想象你是一位远洋货轮的船长，要穿越一条变幻莫测的海峡。气象预报给的海图只是“大概准确”——洋流可能比你预想强 20%，雷达测距有 3% 的误差，装载后船的重心还会漂移。如果舵手只按“理想海况”的参数操舵，一个意外的大浪就可能让船偏离航线，甚至倾覆。 鲁棒控制 H∞ 的思路，就是这位船长出发前做的事情：不赌运气，而是先问三个问题——海况最坏能坏到什么程度（不确定性建模）？船在风浪中最剧烈的摇晃有多大（H∞ 范数）？怎样设计舵手，让船在所有可能海况下既稳住航向、又不把舵打死（混合灵敏度）？最后算出舵手参数，并验证在最坏风浪下船依然不翻（鲁棒稳定性）。 这篇文章用一条船从出海到靠岸的故事，带你把“不确定性时代的控船哲学”彻底搞懂。它表面全是矩阵和不等式，骨子里却是工程师面对未知时最朴素的智慧：承认误差，量化最坏情况，然后设计一个连最坏情况都不怕的方案。

岗位关联

H∞ 鲁棒控制让你掌握“系统存在不确定性时仍能保证稳定性与性能”的设计哲学，这正是机器人、无人机、自动驾驶等高可靠系统工程师的核心竞争力。

目录
  1. 可视化演示
  2. 1. 不确定建模：先承认海图不准
  3. 2. H∞范数：丈量最坏风浪
  4. 3. 混合灵敏度：既要稳，又不能打死舵
  5. 4. 控制器求解：算出最佳舵手
  6. 5. 鲁棒稳定性：台风里不翻船
  7. 6. 工程应用：船长上船实操
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示鲁棒控制H∞三大核心：H∞范数（传递函数频域Bode峰值sup_w|G(jw）|+不确定Δ建模鲁棒界γ)、混合灵敏度设计(S(s)灵敏度+W1性能约束/T(s)补灵敏度+W3鲁棒约束S+T=1)、鲁棒控制回路（K控制器+G被控对象+Δ不确定性反馈回路+GM=6dB/PM=45°稳定裕度）,三模式切换理解鲁棒控制全貌。

本节配有交互动效（进入视口后自动加载，约 3KB）。

'+C1+'

1. 不确定建模：先承认海图不准

老船长都明白：海图是“大概”准的——洋流可能偏 20%，雷达测距有 3% 误差，载货后重心还会漂。鲁棒控制的第一课，就是逼你承认模型永远不等于真相，然后学会优雅地描述误差。

在控制里，“理想海图”叫标称模型 $P_0(s)$，真实系统被表达为标称模型叠乘一个“偏差因子”：

三类不确定性最常见：参数摄动是质量、惯量、摩擦系数在标称值附近摆动；未建模动态是被忽略的高频柔性、执行器延迟；外部扰动则是风浪、负载突变。把 $\Delta$ 的范数限制在 1 以内，等于把“所有可能的坏情况”装进一个数学上的球，之后的分析都以球内任意一点为对象。

这个“不确定球”的大小很有讲究：画小了，船会撞上没画进球的暗礁；画大了，设计的舵会畏手畏脚。H∞ 的所有精彩故事，都从“画一个多大的球”开始。

P(s)=P0(s)(1+Δ(s)W(s)),∥Δ(s)∥∞≤1P(s) = P_0(s)\bigl(1 + \Delta(s)W(s)\bigr), \qquad \lVert \Delta(s) \rVert_{\infty} \le 1
P(s)=P0(s)(1+Δ(s)W(s)),∥Δ(s)∥∞≤1P(s) = P_0(s)\bigl(1 + \Delta(s)W(s)\bigr), \qquad \lVert \Delta(s) \rVert_{\infty} \le 1
乘性不确定结构“1 + ΔW”是工业界最常用的模型表达：它把参数摄动与未建模动态统一成一个比例误差，再用权重 W 描述误差随频率的分布。
  1. P0(s)——标称模型理想海图对应的标称传递函数，忽略所有误差。
    P(s)=P0(s)(1+Δ(s)W(s))P(s)=P_0(s)\bigl(1+\Delta(s)W(s)\bigr)
  2. Δ(s)——归一化不确定性所有可能偏差形态的集合，范数被限制在 1 以内。
    ∥Δ∥∞≤1\lVert \Delta\rVert_{\infty}\le 1
  3. W(s)——频率权重函数决定偏差在哪个频段更大，高频段通常权重更高。
    W(s)=τs+1τs/ε+1W(s)=\frac{\tau s+1}{\tau s/\varepsilon+1}
  4. 乘性结构(1+ΔW)误差按比例作用于模型，覆盖参数摄动与未建模动态。
    ΔP=P0 ΔW\Delta P=P_0\,\Delta W

2. H∞范数：丈量最坏风浪

船长真正关心的是“最大的浪有多高”，而不是平均浪高。系统也一样：输入扰动形状千变万化，输出对输入的放大最坏能有多大？这就是 H∞ 范数要回答的问题。

对传递函数 $G(s)$，它的 H∞ 范数是频率响应 $G(j\omega)$ 在所有频率上最大奇异值的上确界。单入单出时，它就是 Bode 幅频曲线的最高点：

这个范数小于 1，意味着任何能量有界的输入，输出能量都会被压缩。它把“任意波形”这个无限维的问题，压缩成了“看一条曲线的峰值”——这正是它迷人的地方。

H2 范数算平均能量，H∞ 算最坏情况。船长不会问“平均浪高几米”来决定要不要开船，他关心的是“百年一遇的风暴有多大”。H∞ 就是这种悲观但稳健的思维。

∥G(s)∥∞  =  sup⁡ω∈R  σˉ(G(jω))\lVert G(s) \rVert_{\infty} \;=\; \sup_{\omega \in \mathbb{R}}\; \bar{\sigma}\bigl(G(j\omega)\bigr)
∥G(s)∥∞  =  sup⁡ω∈R  σˉ(G(jω))\lVert G(s) \rVert_{\infty} \;=\; \sup_{\omega \in \mathbb{R}}\; \bar{\sigma}\bigl(G(j\omega)\bigr)
一句话：H∞ 范数是系统的“最坏情况增益”，相当于控制界版本的“百年一遇最大浪高”。
  1. G(jω)——频率响应采样把传递函数放在虚轴上取值，得到系统对正弦信号的复增益。
    G(jω)=G(s)∣s=jωG(j\omega)=G(s)\big|_{s=j\omega}
  2. σ̄——最大奇异值多入多出系统中，衡量信号被放大得最强的方向。
    σˉ(G)=λmax⁡(G∗G)\bar{\sigma}(G)=\sqrt{\lambda_{\max}(G^{*}G)}
  3. sup——频率上的上确界在所有频率中取最大，等价于 Bode 幅频曲线的峰值。
    sup⁡ω∈Rf(ω)=max⁡ωf(ω)\sup_{\omega\in\mathbb{R}} f(\omega)=\max_{\omega} f(\omega)
  4. ∞ 下标——无穷范数代表“最坏情况增益”，区别于 H2 的平均能量指标。
    ∥G∥∞=频响峰值\lVert G\rVert_{\infty}=\text{频响峰值}

3. 混合灵敏度：既要稳，又不能打死舵

好舵手有两个互相打架的目标：航线偏差要尽快修正（抗扰），但舵不能猛打，否则高频噪声被放大、舵机还会过热。灵敏度函数 S 和补灵敏度函数 T 正站在天平两端。

灵敏度 S 是“扰动到误差”的传递，低频要小；补灵敏度 T 是“噪声到输出”的传递，高频要小。恒等式 $S+T=1$ 说明二者此消彼长，只能按频段取舍。权重函数 $W_1, W_2$ 把要求写成频率相关的界限，混合灵敏度设计就是找一个 K 让两个条件同时满足：

船长不会要求船“纹丝不动”——那意味着舵要永远疯狂修正，在大浪里反而更容易失控。他只说：低频长浪必须顶住，高频碎浪和传感器噪声别太较真。权重函数就是这张“分频段要求清单”。

S(s)=11+P(s)K(s),T(s)=P(s)K(s)1+P(s)K(s),S(s)+T(s)=1S(s)=\frac{1}{1+P(s)K(s)}, \qquad T(s)=\frac{P(s)K(s)}{1+P(s)K(s)}, \qquad S(s)+T(s)=1
∥[W1(s)S(s)W2(s)T(s)]∥∞<1\left\lVert \begin{bmatrix} W_1(s) S(s) \\ W_2(s) T(s) \end{bmatrix} \right\rVert_{\infty} < 1
S(s)=11+P(s)K(s),T(s)=P(s)K(s)1+P(s)K(s),S(s)+T(s)=1S(s)=\frac{1}{1+P(s)K(s)}, \qquad T(s)=\frac{P(s)K(s)}{1+P(s)K(s)}, \qquad S(s)+T(s)=1
块矩阵的意思是把“抗扰要求”和“抗噪要求”绑在一起考核：最坏频率下两者都不能超限，才叫达标。
  1. 权重 W1、W2把工程要求翻译成频率相关界限，低频看重 S，高频看重 T。
    ∣S(jω)∣<1∣W1(jω)∣,∣T(jω)∣<1∣W2(jω)∣|S(j\omega)|<\frac{1}{|W_1(j\omega)|},\quad |T(j\omega)|<\frac{1}{|W_2(j\omega)|}
  2. 块矩阵向量化两个标量目标拼成一个向量目标，便于统一用范数考核。
    [W1SW2T]\begin{bmatrix}W_1 S\\ W_2 T\end{bmatrix}
  3. H∞ 范数小于 1最坏频率下两个加权目标同时不超过 1，即所有频段达标。
    ∥⋅∥∞<1\lVert \cdot \rVert_{\infty}<1

4. 控制器求解：算出最佳舵手

指标有了，谁来把 K 算出来？上世纪 80 年代，Doyle 等人的 DGKF 论文把 H∞ 控制归结为两个 Riccati 方程；后来 LMI（线性矩阵不等式）让求解变成标准的凸优化问题。

先把问题规范化：把系统整理成广义对象，输入分为扰动 $w$ 和控制 $u$，输出分为被控输出 $z$ 和测量 $y$。设计 K 使闭环传递的 H∞ 范数小于给定 $\gamma$，$\gamma$ 越小要求越苛刻。状态反馈可解时，K 由 Riccati 方程的解 X 直接给出：

$\gamma$ 的取值用二分法找：太大容易满足但性能差，太小方程无解。这就像船长反复试算船的“临界最大抗浪能力”——太大浪费成本，太小翻船，二分法就是不断逼近那条临界线。

ATX+XA+X(γ−2B1B1T−B2B2T)X+C1TC1=0,K=−B2TXA^{\mathsf{T}}X + XA + X\left(\gamma^{-2} B_1 B_1^{\mathsf{T}} - B_2 B_2^{\mathsf{T}}\right)X + C_1^{\mathsf{T}}C_1 = 0, \qquad K = -B_2^{\mathsf{T}}X
ATX+XA+X(γ−2B1B1T−B2B2T)X+C1TC1=0,K=−B2TXA^{\mathsf{T}}X + XA + X\left(\gamma^{-2} B_1 B_1^{\mathsf{T}} - B_2 B_2^{\mathsf{T}}\right)X + C_1^{\mathsf{T}}C_1 = 0, \qquad K = -B_2^{\mathsf{T}}X
这个方程是 H∞ 的心脏：它把“要抗扰动”和“要省控制力”同时写进一个矩阵方程，解出来就是最优舵手。
  1. X——待求矩阵Riccati 方程的解，蕴含性能与稳定性信息。
    X=XT⪰0X=X^{\mathsf{T}}\succeq 0
  2. AᵀX+XA——能量演化项类似李雅普诺夫方程，约束状态能量衰减。
    ATX+XAA^{\mathsf{T}}X+XA
  3. γ⁻²B1B1ᵀ−B2B2ᵀ——扰动让位项γ 越小，扰动通道留下的空间越小，问题越难。
    γ−2B1B1T−B2B2T\gamma^{-2}B_1B_1^{\mathsf{T}}-B_2B_2^{\mathsf{T}}
  4. C1ᵀC1——被控输出惩罚要求状态被压下去，C1 权重越大性能越强。
    C1TC1C_1^{\mathsf{T}}C_1
  5. K=−B2ᵀX——状态反馈增益由 X 直接给出舵手参数，一步到位。
    K=−B2TXK=-B_2^{\mathsf{T}}X

5. 鲁棒稳定性：台风里不翻船

性能再好，稳定是底线。船长出发前要反复论证：在所有可能海况下，船会不会翻？鲁棒稳定性问题就是：给定不确定性集合，闭环是否对其中每一个 Δ 都稳定？

小增益定理给出了答案：如果两个环节的增益（H∞ 范数）乘积小于 1，那么它们以任何方式互联都不会产生自激振荡。对乘性不确定 $P=P_0(1+\Delta W)$，控制器保证鲁棒稳定的充分条件是：

小增益定理是充分条件，往往保守——它把所有不确定都按最坏方向加总。结构化奇异值 μ 利用不确定性结构（哪个通道、如何耦合）给出更紧的判定；相位裕度、幅值裕度则是单通道下的直觉特例。

再进一步，鲁棒性能要求所有 Δ 下既稳定又满足性能指标，方法是把性能指标也“伪装”成一块不确定性，用扩展的 μ 分析同时检验。船长不仅要船不翻，还要船在风浪中准时到港——这就是鲁棒性能。

∥W(s)T(s)∥∞<1  ⟹  闭环系统对一切 ∥Δ∥∞≤1 保持稳定\lVert W(s) T(s) \rVert_{\infty} < 1 \;\Longrightarrow\; \text{闭环系统对一切 } \lVert \Delta \rVert_{\infty} \le 1 \text{ 保持稳定}
∥W(s)T(s)∥∞<1  ⟹  闭环系统对一切 ∥Δ∥∞≤1 保持稳定\lVert W(s) T(s) \rVert_{\infty} < 1 \;\Longrightarrow\; \text{闭环系统对一切 } \lVert \Delta \rVert_{\infty} \le 1 \text{ 保持稳定}
小增益定理是鲁棒稳定性的“压舱石”：只要不确定性的残留增益处处小于 1，能量就只衰减不增长，船就不会翻。
  1. W(s)T(s)——恶化因子残留不确定权重穿过闭环后的剩余增益。
    W(s)T(s)=W(s)P(s)K(s)1+P(s)K(s)W(s)T(s)=W(s)\frac{P(s)K(s)}{1+P(s)K(s)}
  2. 范数小于 1任何频率下残留增益都小于 1，能量只衰减不放大。
    ∥WT∥∞<1\lVert WT\rVert_{\infty}<1
  3. 充分条件满足它则对集合内一切 Δ 都稳定。
    ∀ ∥Δ∥∞≤1\forall\,\lVert\Delta\rVert_{\infty}\le1
  4. 鲁棒性能扩展把性能指标打包成虚构不确定性，用 μ 上界统一检验。
    μΔ(M(jω))<1\mu_{\Delta}\bigl(M(j\omega)\bigr)<1

6. 工程应用：船长上船实操

理论翻完，回到甲板。机械臂、无人机、无人车、手术机器人的共同点：标称模型都有误差，环境都会变。H∞ 在其中的角色，是给“不确定”上一道可靠的保险。

标准设计流程四步走：第一步，辨识标称模型并统计不确定性界；第二步，选择权函数 W1/W2/W3；第三步，求解并检查范数指标与 μ；第四步，时域仿真（蒙特卡洛抽取 Δ 样本）。若超调或控制量超限，回头调权重——权重函数是工程师手里最重要的旋钮。

实现要点包括：控制器降阶（平衡截断，高阶级数不便部署）、离散化（双线性变换）、抗积分饱和、对时延留裕度。与 PID 相比，H∞ 胜在多变量、稳健、可自动化设计，代价是阶次高、参数语义不如 PID 直观。

落地检查清单：不确定性边界来自实测而非拍脑袋；权重从积分型 1/s 起步；仿真输入用真实扰动功率谱；最后用 μ 分析确认没有隐藏最坏情况。做到这四条，H∞ 就不只是论文公式，而是能上船服役的舵手。

AI 应用场景

工业机械臂变负载轨迹控制

阶段：控制器设计与部署（鲁棒控制算法开发）

解决的问题：传统 PID 按额定负载整定，机械臂抓取不同工件时惯量变化大，轨迹精度下降甚至抖动。H∞ 把负载变化建模为参数摄动，设计一个对所有可能负载都达标的控制器，免去在线重调——相当于船长不赌固定载重，而是按载重区间设计稳舵策略。

具体案例：某 3C 装配线 6 轴机械臂，末端负载在 1~10kg 间切换。原 PID 在重载下末端超调 2mm；改用 H∞ 混合灵敏度设计后，全负载区间重复定位精度保持 ±0.1mm，换型时无需重新整定。

无人机抗风扰姿态控制

阶段：系统辨识与鲁棒控制器验证

解决的问题：阵风、重心偏移、桨叶老化让飞控模型总在变，PID 在 4 级风下姿态波动明显。H∞ 对风扰和模型摄动统一建权，一次设计覆盖全部飞行包线，就像船长在出发前就把所有浪向都算进操舵策略。

具体案例：物流无人机悬停时受 10m/s 阵风冲击，原控制器俯仰角最大偏差 ±3°；采用 H∞ 姿态控制器后，蒙特卡洛仿真（500 组随机气动参数）验证偏差 ≤0.8°，实飞降落成功率从 91% 提升到 99%。

自动驾驶横向控制

阶段：鲁棒控制器参数整定与仿真验证

解决的问题：路面摩擦系数（干燥/积水）和车速变化导致车辆模型参数大幅漂移，固定参数 LQR/PID 在湿滑路面可能蛇行或偏离车道。H∞ 把路面附着建模为不确定参数，保证全工况车道保持。

具体案例：某乘用车在附着系数 0.2~0.8 切换的试验场做双移线测试，H∞ 横向控制器在所有工况下横向偏差 <0.3m；相同工况下固定参数 LQR 在低附着路面出现 0.9m 偏离，需要紧急人工接管。

Python 演示

python87 行
import numpy as npfrom scipy.linalg import schur, eigvalsimport matplotlib.pyplot as plt  def build_hamiltonian(A, B1, B2, C1, gamma):    R = B2.dot(B2.T) - B1.dot(B1.T) / gamma**2    Q = C1.T.dot(C1)    return np.block([[A, -R], [-Q, -A.T]])  def gamma_feasible(A, B1, B2, C1, gamma):    ev = eigvals(build_hamiltonian(A, B1, B2, C1, gamma))    return not np.any(np.abs(np.real(ev)) < 1e-8)  def design_gain(A, B1, B2, C1, gamma):    Hmat = build_hamiltonian(A, B1, B2, C1, gamma)    Sch, Z, sdim = schur(Hmat, output='real', sort='lhp')    n = A.shape[0]    if sdim != n:        raise ValueError('gamma 不可行, 无法得到稳定化解')    Z1 = Z[:n, :n]    Z2 = Z[n:, :n]    X = np.real(Z2.dot(np.linalg.inv(Z1)))    X = 0.5 * (X + X.T)    return -B2.T.dot(X), X  A = np.array([[0.0, 1.0], [-2.0, -1.0]])B1 = np.array([[0.0], [1.0]])B2 = np.array([[0.0], [1.0]])C1 = np.array([[1.0, 0.0], [0.0, 0.0]]) g_lo, g_hi = 0.02, 20.0for _ in range(40):    g_mid = 0.5 * (g_lo + g_hi)    if gamma_feasible(A, B1, B2, C1, g_mid):        g_hi = g_mid    else:        g_lo = g_midgamma_min = g_hiprint('gamma_min =', round(gamma_min, 4)) gamma = 1.5 * gamma_minK, X = design_gain(A, B1, B2, C1, gamma)print('K =', np.round(K, 4).ravel())  def sim_response(Acl, dt=0.005, steps=1200):    x = np.zeros(Acl.shape[0])    y = np.zeros(steps)    for i in range(steps):        w = 1.0 if 40 <= i < 240 else 0.0        x = x + dt * (Acl.dot(x) + B1.ravel() * w)        y[i] = x[0]    return y  t = np.arange(1200) * 0.005y_nom = sim_response(A + B2.dot(K))A_pert = A.copy()A_pert[1, 1] = -0.4y_pert = sim_response(A_pert + B2.dot(K)) plt.figure(figsize=(8, 4))plt.plot(t, y_nom, label='nominal')plt.plot(t, y_pert, label='perturbed')plt.legend()plt.grid(True)plt.xlabel('t (s)')plt.ylabel('x1')plt.savefig('hinf_response.png', dpi=100)print('perturbed closed-loop poles:', np.round(np.linalg.eigvals(A_pert + B2.dot(K)), 3)) w = np.logspace(-2, 2, 400)L = np.squeeze([K.dot(np.linalg.inv(1j * si * np.eye(2) - A)).dot(B2) for si in w])S = np.abs(1 / (1 + L))T = np.abs(L / (1 + L))plt.figure(figsize=(8, 4))plt.semilogx(w, 20 * np.log10(S), label='|S|')plt.semilogx(w, 20 * np.log10(T), label='|T|')plt.legend()plt.grid(True)plt.xlabel('freq (rad/s)')plt.savefig('hinf_sensitivity.png', dpi=100)print('peak |S| =', round(20 * np.log10(np.max(S)), 2), 'dB')
目的：完整实现 H∞ 状态反馈控制器的求解与验证——二分法找最小 γ、Schur 分解解 Riccati 方程、扰动响应仿真、灵敏度曲线绘制，全程只依赖 NumPy/SciPy/Matplotlib。
  1. R = B2.dot(B2.T) - B1.dot(B1.T) / gamma**2组装 Riccati 方程里的关键矩阵 R：控制通道提供“力度”，扰动通道被 γ 缩放后“让一步”。
  2. Hmat = np.block([[A, -R], [-Q, -A.T]])把 Riccati 方程编码进 Hamiltonian 矩阵，解藏在它的稳定特征子空间里。
  3. Sch, Z, sdim = schur(Hmat, output='real', sort='lhp')Schur 分解提取左半平面（稳定）特征向量。
  4. X = np.real(Z2.dot(np.linalg.inv(Z1)))从稳定不变子空间恢复 Riccati 解 X。
  5. return -B2.T.dot(X), X状态反馈增益 K = −B2ᵀX，H∞ 状态反馈的标准结果。
  6. if gamma_feasible(A, B1, B2, C1, g_mid):二分法判断 γ 是否可行：可行就往小压，不行就往大抬。
  7. y_pert = sim_response(A_pert + B2.dot(K))同一控制器放到参数摄动后的系统上仿真，验证鲁棒性。
  8. plt.semilogx(w, 20 * np.log10(S), label='|S|')画灵敏度幅频曲线，低频越低抗扰越强。

常见误区

误区初学者以为 H∞ 是“悲观到底”的设计，只优化最坏情况，日常工况下肯定不如 PID 灵敏，属于杀鸡用牛刀。

正解H∞ 是在给定不确定性范围内保证稳定与性能的设计方法。它像船长不赌好天气，但好天气下照样能走最优航线。权重函数可以同时追求标称性能与鲁棒性，超调、带宽等指标都能通过权函数设计出来，日常工况下系统往往更稳更顺，而不是更迟钝。

为何常见：把“设计准则面向最坏情况”误解成“系统永远工作在最坏情况”，混淆了设计基准与工作点。

误区画不确定性边界时，把 Δ 的范围取得越大，觉得余量越足、越安全。

正解W 太大使不确定集合过大，控制器会非常保守——响应变慢、控制量不足，甚至无解。正确做法是基于实测辨识误差确定 W，像船长按实际风暴统计定船体强度，而不是把每条浪都当成海啸。鲁棒性本质上是用性能换来的，不确定球的体积越大，换来的“保费”越高。

为何常见：直觉上“留足余量”是对的，但忽略了鲁棒性与标称性能之间的此消彼长。

误区以为设计目标是把灵敏度 S 和补灵敏度 T 同时压小，两个都小才叫好控制。

正解S + T = 1（SISO 恒等式），二者不可能同时小。正确设计是分频段取舍：低频压 S、高频压 T，通过 W1/W2 划清边界。就像舵手不会“永远不打舵”又要求“船纹丝不动”——这两件事在物理上互斥。

为何常见：忘记 S+T=1 这个恒等式，把两个耦合目标当成了独立优化问题。

误区只要闭环特征根都在左半平面，就认为控制设计已经合格，H∞ 指标是锦上添花。

正解稳定性只是底线。鲁棒性能要求在所有不确定性范围内既稳定又能满足扰动抑制等指标。系统“稳定但抖得厉害”或“稳定但对扰动毫无衰减”在工程上照样不可用；H∞ 指标把性能与鲁棒性统一在一个范数里，是比“特征根在左半平面”强得多的承诺。

为何常见：经典控制课先把稳定性讲透，容易形成“稳定 = 合格”的惯性思维。

误区看到 hinfsyn 求出来 20~30 阶的控制器，觉得只能做学术玩具，工业上根本跑不动。

正解标准工程流程是“设计高阶 H∞ 控制器 → 平衡截断降阶 → 验证降阶后仍满足指标”。降阶到 5~8 阶在 DSP/嵌入式上完全可以部署。H∞ 的价值在于自动求出稳定且达标的 K，再用降阶工具落地，比手调多变量 PID 可靠得多。

为何常见：直接看到高阶输出就以为要原样部署，忽略了“设计 → 降阶 → 验证”这个两步法。

面试题

Q1. H∞ 范数描述的是系统在什么意义下的增益？

单选题 · easy

  • A.平均能量增益
  • B.最坏情况增益← 正确答案
  • C.峰值带宽宽度
  • D.稳态直流增益

答案：B。H∞ 范数是频率响应幅值在所有频率上的上确界，即最坏输入下的最大增益，对应 Bode 图的峰值。平均能量对应 H2 范数，带宽和直流增益都不是范数的定义，故 B 正确。

Q2. 灵敏度函数 S 与补灵敏度函数 T 之间满足什么关系？

单选题 · easy

  • A.两者满足 S+T=1← 正确答案
  • B.两者满足 S×T=1
  • C.两者完全相等
  • D.两者完全无关

答案：A。由 S=1/(1+PK)、T=PK/(1+PK) 直接相加得 S+T=1。这意味着低频压 S 必然抬 T，高频压 T 必然抬 S，设计就是分频段取舍。其余三个等式都不成立。

Q3. 小增益定理在鲁棒稳定性分析中的作用是？

单选题 · mid

  • A.保证标称系统性能
  • B.提供鲁棒稳定充分条件← 正确答案
  • C.直接求出控制器唯一解
  • D.彻底消除所有模型不确定性

答案：B。小增益定理给出闭环对一切 ||Δ||≤1 保持稳定的充分条件（如 ||WT||∞<1），但不保证必要性，也不能直接求出控制器，更不会消除不确定性。性能与求解分别由其他工具完成。

Q4. 混合灵敏度设计的目标是？

单选题 · mid

  • A.同时极小化 S 和 T
  • B.加权后 S、T 范数小于 1← 正确答案
  • C.让 S 与 T 完全相等
  • D.使环路增益达到最大

答案：B。由于 S+T=1，无法同时极小化二者。混合灵敏度把目标写成 ||[W1S; W2T]||∞<1，用权重在不同频段分别约束 S 和 T，让所有频段同时达标。故 B 正确。

Q5. 关于不确定性建模，下列说法正确的有？

多选题 · mid

  • A.参数摄动属于不确定性← 正确答案
  • B.未建模动态可用高频权函数描述← 正确答案
  • C.不确定性权重越大控制器越保守← 正确答案
  • D.权重取越小越能增强鲁棒性

答案：ABC。参数摄动和未建模动态都是典型不确定性来源；高频未建模动态习惯用高频权重 W 描述；W 越大不确定球越大，控制器越保守。但 W 太小会低估风险、牺牲鲁棒性，所以 D 错误。

Q6. H∞ 状态反馈中 Riccati 方程的解 X 用于什么？

单选题 · mid

  • A.用于计算状态观测器增益
  • B.用于计算状态反馈增益 K← 正确答案
  • C.用于估计被控系统的阶次
  • D.用于计算系统的传递函数

答案：B。标准结果是 K=−B2ᵀX，X 是 H∞ Riccati 方程的解。观测器增益由对偶设计给出，系统阶次和传递函数来自建模而非 Riccati 方程，因此 B 正确。

Q7. 关于 γ 迭代（二分法求最小 γ），正确的说法有？

多选题 · hard

  • A.哈密顿矩阵无纯虚特征值← 正确答案
  • B.闭环稳定且 Riccati 方程有解← 正确答案
  • C.γ 取值越大越容易可行← 正确答案
  • D.γ 取值越小越容易可行

答案：ABC。可行性的数学判据是 Hamiltonian 矩阵无纯虚特征值，等价于存在稳定化 Riccati 解。γ 是性能水平，越大越宽松、越容易可行，二分法从大到小逼近临界值，所以 D 恰好说反。

Q8. 结构奇异值 μ 相对小增益定理的优势是？

单选题 · hard

  • A.利用结构信息降低保守性← 正确答案
  • B.计算过程比小增益定理更简单
  • C.不需要依赖任何传递函数模型
  • D.可以完全替代时域仿真验证

答案：A。小增益定理把所有不确定按最坏方向加总，偏保守；μ 利用不确定性块的通道结构与耦合信息，给出更紧的稳定条件。代价是计算更复杂，且不能替代时域仿真，因此只有 A 正确。

Q9. “鲁棒性能”是指？

单选题 · easy

  • A.系统对任意输入都能保持稳定
  • B.所有不确定情形下稳定且性能达标← 正确答案
  • C.系统的闭环带宽达到最大
  • D.标称工况下的性能指标最优

答案：B。鲁棒性能要求对不确定性集合中的每一个 Δ，系统既保持稳定又满足性能指标（如加权灵敏度界）。只讲稳定不考虑性能、只追求带宽或只优化标称工况，都不是鲁棒性能的含义。

Q10. 工程上部署 H∞ 控制器的常用做法包括？

多选题 · hard

  • A.双线性变换将控制器离散化← 正确答案
  • B.用平衡截断对控制器降阶← 正确答案
  • C.直接部署 30 阶连续域控制器
  • D.蒙特卡洛仿真验证鲁棒性← 正确答案

答案：ABD。标准流程是设计高阶控制器后先平衡截断降阶，再用双线性变换离散化部署到嵌入式平台，并用蒙特卡洛抽取不确定样本验证鲁棒性。直接部署 30 阶连续控制器既不现实也无必要，C 错误。