) ,
..
.
zk 1 = fk 1 (z1 , , zk 1 ) + gk 1 (z1 , , zk 1 ) zk +
zk = fk (z1 , , zk ) + gk (z1 , , zk ) u + k (z) ,
(z)| k 1 (z1 , , zk 1 ) ,
(z)|
k (z1 , , zk ) ,
k
k 1
(z1 , , zi 1 ) ,
316
k 1
(z) ,
que debe ser suave, se disea para que sea robusto ante las incertidumbres en su subsistema.
Ejemplo 11.1
x 1 = x2 + 1 x1 sin x2
x 2 = 2 x22 + x1 + u
|1 | a , |2 | b
1
= 1 x1 sin x2 ,
= 2 x22
Diseo:
Primer paso:
x 1 = x2 + 1 x1 sin x2 , | 1 | = |1 x1 sin x2 | a |x1 |
Control virtual
x2 =
317
k1 x 1
1
V1 = x21 , V 1 (k1 a) x21 , Hgase k1 = 1 + a
2
con lo que el control virtual estabiliza robustamente el origen x1 =
0.
Segundo paso: Mediante el cambio de variables
z2 = x2 + (1 + a) x1
x 1 =
z2 =
1
(1 + a) x1 + 1 x1 sin x2 + z2
1 (x) + 2 (x, ) + u
(x) = x1 + (1 + a) x2 ,
1
1
Vc (x) = x21 + z22
2
2
V c
x21 + z2 [x1 +
318
(x) +
(x, ) + u]
x1
V c
x21
(x)
kz2 , k > 0
kz22 + z2
(x, )
2|
x2 = z 2
V c
2|
x21
(1 + a) x1
(1 + a) (a + b) |x1 | + b |z2 | ,
Se puede mostrar que (para cualquier c) eligiendo k suficientemente grande se puede estabilizar exponencialmente al origen y c est contenido en la regin de atraccin. Por lo
319
2|
(x)
kz2 + v , k > 0
kz22 + z2 [
(x, ) + v]
a (1 + a) |x1 | + bx22 ,
Parte IV
Seguimiento
321
Leccin 12
Seguimiento (Tracking)
322
12.1.
z = T (x) , 4
(x)
(x)
323
5,4
1 ; 8x 2 D0
3
5
Forma Normal:
= f0 (, )
i = i+1 , 1 i 1
= Lf h (x) + Lg Lf 1 h (x) u
y = 1
f0 (0, 0) = 0
t!1
r (t)] = 0 .
324
1
..
.
dnde
( 1)
7
5=
= f0 (, e + R)
e = Ac e + Bc Lf h (x) + Lg Lf 1 h (x) u
2
6
6
6
Ac = 6
6
4
0
1
.. . .
.
.
0 0 0
0 0 0
0
0
..
.
1
0
..
.
0
0
..
.
0
0
..
.
R,
r() (t)
2
0
0
..
.
7
6
7
6
7
6
7 , Bc = 6
7
6
4 0
0 1 5
0 0
1
325
7
7
7
7 .
7
5
1
Lg Lf 1 h (x)
Ke
+
e = (Ac Bc K)e
|
{z
}
Hurwitz
+
lmt!1 e (t) = 0
+
lmt!1 [y (t) r (t)] = 0
326
Adems,
e (t) es acotado =) (t) = e (t) + R (t) es acotado.
Qu ocurre con (t)?
= f0 (, ) = f0 (, e + R)
Tenemos dos casos:
1. Seguimiento Local: valores pequeos de k (0)k, ke (0)k, kR (t)k
Sistema de Fase Mnima =) El origen de = f0 (, 0) es
asintticamente estable
=) (t) es acotada para k (0)k , ke (0)k ,
kR (t)k suficientemente pequeos
327
bx2 + cu
e1 = x1 r , e2 = x2 r
e 1 = e2
e 2 = a sin x1 bx2 + cu r
1
u = [a sin x1 + bx2 + r k1 e1 k2 e2 ]
c
e 1 = e2
e 2 = k1 e1 k2 e2
Ver los resultados de simulacin en el ejemplo 13.21 del libro de Khalil.
328
12.2.
a > 0 ; 8x 2 D0
329
1 ; 8x 2 D0
Forma Normal:
= f0 (, )
i = i+1 , 1 i 1
= Lf h (x) + Lg Lf 1 h (x) [u + (t, x, u)]
y = 1
f0 (0, 0) = 0
Seal de referencia r (t):
r (t) y todas sus derivadas hasta r() (t) son acotadas para todo
t
0, y la sima derivada r() (t) es una funcin contnua a
tramos en t;
Se dispone de las seales r (t) , , r() (t) en lnea.
Objetivo:
lm [y (t)
t!1
r (t)] = 0 .
330
1
..
.
r
r
( 1)
7
5=
R,
= f0 (, e + R)
e 1 = e2
..
.
e 1 = e
e = Lf h (x) + Lg Lf 1 h (x) [u + (t, x, u)]
r() (t)
s (t) 0 =) e =
(k1 e1 + + k 1 e 1 )
= f0 (, e + R)
e 1 = e2
..
.
e
Disense k1 k 1
2
0
1
6 0
0
6
6 ..
..
6 .
.
6
4 0
0
k1
k2
(k1 e1 + + k 1 e 1 )
..
.
0
0
..
.
0
0
..
.
0
k3
0
k
1
k
0
1
..
.
7
7
7
7 sea Hurwitz .
7
5
s = (k1 e1 + + k 1 e 1 ) + e =
1
s =
1
X
ki e i + e
i=1
i=1
u=
1
Lg Lf 1 h (x)
s =
" 1
X
ki ei+1 + Lf h (x)
+
(t, x, v)
(t, x, v)
% (x) + 0 |v| , 0 0 < 1
Lg Lf 1 h (x)
s
v=
(x) sat
, ">0
"
333
r() (t) + v
i=1
Lg Lf 1 h (x) v
r() (t)
(x)
% (x)
+
1 0
>0
334
Parte V
Regulacin robusta estructural:
Control Integral
335
Leccin 13
Control Integral
336
lm y (t) ! r
t!1
r 2 Rp referencia constante.
337
Defnase
v = (r, w) , e (t) = y (t)
Sistema extendido:
x = f (x, u, w)
= h (x, w) r
Tarea: Estabilice el sistema extendido en el punto (xss ,
ss produce uss
ss ),
Explicar mejor que la tarea ahora consiste en estabilizar la variedad de operacin. No les ha quedado muy claro!
339
dnde
13.1.
13.1.1.
Retroalimentacin de estados
Retroalimentacin de estados:
u=
K1 x
Ojo: e no es un estado!!
K2
K3 e
K2
K3 [h (x, w)
Puntos de equilibrio:
0 = f (
x, u, w)
0 = h (
x, w) r
u = K1 x K2
340
r] , w)
ss
, u = uss .
x xss
=
ss
= (A
BK)
@f
@h
A 0
, A=
(x, u, w)
, C=
(x, w)
C 0
@x
@x
eq
eq
@f
@h
B
B=
, B=
(x, u, w)
, C=
(x, w)
0
@u
@x
eq
eq
K = K 1 + K 3 C , K2
A=
341
A B
2. rango
=n+p
C 0
Tarea: Disee K, independiente de v = (r, w), tal que (A BK) es
Hurwitz para todo v.
(xss , ss ) es un punto de equilibrio exponencialmente estable para
el sistema en lazo cerrado. Todas las soluciones que se inician en su
regin de atraccin convergen a el cuando t tiende a infinito
e (t) ! 0 , cuando t ! 1
Ejemplo 13.3 Pndulo
=
a sin b + cT
342
Objetivo: regule en
x1 =
(A
, x2 = , u = T ,
x 1 = x2
x 2 = a sin (x1 + ) bx2 + cu
a
0
xss =
, uss = sin
0
c
= x1
2
3
2 3
0
1 0
0
4
5
4
a cos
b 0
A=
, B= c 5
1
0 0
0
K1 = k1 , k2 , K2 = k3 , K3 = 0
BK) es Hurwitz si
b + k2 c > 0 , (b + k2 c) (a cos + k1 c)
343
k3 c > 0 , k3 c > 0
a
1
1 , 2
c
c
k3
k2 > 0 , k3 > 0 , k1 > 1 + 2
k2
El controlador est dado por
Supnga que
u = k1 (
=
k2
k3
13.1.2.
Retroalimentacin de salida
@hm
(x, w)
@x
345
eq
13.2.
Objetivo:
a0 > 0
y (t) ! r , cuando t ! 1
ss = [r, 0, , 0]T
346
z=
ss
e 0 = y
2
e1
6 e2
6
, e = 6 ..
4 .
e
347
r
3
7 6
7 6
7=6
5 4
r
2
..
.
3
7
7
7
5
z = f0 (, , w) , f0 (z, e, w, r)
e 0 = e1 ,
e 1 = e2 ,
..
.
e 1 = e ,
e = b (, , u, w) + a (, , w) u
Retroalimentacin parcial de los estados: {e1 , , e } son medidas
s = k 0 e 0 + k1 e 1 + + k 1 e 1 + e
k0 , , k
+ + k1 + k0
sea Hurwitz.
s = k0 e1 + k1 e2 + + k 1 e + b (, , u, w) + a (, , w) u
348
s =
(, , u, w, r) + a (, , w) u
(, , u, w, r)
% (e) + 0 |u| , 0 0 < 1
a (, , w)
s
u=
(e) sat
(e)
% (e)
+
1 0
Para |s|
, ss
a0 (1
>0
0 )
s
s = a () (e) sat + () ,
349
= [e0 , , e 1 ]T
1 (kzk) V1 (z, w, r)
2 (kzk)
@V1
f0 (z, e, w, r)
3 (kzk) , 8 kzk (kzk)
@z
V2 () = T P , P A + AT P = I
= {|s| c} \ V2 c2 1 \ {V1 c0 }
= {|s| c} \ V2 c2 1 \ {V1
2 ( (2 ))}
(0)
351
Parte VI
Observabilidad y el Diseo de
Observadores
352
Leccin 14
Introduccin
353
El objetivo de esta parte del curso es dar una perspectiva acerca del
problema de observacin en control y los mtodos ms importantes. Se
hace una seleccin personal del problema y de las soluciones.
Nos restringiremos a una visin determinstica, excluyendo la importante perspectiva de los sistemas estocsticos.
14.0.1.
()
14.0.2.
Motivacin
14.0.3.
357
Parte VII
Observabilidad
358
Leccin 15
Sistemas estticos o sin
memoria
359
Sea el sistema esttico (consideramos el caso sin ruido y sin incertidumbres) f : [0, 1) Rn ! Rq
y (t) = f (t, x (t)) , x 2 Rn , y 2 Rq , t
Es claro que las condiciones bajo las cuales podemos determinar a x (t)
a partir de y (t) deben ser muy distintas en ambos casos. Las situaciones
intermedias son mezclas de las situaciones extremas consideradas.
15.0.4.
363
15.0.5.
15.0.5.1.
Caso Lineal
Si f : Rn ! Rq es lineal, entonces
y (t) = Ax (t) , x 2 Rn , y 2 Rq
dnde A es una matriz constante de dimensin q n.
Teorema 15.2 f es inyectiva si y slo si
los vectores columna de A son linealmente independientes
m
rango (A) = {# de vectores columna de A linealmente independientes} = n
m
rango (A) = {# de vectores fila de A linealmente independientes} = n
Prueba. =):
365
AT y (t)
La matriz AT A
AT es la denominada Moore-Penrose seudoinversa de A y tiene propiedades de optimalidad cuando hay ruidos en las
mediciones!
15.0.5.2.
15.0.6.
R
15.0.6.1.
x (t) arbitraria
Proposicin 15.8 Observabilidad: Se puede determinar unvocamente x a partir de y si y slo si A (t) es inyectiva 8t 0
Se puede calcular a x de la siguiente manera:
x (t) = AT (t) A (t)
y la matriz AT A
15.0.6.2.
AT (t) y (t)
AT es la Moore-Penrose seudoinversa de A.
x (t) = x0 constante
15.0.6.3.
Caso Lineal
Si f es lineal, entonces
y (t) = A (t) x0 , x0 2 Rn , y (t) 2 Rq
dnde A (t) es una matriz variante en el tiempo de dimensin q n. Una
forma de determinar la inyectividad del operador F correspondiente es
la siguiente:
1. Premultiplicar la ecuacin por la transpuesta de A (t)
AT (t) y (t) = AT (t) A (t) x0
2. Integrar en el intervalo de tiempo t 2 [t0 , t1 ] (como x0 es constante
puede salir de la integral)
t1
t1
T
A (t) y (t) dt =
AT (t) A (t) dt x0
t0
t0
372
t1 T
tivo si y slo si la matriz cuadrada t0 A (t) A (t) dt es positiva definida. En este caso la matriz es regular (invertible).
Comentario 15.11 Ntese que en este caso, a diferencia del caso anterior, no se requiere que q n, es decir, que el nmero de mediciones
sea mayor o igual que el nmero de incgnitas. Una solucin de esta
aparente contradiccin se obtiene al notar que Y[tq 0 ,t1 ] es de dimensin
infinita (para todo q), as que el nmero de mediciones es en cualquier
caso mayor que el nmero de incgnitas (de dimensin finita n).
Ejemplo 15.12 Sea el sistema
x1
2
y (t) = t t
x2
373
, x 2 R2 , y (t) 2 R
t
T
t t2 dt
A (t) A (t) dt =
2
t
0
0
1 3
T 2 3
t t
T
=
dt = 31 4
3
4
t
t
T
0
4
1 4
T
4
1 5
T
5
1
15
1
16
T 8.
Proposicin 15.13 Observabilidad: Se puede determinar unvocamente x0 a partir de y[t0 ,t1 ] si y slo si F es inyectivo.
Cmo se puede calcular en este caso a x?
Despejar a x0
x0 =
t1
t0
A (t) A (t) dt
374
t1
t0
AT (t) y (t) dt
375
Leccin 16
Sistemas lineales
376
16.1.
16.2.
(t, t0 ) es una matriz cuadrada de dimensin n y se denomina la matriz de transicin de estados, mediante la cual la solucin de la ecuacin
378
diferencial
x (t) = A (t) x (t) , x (t0 ) = x0
se puede expresar como
x (t) =
(t, t0 ) x0
(t, t) = I
Si en el tiempo t se inicia en el estado x0 , entonces en ese instante
el sistema se encuentra en x0
2.
(t, t1 )
3.
4.
@ (t,t0 )
@t
(t1 , t0 ) =
(t, t0 )
(t, t0 ) =
379
(t0 , t)
5. Si A es constante
(t, t0 ) = eA(t
t0 )
16.3.
At
1
X
1 k k
1
=
A t = I + At + A2 t2 +
k!
2
k=0
Problema de Observabilidad
(t, t0 ) x0 +
(t, ) B ( ) u ( ) d
t0
16.4.
Determinacin de la Observabilidad
(t, t0 ) x0
t0
triz cuadrada
M (t1 , t0 ) =
t1
(t, t0 ) dt
t0
16.5.
Considrese un sistema lineal invariante en el tiempo (SLIT) (consideramos u (t) = 0 sin prdida de generalidad)
x (t) = Ax (t) , x (0) = x0
y (t) = Cx (t)
con A, C constantes. La salida se puede escribir explcitamente como
y (t) = CeAt x0
Para establecer observabilidad se utiliz un mtodo que usa la operacin
de integracin, para combinar la informacin contenida en cada instante
de tiempo. Ahora se presentar un mtodo alternativo basado en la
diferenciacin, para combinar la informacin en un instante con el de
383
384
p0 I
p1 A
p2 A2
pn 1 An
ble, si y slo si
2
6
6
6
rango (On 1 ) = rango 6
6
4
C
CA
CA2
..
.
CAn
7
7
7
7=n
7
5
t0 )
dt
t0
vable si y slo si
rango
16.6.
sI
A
C
= n , 8s 2 C .
D
L
es el sistema dual de L .
D
Teorema 16.3 L es observable si y slo si D
L es controlable. L es
observable si y slo si L es controlable.
389
Leccin 17
Sistemas con parmetros
desconocidos (Identificabilidad)
390
Considere el sistema no lineal con parmetros desconocidos, que entran en forma lineal en el modelo
x (t) = f (t, x (t) , u (t)) + g (t, x (t) , u (t)) p , x (t0 ) = x0
y (t) = x (t)
con x (t) 2 Rn , u (t) 2 Rp , p 2 Rr , dnde p corresponde a los parmetros
constantes y desconocidos. Se asumen conocidas las funciones f , g y
u (t), x (t) se pueden medir.
Escribiendo la ecuacin, separando los trminos conocidos de los
desconocidos
x (t)
391
Leccin 18
Sistemas no lineales
393
18.1.
para enfatizar la dependencia del estado actual x (t) del estado inicial y
de la entrada.
18.2.
395
18.3.
Problema de Observabilidad
18.4.
Determinacin de la Observabilidad
Teorema 18.1 En el intervalo de tiempo [t0 , t], dada una entrada u[t0 ,t] ,
se puede determinar unvocamente a x0 a partir de y[t0 ,t1 ] , es decir, el sistema es observable para la entrada u[t0 ,t] , si y slo si el mapa Hu[t0 ,t] (x0 )
is inyectivo.
Ntese que la observabilidad del sistema no lineal depende, en general, de la entrada seleccionada!
397
x 1
1 u (t)
x1
=
x 2
0 1
x2
x1
y= 1 0
x2
1 0
rango (O1 ) = rango
=2
1 1
Si la entrada es u (t) = 0 entonces el sistema (LIT) no es observable,
ya que
1 0
rango (O1 ) = rango
=1<2
1 0
398
18.5.
En general es difcil determinar la observabilidad del sistema no lineal. Como la idea integral usada en el caso lineal variante en el tiempo
es difcil de usar aqu, se usar el mtodo diferencial para hallar condiciones suficientes de observabilidad. Para simplificar se considerar el caso
especial en que la entrada es constante (cero en partcular). Considrese
un sistema no lineal (SNL) sin entradas
x (t) = f (x (t)) , x (t0 ) = x0
y (t) = h (x (t))
De la ecuacin de salida, en general, no es posible determinar unvocamente a x, ya que hay mas incgnitas que ecuaciones. Para agregar ms
399
(k)
@Lkf 1 h (x)
@Lkf 1 h (x)
(t) =
x (t) =
f (x) := Lkf h (x)
@x
@x
400
se obtiene
2
6
6
6
6
6
4
y (0)
y (0)
y (0)
..
.
y (k) (0)
7 6
7 6
7 6
7=6
7 6
5 4
h (x0 )
Lf h (x0 )
L2f h (x0 )
..
.
Lkf h (x0 )
7
7
7
7 := ok (x0 )
7
5
Recordando el anlisis del primer captulo para este caso se puede concluir que
Es posible determinar x0 unvocamente de esta ecuacin
si y slo si para algn valor de k el mapa de observabilidad
(no lineal) ok (x0 ) es inyectivo.
Se puede ir aumentando el valor de k paulatinamente, hasta que se
cumpla la condicin. Si nunca se cumple, hay algn valor de k para
detenerse? NO
Se obtiene asi una condicin suficiente de observabilidad
401
x 1
x2
=
x 2
0
y = x31
402
El mapa de observabilidad es
3
x1
o1 (x) =
3x21 x2
3
x31
, o2 (x) = 4 3x21 x2 5 ,
6x1 x22
2
3
x31
2 3
3
6 3x2 x2 7
x1
6 1 7
6 6x1 x2 7
6 3x21 x2 7
2 7
6
6
7
o3 (x) = 4
7
2 5 , ok (x) = 6 6x3
6x1 x2
6 2 7
6 0
7
6x32
4
5
..
.
0 1
0 2 .
Ntese que o1 (x) no es inyectivo, ya que o1
= o1
Igual sucede con o2 (x). Pero o3 (x) si es inyectivo, por lo que el sistema
es globalmente observable.
Ya que, en general, decidir acerca de la inyectividad de un mapa
no lineal es difcil, se usa frecuentemente un criterio de observabilidad
403
@ok (x0 )
@x
404
Leccin 19
Sistemas con estados y
parmetros desconocidos
405
Considere el sistema no lineal con parmetros desconocidos, que entran en forma lineal en el modelo y con estados no conocidos
y 1 (t) = f1 (t, x (t) , u (t)) + g (t, x (t) , u (t)) p , y1 (t0 ) = y10
z (t) = f2 (t, x (t) , u (t)) , z (t0 ) = z0
y2 (t) =h (z (t))
y1 (t)
x (t) =
z (t)
con x (t) 2 Rn , u (t) 2 Rp , p 2 Rr , dnde p corresponde a los parmetros
constantes y desconocidos. Se asumen conocidas las funciones f1 , f2 , g
y u (t), y1 (t), y2 (t) se pueden medir.
El anlisis de observabilidad e identificabilidad se puede dividir en
2 partes:
1. Observabilidad de los estados:
Se analiza la observabilidad del subsistema que no depende de los
406
parmetros
z (t) = f2 (t, x (t) , u (t)) , z (t0 ) = z0
y2 (t) = h (z (t))
En el caso de que haya observabilidad es posible recuperar el valor
verdadero de los estados z (t) en tiempo finito.
2. Identificabilidad de los parmetros:
Escribiendo la primera ecuacin, separando los trminos conocidos
de los desconocidos
y 1 (t)
407
Parte VIII
Diseo de Observadores para
Sistemas Lineales
409
410
Leccin 20
El Observador de Kalman
412
Para determinar un algoritmo recursivo para estimar el estado actual x (t) de la planta L procederemos aqui con un mtodo integral
anlogo al utilizado para determinar la observabilidad (una alternativa mejor pero ms compleja es utilizar optimizacin). De la solucin
general para el sistema escribimos (suponemos para la deduccin, por
simplicidad, que u (t) = 0)
y ( ) = C ( )
(, t) x (t) , t
N (t, t0 ) ,
t
T
(, t) C T ( ) C ( )
t0
413
(, t) d
(20.1)
Dnde N (t, t0 ) es la matriz de observabilidad (de primera clase), anloga a M (t, t0 ) definida en el captulo 16. Como
T
N (t, t0 ) =
=
(t0 , t) M (t, t0 )
(t0 , t) =
t
T
(t0 , t)
(, t0 ) C T ( ) C ( )
(, t0 )
(t0 , t) d
t0
414
20.1.
dM (t, t0 )
d t T
=
(, t0 ) C T ( ) C ( ) (, t0 ) d
dt
dt t0
=
415
(t, t0 )
luego
dM (t, t0 )
d
=
dt
d
=
@N (t, t0 )
= T (t, t0 ) AT (t) N (t, t0 ) +
+ N (t, t0 ) A (t)
(t, t0 )
@t
por lo tanto
dN (t, t0 )
=
dt
416
20.2.
t
T
(, t0 ) C T ( ) y ( ) d =
(t, t0 ) z (t) .
t0
o sea
z (t) =
(t, t0 ) z (t) ,
(t, t0 ) z (t)
417
20.3.
Como
N
(t, t0 ) N (t, t0 ) = I
(t, t0 )
=
dt
=
dN (t, t0 )
N 1 (t, t0 )
dt
N 1 (t, t0 ) AT (t) N (t, t0 ) N (t, t0 ) A (t) +
N
(t, t0 )
+C T (t) C (t) N
(t, t0 )
es decir,
dN
(t, t0 )
= N 1 (t, t0 ) AT (t) + A (t) N 1 (t, t0 )
dt
N 1 (t, t0 ) C T (t) C (t) N 1 (t, t0 )
418
20.4.
dN (t, t0 )
d
x (t)
x (t)+N (t, t0 )
=
dt
dt
entonces
d
x (t)
= A (t) x (t) + N
dt
419
C (t) x (t)) .
20.5.
Filtro de Kalman
E [x (t0 )
420
E {x (t0 )} = 0
o
E {x (t0 )}]T = P0
E v (t) v T ( ) = Q (t) (t
E {w (t)} = 0
E w (t) wT ( ) = R (t) (t
)
)
Q (t) = QT (t)
E x (t0 ) v T (t) = 0
E x (t0 ) wT (t) = 0
E v (t) wT ( ) = 0
est dado por
d
x (t) = A (t) x (t) + B (t) u (t) + H (t) (y (t) C (t) x (t)) , x (t0 ) = 0
dt
d
P (t) = P (t) AT (t) + A (t) P (t) P (t) C T (t) R 1 (t) C (t) P (t) + Q (t) ,
dt
H (t) = P (t) C T (t) R 1 (t) ,
P (t0 ) = P0
421
Aqui
n
P (t) = E [x (t)
x (t)] [x (t)
x (t)]T
422
Leccin 21
El observador de Luenberger
423
d
x (t) = F (t) x (t) + G (t) u (t) + H (t) y (t) , x (t0 ) = x0
dt
que tiene como entradas las seales medibles de la planta y que debe
ser diseado de tal manera que
lm (
x (t)
t!1
x (t)) = 0
Un requerimiento natural al observador es que si x (t0 ) = x (t0 ) entonces debe satisfacerse que x (t) = x (t) para todo t t0 . Esta condicin se satisface si
F (t) = A (t)
G (t) = B (t)
H (t) C (t)
x (t)
satisface la ecuacin
e (t) = [A (t)
x (t0 )
(21.1)
426
21.1.
21.1.1.
Asignacin de polos
Si la pareja (C, A) es observable, entonces se pueden asignar arbitrariamente los valores propios de (A HC) mediante algn algoritmo
de asignacin de polos. Por ejemplo, la Frmula de Ackermann para
sistemas con una sola salida.
427
21.1.2.
P C T R 1 CP + Q = 0
H = P CT R
Para esto hay que resolver una ecuacin algebraica de Riccati, dnde P
es positiva definida.
Este mtodo tambin puede ser utilizado en el caso variante en el
tiempo, pero con la ecuacin diferencial de Riccati. Con esto se obtiene
un Filtro de Kalman.
428
Leccin 22
El principio de separacin lineal
429
Una utilizacin tpica de un observador de estados es en la implementacin de un control diseado suponiendo que se pueden medir todos los
estados. Qu se puede asegurar en este caso acerca del lazo cerrado a
travs del observador? En el caso lineal se cuenta con un resultado muy
satisfactorio en este sentido: el teorema o principio de separacin.
Supngase que se tiene un sistema lineal
x (t0 )
d x (t)
A (t)
LOC :
=
dt e (t)
B (t) K (t)
B (t) K (t)
0
A (t) H (t) C (t)
x (t)
e (t)
A BK
BK
= {A BK} [ {A HC}
0
A HC
432
que por diseo estn todos en el semiplano izquierdo del plano complejo.
Por lo tanto: si se disean independientemente un control por retroalimentacin de estados que estabilice a la planta y un observador que
estime asintticamente los estados de la planta, entonces la conexin
de ellos asegura la estabilidad del sistema en lazo cerrado y, en el caso
invariante en el tiempo, los valores propios en lazo cerrado son la unin
de los valores propios del sistema controlado por retroalimentacin de
los estados y los valores propios del observador.
433
Parte IX
Diseo de observadores para
sistemas no lineales
434
Existen una gran diversidad de mtodos para el diseo de observadores para sistemas no lineales, aunque no existe ninguno universal que
se pueda aplicar a todos los casos. Veremos algunos de ellos.
435
Leccin 23
Mtodos por aproximacin
(linealizacin)
436
23.1.
Si para una entrada constante u el sistema tiene un punto de equilibrio x que produce una salida y, es decir,
0 = f (
x, u) ,
y = h (
x)
437
x , y (t) = y (t)
y , u (t) = u (t)
u ,
La linealizacin es
x (t) = Ax (t) + Bu (t) , x (t0 ) = x
y (t) = Cx (t)
(
x,
u)
(
x,
u)
x)
A = @f @x
, B = @f@u
, C = @h(
@x
23.1.1.
d
x
dt
(t) = A
x (t) + Bu (t) + H (y (t)
y (t) = C x (t)
(A HC) Hurwitz
23.1.2.
y (t)) , x (t0 ) = x
d
x (t)
dt
= f (
x (t) , u (t)) + H (y (t)
y (t) = h (
x (t))
(A HC) Hurwitz
439
y (t)) , x (t0 ) = x0
23.2.
440
u (t) ,
La linealizacin es
x (t) = A (t) x (t) + B (t) u (t) , x (t0 ) = x 0
y (t) = C (t) x (t)
u(t))
u(t))
A (t) = @f (x(t),
, B (t) = @f (x(t),
, C (t) =
@x
@u
@h(
x(t))
@x
441
Calcular H (t)
443
Leccin 24
Mtodos exactos
444
24.1.
(24.1)
1
x (t) = T
(t)
El problema ms difcil en el mtodo consiste en encontrar las tranformaciones T y , si es que estas existen. Desafortunadamente, las
condiciones de existencia de tales transformaciones son tan fuertes, que
slo pocos sistemas pueden ser transformados de esta manera. As que
este mtodo solo puede ser aplicado a una pequea clase de sistemas.
24.1.1.
x (0) = x0 , y = h (x) ,
447
(24.2)
3. (iii) g , adjf r = 0 , 0 j n 2 , 8u 2 Rm
dnde r es el campo vectorial que es solucin de
4. (iv) adif r , 0 i n
24.1.1.1.
Un caso especial
(x)]T , x (0) = x0 , y = x1 ,
En este caso
dnde
(y) ,
d (y)
,
dy
(y) =
k2 (y)
(y) ,
(0) = 0 ,
y \begin{align*}
0
0
451
x =
x2
x1
x2
x21
y = x1 ,
x22
x1
x1 x2
u,
0 1
y u (
y + 1) ln |
y + 1|
z =
z+
0 0
ln |
y + 1| (1 + y) (1 + ln |
y + 1| + u)
y = z1 .
452
exp (x1 ) 1
z = T (x) =
exp (x1 ) (x2 + 1)
ln |z + 1|
x = T 1 (z) = z2 +1 1
.
1
z1 +1
24.2.
(
y ) = ln |
y + 1| , : R ! ( 1, 1) ,
1
, T : R2 ! ( 1, 1) R
x = f (x, u) + g (x, u) ,
:
y = h (x) ,
453
x (0) = x0
=
C
z
,
>
: = H z
Matrices L, N deben ser diseadas.
454
( , y, u)
( + , y, u) ,
z = AL z
G (HN z, , y, u) ,
z (0) = z0 ,
LC) es Hurwitz.
z, es entonces aproximadamente
Seleccinesen T , e tales que el tamao del trmino de perturbacin del error es minimizado en una regin compacta del
espacio de estado.
No hay certeza de convergencia.
24.3.
I
x (t) = T (t)
Ejemplo 24.6 Considere el sistema
x 1 = x1 + g (x2 )
x 2 = ax2
y = x1
dnde g (x2 ) = x2 (x22 1). Los mapas de observabilidad son
x1
o1 (x) =
: no inyectivo
x1 + g (x2 )
2
3
x1
5 : inyectivo
o2 (x) = 4 y + x32 x2
3ay (3a + 1) y 2ax2
458
3a2 y
1
y = 1 0 0 4 2 5
3
que es observable. As que se puede construir un observador para el sistema en las nuevas coordenadas y recuperar un estimado de los estados
459
24.4.
(3a + 1) 2
(y)
(24.4)
d
(t) + ' (, u) + H (t) (t) C (t) , (t0 ) = 0
(t)
=
A
(y,
u)
dt
d
P
dt
1
x (t) = T
(t)
El problema ms difcil en el mtodo consiste en encontrar las tranformaciones T y , si es que estas existen.
24.5.
Observador Lipschitz
(x, u) ,
x (0) = x0
kzk
HC) + (A
HC)T P + P +
I + PP 0
entonces el sistema
d
x = A
x+
dt
(
x, u) + H (y
C x) ,
x (0) = x0
24.6.
(x) ,
dnde
6
6
6
Ao = 6
6
4
Co =
0
0
..
.
1 0
0 1
.. . .
.
.
0 0 0
0 0 0
1 0
..
.
0
0
..
.
'1 (1 , u)
'2 (1 , 2 , u)
'3 (1 , 2 , 3 , u)
..
.
7
6
7
6
7
6
7 , ' (, u) = 6
7
6
4
1 5
0
'n (, u)
3
7
7
7
7
7
5
(t)
=
A
(t)
+
'
(t)
,
u
(t)
+
H
(t)
C
(t)
, (t0 ) = 0
o
o
o
dt
2
3
0 0
6 0 2 0 7
6
7
= 6 .. .. . .
7
4 . .
. 0 5
n
0 0 0
465
que converge exponencialmente si (Ao Ho Co ) es Hurwitz y es suficientemente grande. La velocidad de convergencia es proporcional a
.
24.6.1.
6
6
, 1e = 6
4
1
0
..
.
0
0
1
..
.
0
..
.
0
466
0
0
0
(n 1)
e1
6 e2
7
6
7
6 e3
7e = 6 2
6 ..
5
4 .
en
n 1
3
7
7
7
7
7
5
se obtiene
=
1 e = 1 (Ao
+ 1 ' (t) +
Ho Co ) 1 (t) +
1
(t) , u (t)
' ( (t) , u (t)) , (t0 ) = 0
467
Ntese que
2
6 0
6
1 A0 = 6 ..
4 .
0
2
6 0
6
6
= 6 ...
6
4 0
0
= A0
0
2
..
.
0
1
0
2
..
.
0
0
1 0
0
6
0 1
6
0 7
76
.. . .
.
76
. ..
.
...
0 56
4 0 0 0
n
0
0 0 0
32
0
0 2 0
3
7
6
0 76 0 0
.. 7 6 .. .. . .
...
6
.
. 7
76 . .
(n 1)
0 54 0 0 0
n
0 0 0
0
468
0
0
..
.
0
0
..
.
7
76
76
76
74
1 5
0
..
.
0
2
0
..
.
..
.
0
0
0
0
..
.
n
...
0
2
7 6
7 6
7 6
7=6
7 6
5 4
0
0 0
..
.
0 0
0 0
y que
C0
=
es decir
=
1 0
1 0
6
6
6
4
(Ao Ho Co ) (t) +
0
0
..
.
0
..
.
0
..
.
0
3
0
0 7
7
7
0 5
n
'i 1 + 1 , , i +
i 1
[' ( (t) +
'i (1 , , i , u) ki
i , u
(t) , u (t))
1
[1 , , i , 0, , 0]
=
=
=
1
i 1
1
i
1 , 2 ,
q
12 +
1
i 1
2 2
2
i 1
i 2
[1 ,
i , 0, , 0
+ +
2
i 1
2(i 1) 2
i
+ + (i )2
12 + 22 + + i2 = k[1 , , i , 0
470
6 0
6
, 1 e = 6 ..
4 .
0
0
2
..
.
0
se obtiene
...
0
0
6
6
0 7
7
6
7e = 6
6
5
0
4
n
e1
e22
e33
..
.
enn
3
7
7
7
7
7
5
= 1 e = 1 (Ao Ho Co ) 1 (t) +
471
Ntese que
2
6 0
6
1 A0 = 6 ..
4 .
0
2
6 0
6
6
= 6 ...
6
4 0
0
= A0
0
2
..
.
0
1
0
2
..
.
0
0
1 0
0
6
0 1
6
0 7
76
.. . .
.
76
. ..
.
...
0 56
4 0 0 0
n
0
0 0 0
32
0
0 2 0
3
7
6
0 76 0 0
.. 7 6 .. .. . .
...
6
.
. 7
76 . .
(n 1)
0 54 0 0 0
n
0 0 0
0
472
0
0
..
.
0
0
..
.
7
76
76
76
74
1 5
0
..
.
0
2
0
..
.
..
.
0
0
0
0
..
.
n
...
0
2
7 6
7 6
7 6
7=6
7 6
5 4
0
0 0
..
.
0 0
0 0
y que
C0
=
es decir
=
1 0
1 0
6
6
6
4
(Ao Ho Co ) (t) +
0
0
..
.
0
..
.
0
..
.
0
3
0
0 7
7
7
0 5
n
Por lo tanto se tiene que las componentes de 1 [' ( (t) + 1 (t) , u (t))
satisfacen
'
,
u
'
(
,
,
u)
k
1 [1 ,
i
1
1
i
i
i
1
i
i
i
i
2
i
T
1
[
,
,
0,
,
0]
=
,
i , 0, , 0
1
i
1
2
i
i
2
2
s
2 2 2
i
1 +
2 + +
=
i
s
2
2
1
1
=
+ + i2
i 1 1
i 2 2
q
12 + 22 + + i2 = k[1 , , i , 0,
474
min
min
(Q)
2k kP k) kk2
>
2k kP k
min (Q)
475
2kkP k
min (Q)t
min (Q)
V ( (t)) e
V ( (0))
converge exponencialmente a cero para todo
476
>
0.
477
Leccin 25
Control por retroalimentacin
de salida: Observador de Alta
Ganancia
478
25.1.
Para el sistema
x 1 = x2
x 2 = (x, u)
y = x1
x 1 = x2
x 2 = (x, (x)) .
Un Observador de Alta Ganancia (AG)
x1 = x2 + l1 (y
x2 =
x1 )
(
x, u) + l2 (y
479
x1 )
dnde
x1 , x2 = x2
x1 =
l1 x1 + x2
x2 =
l2 x1 + (x, x)
(
x, (
x))
(x, (
x))
l1
l1 1
Disee L =
tal que A0 =
sea Hurwitz.
l2
l2 0
La matriz de transferencia de ! x es
1
1
Go (s) = 2
s + l1 s + l2 s + l1
(x, x) =
x2
Disee L para hacer sup!2R kGo (j!)k tan pequea como sea posible.
Seleccione
1
2
, l2 = 2 , " > 0
l1 =
"
"
480
"
Go (s) =
2
("s) + 1 "s + 2
"
"s + 1
Ntese que
lm Go (s) = 0 ,
"!0
1,
son
Luego:
1. La cota final de es del rden de O (")
2. decrece ms rpido que una funcin exponencial e
25.1.1.
at/"
, a > 0.
at/"
25.1.2.
Ejemplo numrico
x 1 = x2
x 2 = x32 + u
y = x1
x1 = x2 +
2
"
(y
x2 = "12 (y x1 )
u = x32 x1 x2
483
x1 )
0.2
0.5
0.2
0
x2
x1
0.4
0.5
0.6
1.2
SF
OF: = 0.1
OF: = 0.01
OF: = 0.005
SF
OF: =0.1
OF: = 0.01
OF: = 0.005
0.8
1.5
10
Time (sec)
10
HGO: =0.1
HGO: =0.01
HGO: =0.005
7
6
5
x2ex2
100
50
150
SF
OF: = 0.1
OF: = 0.01
OF: = 0.005
200
250
300
Time (sec)
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
4
3
2
1
0
0.1
Time (sec)
0.01
0.02
0.03
0.04
0.05
Time (sec)
484
0.06
0.07
0.08
0.09
0.1
0.2
50
0.2
100
x2
x1
OF: =0.004
0
0.4
150
0.6
200
0.8
250
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
300
0.05
0.1
0.15
Time (sec)
0.2
0.25
0.3
0.35
0.4
Time (sec)
2000
10
9
8
1500
7
6
x2ex2
1000
500
5
4
3
2
0
1
0
500
0
0.05
0.1
0.15
0.2
Time (sec)
0.25
0.3
0.35
0.4
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.1
Time (sec)
0.1
0.04
SF
OF: =0.1
OF: = 0.01
OF: = 0.001
0.08
0.06
0.02
0.02
x2
x1
0.04
0.04
0.02
0.06
SF
OF: = 0.1
OF: = 0.01
OF: = 0.001
0
0.08
0.02
0.04
0.1
0.12
10
Time (sec)
10
0.09
0.1
Time (sec)
30
0.2
25
0
HGO: =0.1
HGO: =0.01
HGO: =0.001
20
x2ex2
0.2
0.4
0.6
10
SF
OF: = 0.1
OF: = 0.01
OF: = 0.001
0.8
15
0
0
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.1
Time (sec)
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
Time (sec)
x1
x2 )
Figura 25.4: Regin de atraccin con retro de salida. " = 0.1 (dashed),
488
" = 0.05 (dashed-dot),
25.1.3.
x))
" 1 =
" 2 =
1 1 + 2
2 1 + " (x, x)
2
1 + ("1 /2 ) s
1
!
cuando " ! 0
2
s
s
("s) + 1 "s + 2
La diferenciacin amplifica el ruido de medicin.
489
491
492
Chapter 26
Dissipative Observer Design
Method
493
26.1.
Introduction
The Dissipative Method can provide a unified framework to understand and compare dierent design methods, to design robust
observers and to integrate them in control and other interconnected loops.
26.2.
Dissipativity Theory
26.2.1.
A General Overview
496
Energy Balance:
dV (x)
dt
s(y, u)
V (x(t))
26.2.1.1.
d(x, u)
V (x(0))
t
0
s(y( ), u( ))d
Passivity: V (x) y T u
ISS: V (x)
(kxk) , () 2 K1
1 (kxk) + 2 (kuk) , i () 2 K1
iISS: V (x)
1 (kxk) + 2 (kuk) , 1 () 2 K , 2 () 2 K1
IOSS: V (x)
2 (kyk) , i () 2 K1
26.2.1.2.
Properties
Important Examples:
The cascade interconnection of two ISS systems is ISS
Passivity Theorem: The negative feedback interconnection of two
Passive systems is Passive
498
(modern version of) The Small Gain Theorem: The negative feedback interconnection of two ISS systems is ISS, if the gains are
small enough
Relationship of (open) dissipative systems with the Lyapunov stability
of closed systems
Dissipativity:
dVi (xi )
dt
si (yi , ui )
Interconnection: u2 = y1 , u1 =
nection
di (xi , ui ) i = 1, 2
y2 Negative Feedback Intercon-
dV (x)
dt
etcetera
500
501
26.2.1.4.
26.2.2.
26.2.2.1.
System
L :
x = Ax + Bu ,
y = Cx ,
x (0) = x0
x 2 Rn ,
y 2 Rm
y
u
Q S
ST R
502
y
u
u 2 Rq
m
L is state strictly dissipative (SSD) wrt the supply rate ! (y, u), or
for short (Q, S, R)-SSD, if there exist a matrix P = P T > 0, and > 0
such that
T
P A + AT P + P , P B
C QC C T S
0.
T
B P
0
ST C
R
Replacing P with I gives an equivalent problem.
The inequality is an LMI in P and .
If m = q, passivity corresponds to the supply rate ! (y, u) = y T u.
503
: [0, 1) Rq ! Rm ,
(t, u) ,
Q +2
Su + uT Ru
K1 u)T u
0, then it
26.2.2.3.
Feedback Interconnection
x (0) = x0
V = ! (y,
506
V .
507
26.3.
26.3.1.
Motivation
The methods are not able to deal with cases where the transformation does not lead to the required form.
The aim of the Dissipative Approach is to provide a systematic
means to deal with cases not necessarily considered in the previous
approaches.
Furthermore, and far beyond this initial motivation, it provides
a unified framework to design observers, to compare their performance, to analyze and improve their robustness, to include dierent objectives in the observer design.
Consider the Nonlinear system
x (t) = f (x (t) , u (t)) , x (t0 ) = x0
y (t) = h (x (t))
x (t) 2 Rn , u (t) 2 Rp , y (t) 2 Rq .
509
26.3.2.
8
< x = Ax + G ( ) + ' (t, y, u) ,
y = Cx ,
:
:
= Hx ,
510
x 2 Rn ,
y 2 Rm
2 Rr
u 2 Rq
y) + G ( + N (
y
26.3.2.1.
512
y, and ,
( + z) .
e (0) = e0
Observer Design
Suposicin 26.2 (z, ) is (Q, S, R)-D for some non positive semidefinite quadratic form
! ( , z) =
Q +2
Sz + z T Rz
0 for all .
514
constants ,
26.3.3.
t) .
(x, u) =
1 (x1 , u) ,
n 1 (x1 , , xn 1 , u) ,
515
(x, u)
: Rn Rm
(26.1)
xi , u
yi, u
ki xi
yi
x1
(z, x, u) =
(x, u)
xi =
Defining
the Lipschitz condition on
i
z i , xi , u
xi
, i = 1, , n
i,
and
T
(x + z, u)
, i = 1, , n
M
X
i (Qi , Si , Ri ) ,
i=1
26.4.
i
Computational Issues
is satisfied.
In general a nonlinear matrix inequality feasibility problem.
If N = 0 it is an LMI in , P , P L, .
If M = 1 and R = 0, then it is an LMI in , P , P L, N .
LMIs can be eectively solved by several algorithms in the literature [11]
518
26.5.
Circle criterion design (Arcak and Kokotovic 1999)[3, 15]: Corresponds to the simple case with square and monotonic nonlinearities.
Lipschitz observer design (Thau 1973; Rajamani 1998)[42, 51]:
Corresponds to the simple case with nonsquare general nonlinearities, and N = 0.
x = Ax +
y = Cx .
(x, u) ,
x (0) = x0
T
+ zT z
0,
(x + z, u), ,
26.6.
Examples
26.6.1.
Example 1
8
< x 1 = x1 + x2 + g (x2 ) ,
x 2 = ax2 ,
:
:
y = x1 ,
x2 ,
523
524
525
26.6.1.1.
NL Sector
26.6.1.2.
26.6.1.3.
26.6.2.
Example 2
x22
x32 + x1 x2 u , > 0 ,
x2
x1
0
x =
+
u+
, y = x1 ,
x1 x2 x21 x22
x1 x2
x32
530
exp (x1 ) 1
y = exp (y) 1 , z =
exp (x1 ) (x2 + 1)
0 1
y u (
y + 1) ln |
y + 1|
z =
z+
0 0
ln |
y + 1| + u)
"
#y + 1| (1 + y) (1 + ln |
0
+
,
(
y z2 )3
(1+
y )2
y = z1 .
The nonlinearity is
(
y
)3
( , y) =
, sigma = z2 .
(1 + y)2
531
2
2
!
( , , y) = Q + 2S + R
0, 1, 2(1+
.
y )2
0 for all
with (Q, S, R) =
so that
For y bounded there is a minimum value of R
dissipative.
is 0, 1, R
l1 = 3R,
l2 = 2R
2 the conditions are satisfied.
For N = 2R,
This observer is not global, because z1 has to be bounded, but
there is no restriction on z2 , and u.
26.6.3.
Example 3
x 1 = g (x2 ) u , g (x2 ) gl. Lipschitz
x 2 = x1 x2
y = x1 ,
532
g ( + )) u ,
= x2
26.7.
26.7.1.
Conclusions
26.7.2.
Decompose the observation error dynamics in two (or more) interconnected subsystems.
534
The Output injection will be used to provide (if possible) complementary dissipative.
535
536
Bibliografa
[1] V. Andrieu and L. Praly. Remarks on the existence of a KazantzisKravaris/Luenberger observer. In Proceedings of the 43rd IEEE
Conference on Decision and Control, pages 38743879. IEEE, Dec.
14-17 2004.
[2] D. Angeli and E. Sontag, Forward completeness, unboundedness
observability, and their lyapunov characterizations, Sys. & Cont.
Lett., 38, pp. 209217, 1999.
537
[3] M. Arcak and P. Kokotovic. Nonlinear observers: A circle criterion design. In Proceedings of the 38th. Conference on Decision &
Control, pages 48724876, Phoenix, Arizona, USA, 1999. IEEE.
[4] M. Arcak, Certainty-equivalence output-feedback design with
circle-criterion observers, IEEE Trans. Aut. Con., 50, no. 6, pp.
905909, 2005.
[5] M. Arcak and P. Kokotovic, Nonlinear observers: a circle criterion
design and robustness analysis, Automatica, vol. 37, no. 12, pp.
19231930, 2001.
[6] A. Atassi and H. Khalil, A separation principle for the
stabilization of a class of nonlinear systems, IEEE Trans. Aut.
Con., 44, pp. 16721687, 1999.
538
541
547
Englewood
550