什么是分离定理？
分离定理（Separation Theorem），在现代控制理论中又常被称为确定性等效原理（Certainty Equivalence Principle）的一种表现形式，是设计线性二次型高斯（LQG）控制器的基石。它指出，对于线性时不变（LTI）系统，在二次型性能指标和高斯噪声假设下，最优控制律的设计可以分离为两个独立的问题：状态估计问题（滤波）和状态反馈问题（控制）。
具体来说，这意味着我们可以分别设计一个卡尔曼滤波器（Kalman Filter）来获取系统状态的最佳估计，并设计一个线性二次型调节器（LQR）来根据状态反馈获得最优控制输入。将这两个模块连接起来，就构成了完整的LQG控制器。分离定理的强大之处在于，它允许工程师将复杂的联合优化问题分解为两个较易处理的子问题，且整体性能依然保持最优。
核心要素 ①
状态估计器：负责从 noisy 的观测值中重构系统状态。常用工具为卡尔曼滤波器。
核心要素 ②
状态反馈控制器：负责根据状态信息计算最优控制输入。常用工具为LQR控制器。
关键结论
估计器的动态特性与控制器的动态特性互不影响，两者可以独立设计。
数学原理深度解析
为了深入理解分离定理，我们需要回顾其背后的数学逻辑。考虑一个线性离散时间系统：
| 方程类型 | 数学表达式 | 说明 |
|---|---|---|
| 状态方程 | x(k+1) = A x(k) + B u(k) + w(k) |
w(k) 为过程噪声 |
| 观测方程 | y(k) = C x(k) + v(k) |
v(k) 为测量噪声 |
其中，x是状态向量，u是控制输入，y是观测值。假设 w 和 v 是零均值高斯白噪声。
1. 最优状态估计（卡尔曼滤波）
卡尔曼滤波器通过递推算法，利用过去的观测数据 y(0)...y(k) 来估计当前状态 x(k)。其核心是预测和更新两个步骤：
- 预测步骤：利用上一时刻的状态估计和当前控制输入，预测当前时刻的状态。
- 更新步骤：利用当前的观测值 y(k) 和预测值之间的残差（新息），修正状态估计，从而得到最小均方误差估计 ^x(k|k)。
2. 最优状态反馈（LQR）
LQR控制器旨在最小化二次型代价函数 J：
通过求解代数Riccati方程，可以得到最优状态反馈增益矩阵 K，使得控制律为 u(k) = -K ^x(k|k)。这里的关键在于，我们使用估计值 ^x 代替真实值 x。
3. 分离的证明
分离定理的数学证明基于最小方差估计的性质。由于高斯分布的特性，条件期望 E[x|Y] 是线性的，且估计误差与观测值独立。因此，在计算期望代价函数时，交叉项为零，导致估计问题与控制问题在优化目标上解耦。这使得我们可以先独立求解估计增益 L，再独立求解控制增益 K。
分离定理的实际应用
分离定理不仅是理论上的优雅结果，更是工程实践的指南针。以下领域广泛采用了基于分离定理的LQG控制策略：
机器人与机械臂
在精密机器人控制中，传感器（如编码器、IMU）不可避免地存在噪声。卡尔曼滤波器用于融合多传感器数据，提供平滑、准确的位置和速度估计。LQR控制器则根据这些估计值计算电机扭矩，确保机器人轨迹跟踪的精确性和稳定性。例如，在四足机器人的平衡控制中，分离定理帮助设计师在动态环境中保持机器人直立。
自动驾驶系统
自动驾驶汽车需要实时估计车辆状态（位置、速度、航向角）以及周围环境。基于分离定理的架构中，感知模块相当于卡尔曼滤波器（或更复杂的粒子滤波），而规划与控制模块则相当于LQR控制器。这种分离使得系统模块化解耦，便于调试和升级。例如，车辆路径跟踪控制器仅关注如何最小化路径误差，而无需关心状态是如何被估计出来的。
航空航天
飞机和卫星的控制对可靠性要求极高。在飞行器姿态控制中，陀螺仪和加速度计的噪声会影响稳定性。LQG控制器结合卡尔曼滤波，能够有效抑制传感器噪声，同时保证飞行器在扰动下的鲁棒性。阿波罗登月舱的部分控制系统就体现了类似的思想，尽管当时计算能力有限，但分离设计的模块化优势依然显著。
分离定理的发展时间轴
现代控制理论的萌芽
维纳（Norbert Wiener）提出了滤波理论，卡尔曼（Rudolf Kalman）开始研究状态空间方法。这一时期奠定了随机过程在控制中的应用基础。
卡尔曼滤波的提出
Rudolf Kalman 发表了具有里程碑意义的论文，提出了递归状态估计方法，即卡尔曼滤波。这为分离定理中的估计部分提供了实用工具。
LQR控制器的确立
控制理论界开始深入研究线性系统的二次型最优控制问题，LQR理论逐渐成熟，提供了确定性的最优反馈律设计方法。
分离定理的正式证明
Anderson 和 Moore 等学者严格证明了在LQG框架下，估计和控制问题的分离性质。这一结果极大地推动了现代控制理论的工程化应用。
扩展与深化
随着计算能力的提升，分离定理的思想被扩展到非线性系统（如扩展卡尔曼滤波EKF）、鲁棒控制（H∞控制）以及自适应控制领域。尽管严格分离不再总是成立，但其模块化设计思想依然影响深远。
常见问答 (FAQ)
A: 严格来说，分离定理仅在线性系统和高斯噪声假设下成立。对于非线性系统，估计误差会影响控制性能，两者不再完全解耦。但在工程实践中，常采用扩展卡尔曼滤波（EKF）或无迹卡尔曼滤波（UKF）作为近似，结合非线性模型预测控制（NMPC）等方法，实现近似的分离效果。
A: LQG控制器在最小化二次型代价的同时，没有显式考虑模型不确定性。其开环传递函数的相位裕度通常仅为60度，增益裕度为无穷大（单输入单输出系统）。这意味着它对模型失配比较敏感。如果实际系统存在未建模动态或参数漂移，LQG控制器可能表现不佳甚至失稳。
A: Q（状态权重）和R（控制权重）的选择直接影响控制性能。增大Q元素会使控制器更“激进”，更快地减小状态误差，但可能导致控制输入过大。增大R元素会使控制器更“保守”，节省控制能量，但响应变慢。通常通过试错法或基于性能指标的优化算法来确定最佳权重矩阵。