Moduł 09 · estymacja

Obserwatory stanu

Luenberger, Kalman, EKF/UKF, separation principle, observer + controller. Estymacja zmiennych nie-mierzonych.

Sekcje modułu

1. Po co obserwator — gdy nie wiemy wszystkiego
2. Obserwowalność — kiedy w ogóle da się estymować
3. Obserwator Luenbergera — klasyk z 1964
4. Filtr Kalmana — optymalny pod szumem
5. EKF, UKF, particle filter — dla nieliniowych
6. Separation principle — observer + controller razem
7. Sliding mode observer i inne — gdzie szukać

Większość kursowych regulatorów (LQR, MPC, SMC) zakłada pełen dostęp do stanu. W rzeczywistości mierzymy ułamek: enkoder daje pozycję ale nie prędkość, sensor IMU daje przyspieszenie ale nie pozycję, kamera daje obraz ale nie prędkość kątową. Obserwator stanu jest algorytmem, który z dostępnych pomiarów rekonstruuje brakujące zmienne.

1. Po co obserwator — gdy nie wiemy wszystkiego

Analogia. Wyobraź sobie kierowcę auta z zasłoniętym prędkościomierzem — widzi tylko, że jedzie. Z odczytów spidometra rowerowego (impulsy z koła co 50 cm) próbuje wnioskować o prędkości chwilowej. Pomiary są dyskretne i hałaśliwe, ale ma dobry model fizyczny: ile koło się obróci, taką drogę przejedzie. Jego mózg łączy pomiar z modelem żeby estymować prędkość. Dokładnie to robi obserwator stanu.

Typowy plant dynamiczny:

\dot x = A x + B u, \qquad y = C x.

Stan $x \in \mathbb{R}^n$ — wszystkie zmienne opisujące układ. Wyjście $y \in \mathbb{R}^m$ — to, co mierzymy. Zwykle $m < n$ , czyli mierzymy mniej niż potrzebujemy do sterowania.

Naiwne podejście — różniczkowanie: skoro mierzymy pozycję x₁, to prędkość x₂ = ẋ₁ można dostać przez numeryczne różniczkowanie. Pułapka: pomiar zawiera szum, a różniczka szumu jest jeszcze bardziej hałaśliwa. Pochodna nawet słabego szumu daje sygnał nieużywalny.

Mądre podejście — observer: zbudować „kopię" planta w komputerze, która biegnie równolegle z rzeczywistością. Korzystamy z dwóch źródeł informacji:

Model dynamiczny: skoro znamy $A, B$ , możemy całkować $\dot{\hat x} = A\hat x + Bu$ i to też daje nam ewolucję stanu.
Pomiar: dostajemy $y = Cx$ w każdej chwili — możemy je porównać z $\hat y = C\hat x$ i korygować estymatę jeśli są rozbieżne.

Klasyczna struktura:

\dot{\hat x} = \underbrace{A\hat x + Bu}_{\text{symulacja modelu}} + \underbrace{L(y - C\hat x)}_{\text{korekta z pomiaru}}

Pierwszy człon — predykcja z modelu. Drugi — aktualizacja z pomiaru, ważona przez wzmocnienie $L$ . Każdy obserwator (Luenberger, Kalman, EKF, SMO) ma tę strukturę; różnią się tylko sposobem doboru $L$ .

2. Obserwowalność — kiedy w ogóle da się estymować

Analogia. Wyobraź sobie pokój z lampką i wentylatorem. Mierzysz tylko prąd całkowity. Lampka pobiera 100 W, wentylator 30 W. Jeśli prąd = 130 W — może to być oboje włączone, albo lampka + lekko działający wentylator z 30 W poboru — nie wiesz. Pomiar prądu nie jest wystarczający do rozróżnienia stanów. Plant jest nieobserwowalny z tym pomiarem.

Obserwowalność = formalny warunek, że znajomość $y(t)$ przez skończony czas wystarcza do wyznaczenia $x(t)$ . Kalman (1960) podał algebraiczny test.

Kryterium Kalmana

Układ $\dot x = Ax,\ y = Cx$ jest obserwowalny wtedy i tylko wtedy gdy macierz obserwowalności:

\mathcal{O} = \begin{bmatrix} C \\ CA \\ CA^2 \\ \vdots \\ CA^{n-1} \end{bmatrix}

ma rząd $n$ (pełny rząd kolumnowy). Czyli kolumny $\mathcal{O}$ rozpinają całą przestrzeń $\mathbb{R}^n$ .

Intuicja

$C$ mówi: co bezpośrednio mierzymy. $CA$ mówi: co możemy zobaczyć przez pierwszą pochodną $\dot y$ . $CA^2$ — przez drugą. Składanie pochodnych pomiaru ujawnia coraz więcej o ukrytych zmiennych. Jeśli ten ciąg „pokrywa" wszystkie n wymiarów stanu, układ jest obserwowalny.

Przykład: MSD z modułu 1

$A = \begin{pmatrix} 0 & 1 \\ -k/m & -c/m \end{pmatrix}$ , $C = \begin{pmatrix} 1 & 0 \end{pmatrix}$ (pomiar pozycji). $\mathcal{O} = \begin{pmatrix} C \\ CA \end{pmatrix} = \begin{pmatrix} 1 & 0 \\ 0 & 1 \end{pmatrix}$ — pełny rząd. Plant jest obserwowalny: można odzyskać prędkość z samego pomiaru pozycji.

Detectability — słabszy warunek

Nieobserwowalne nie zawsze znaczy „beznadziejne". Jeśli wszystkie nieobserwowalne mody są stabilne (zanikają same z siebie), plant jest detectable: te mody są nieistotne, a obserwator radzi sobie z resztą. Detectability to minimum, jakie wymagamy dla istnienia stabilnego obserwatora.

Pełny formalizm: Antsaklis & Michel „Linear Systems" rozdz. 4; Khalil „Nonlinear Systems" rozdz. 7 dla wersji nieliniowej (obserwowalność lokalna).

3. Obserwator Luenbergera — klasyk z 1964

Analogia. Wyobraź sobie dwóch biegaczy: jeden (plant) biegnie po prawdziwej trasie, drugi (observer) ma mapę i biegnie wzdłuż niej w wirtualnym świecie. Co kilka sekund pierwszy patrzy na siebie i podaje przez radio: „jestem przy drzewie X". Drugi sprawdza, gdzie on by miał być według mapy, i jeśli różnica jest duża — koryguje swój kurs (sam pchnie się trochę w stronę X). Po kilku takich poprawkach obaj biegacze są synchroniczni. Wzmocnienie tej korekty to L.

Luenberger (1964) podał wzór:

\dot{\hat x} = A\hat x + Bu + L(y - C\hat x)

Wybór $L$ : tak, by macierz dynamiki błędu $A - LC$ miała wartości własne w zadanych miejscach (lewa półpłaszczyzna zespolona). Jest to dual problem do pole placement dla regulatora — używamy tych samych metod (Ackermann, Bass-Gura).

Dynamika błędu estymacji

Niech $\tilde x = x - \hat x$ — błąd estymacji. Wtedy:

\dot{\tilde x} = \dot x - \dot{\hat x} = (Ax + Bu) - (A\hat x + Bu + LC(x - \hat x)) = (A - LC)\,\tilde x.

Linearny układ autonomiczny. Jeśli $A - LC$ ma wszystkie wartości własne w lewej półpłaszczyźnie, $\tilde x \to 0$ eksponencjalnie, niezależnie od warunku początkowego. Szybkość zbieżności kontrolujemy wyborem $L$ .

wzmocnienie obserwatora L

L₁ (gain na x̂₁)4.0

L₂ (gain na x̂₂)6.0

błąd estymacji w t=00.50

dynamika błędu A − LC

trace-6.00det18.00wartości własneλ=-3.00 ± 3.00istabilne?tak

Wybór L: wartości własne A − LC w lewej półpłaszczyźnie = błąd estymacji zbiega do zera. Większe |L| = szybsza zbieżność, ale większa wrażliwość na szum pomiarowy.

Co tu się dzieje. Plant — MSD (m=1, c=2, k=4) — startuje od stanu $[1, 0]$ . Obserwator startuje z błędem $[1 + 0.50, 0.50]$ — czyli zaczyna „nieprawidłowo". Ale dostaje tylko pomiar $y = x_1$ i powinien sam dojść do prawidłowego $x_2$ .

Sprawdź: estymata $\hat x_1$ (czerwona, górny wykres) szybko zbiega do prawdziwej pozycji $x_1$ (niebieska). Co WAŻNIEJSZE — estymata $\hat x_2$ (czerwona, dolny wykres) ZNAJDUJE prawdziwą prędkość $x_2$ mimo że prędkość NIE BYŁA MIERZONA. Tu jest cała magia obserwatora.

Spróbuj L₁ = 0, L₂ = 0: obserwator nie używa pomiaru — to po prostu „kopia" planta uruchomiona z błędnym początkiem. Estymata nie zbiega do prawdy, idą obok siebie z osobnymi dynamikami.

Spróbuj L₁ = 20: agresywne wzmocnienie, obserwator zbiega bardzo szybko. Wadą w praktyce: duże L wzmacnia szum pomiarowy proporcjonalnie. Standardowy kompromis: szybkość zbieżności vs odporność na szum.

4. Filtr Kalmana — optymalny pod szumem

Analogia. Wyobraź sobie dwa źródła informacji o swojej pozycji: GPS (pomiar, dokładność ±5 m) i licznik kroków + kompas (model, kumulujący błąd ~2% drogi). W każdej chwili masz dwie estymaty pozycji — która jest prawdziwa? Najlepsza odpowiedź: ważona kombinacja, gdzie waga zależy od pewności każdej. Po dłuższym chodzeniu błąd modelu rośnie, więc waga GPS rośnie. Tuż po GPS-fix, waga modelu rośnie (bo GPS zazwyczaj nie zmienia się szybciej niż chodzimy). Filtr Kalmana robi to automatycznie.

Kalman (1960) wprowadził obserwator dla układu ze znanym szumem gaussowskim:

x_{k+1} = A x_k + B u_k + w_k, \quad y_k = C x_k + v_k

w_k \sim \mathcal{N}(0, Q), \quad v_k \sim \mathcal{N}(0, R).

$Q$ to kowariancja szumu procesowego (jak bardzo ufamy modelowi). $R$ to kowariancja szumu pomiaru (jak bardzo ufamy sensorom). Filtr utrzymuje nie tylko estymatę średnią $\hat x$ , ale też pełną kowariancję $P = E[(x - \hat x)(x - \hat x)^T]$ . Kowariancja mówi: „jak pewna jest moja estymata, w którym kierunku jestem najbardziej niepewny".

Dwa kroki na sample

\textbf{predict:}\; \hat x \leftarrow A\hat x + Bu, \quad P \leftarrow APA^T + Q

\textbf{update:}\; K = PC^T(CPC^T + R)^{-1}, \quad \hat x \leftarrow \hat x + K(y - C\hat x), \quad P \leftarrow (I - KC)P

$K$ = wzmocnienie Kalmana — jest dynamicznie wyliczane w każdej chwili z bieżącej $P$ . Dla układów stabilnych $P$ zbiega do stanu ustalonego, wtedy $K$ też się stabilizuje — to steady-state Kalman filter, z gainem K przedrobionym offline. Liczbowo to identyczne jak Luenberger z optymalnym L.

Optymalność

Filtr Kalmana minimalizuje błąd średniokwadratowy $E[\|x - \hat x\|^2]$ pod założeniem gaussowskiego szumu. W tym samym ujęciu jest BLUE — Best Linear Unbiased Estimator. Bez założenia gaussowskiego nadal jest najlepszym liniowym estymatorem (choć nie globalnie najlepszym ze wszystkich nieliniowych).

parametry filtra

Q (zaufanie do modelu)0.010

σ pomiaru (szum)0.10

P₀ (początkowa niepewność)1.0

Q = wariancja szumu procesowego. Małe Q → filtr ufa modelowi, ignoruje pomiary z dużym opóźnieniem. Duże Q → filtr ufa pomiarom, szybko reaguje ale jest hałaśliwy.

σ_y = standardowe odchylenie szumu pomiaru. Wpływa na $R$ i decyduje, jak bardzo filtr „ucina" każdy pomiar.

P₀ = początkowa pewność estymacji. Duże = filtr „nie wie" gdzie jesteśmy, agresywnie korzysta z pierwszych pomiarów.

przestrzeń stanu z elipsami kowariancji 2σ

■ trajektoria rzeczywista, ■ estymata Kalmana, ○ elipsy kowariancji w wybranych chwilach — kurczą się w czasie jak filtr „uczy się" pomiarów.

Filtr Kalmana = obserwator z formalną gwarancją optymalności pod szumem gaussowskim. Utrzymuje nie tylko estymatę średnią $\hat x$ , ale też kowariancję $P$ — miarę pewności estymaty. Elipsy w przestrzeni stanu to poziomice rozkładu gaussa $N(\hat x, P)$ .

\underbrace{\hat x \leftarrow A\hat x + Bu, \;\; P \leftarrow APA^T + Q}_{\text{predict}}, \qquad \underbrace{K = PC^T(CPC^T + R)^{-1}, \;\; \hat x \leftarrow \hat x + K(y - C\hat x), \;\; P \leftarrow (I - KC)P}_{\text{update}}

Wzmocnienie Kalmana $K$ jest optymalnym kompromisem między zaufaniem do modelu (Q) a pomiarów (R). Jeśli pomiary są bardzo dokładne (R małe), $K$ rośnie i estymata szybko trafia w pomiary. Jeśli pomiary szumowe (R duże), $K$ maleje i filtr „ignoruje" hałas.

Elipsy kurczą się w czasie = pewność rośnie. Po kilku pomiarach filtr „odkrył" prawdziwy stan i jego rozkład jest bardzo zlokalizowany. Dla układu stabilnego (jak nasz MSD) kowariancja P osiąga stan ustalony — to jest tzw. steady-state Kalman filter, z gainem K przedrobionym offline.

wzorzec liczbowy

Skalarny Kalman — dwie iteracje krok po kroku

scenariusz

Model:

x_{k+1} = a\,x_k + w_k

y_k = c\,x_k + v_k

a = 1

c = 1

Q = 0{.}1

(proces),

R = 1

(pomiar). Inicjalizacja:

\hat x_0 = 0

P_0 = 1

. Pomiary:

y_1 = 1{.}2

y_2 = 0{.}9

Iteracja Kalmana ma dwie fazy: predict (model dynamiki) i update (korekcja przez pomiar). Predict zwiększa wariancję (niepewność rośnie z czasem), update ją zmniejsza (pomiar przynosi informację).

k = 1 · predict

\hat x_{1|0} = a \hat x_0 = 1 \cdot 0 = 0

P_{1|0} = a^2 P_0 + Q = 1 + 0{.}1 = 1{.}1

k = 1 · update (y₁ = 1.2)

\nu_1 = y_1 - c \hat x_{1|0} = 1{.}2

S_1 = c^2 P_{1|0} + R = 2{.}1

K_1 = P_{1|0} c / S_1 = 0{.}5238

\hat x_{1|1} = 0 + 0{.}5238 \cdot 1{.}2 = 0{.}6286

P_{1|1} = (1 - K_1 c) P_{1|0} = 0{.}5238

k = 2 · predict

\hat x_{2|1} = 1 \cdot 0{.}6286 = 0{.}6286

P_{2|1} = 0{.}5238 + 0{.}1 = 0{.}6238

k = 2 · update (y₂ = 0.9)

\nu_2 = 0{.}9 - 0{.}6286 = 0{.}2714

S_2 = 0{.}6238 + 1 = 1{.}6238

K_2 = 0{.}6238 / 1{.}6238 = 0{.}3841

\hat x_{2|2} = 0{.}6286 + 0{.}3841 \cdot 0{.}2714 = 0{.}7329

P_{2|2} = (1 - 0{.}3841) \cdot 0{.}6238 = 0{.}3841

Obserwacja: $K$ i $P$ maleją — filtr coraz bardziej ufa swojej estymacie i mniej kolejnym pomiarom. Asymptotycznie zbiegają do steady-state (rozwiązanie DARE), na którym $K_\infty$ jest stałe. Dla naszych parametrów steady-state $P_\infty \approx 0{.}3702$ , $K_\infty \approx 0{.}2702$ (z równania DARE $P^2 = 0{.}1\,P + 0{.}1$ ).

Wszystkie liczby wyliczone ręcznie i zaokrąglone do 4 miejsc. Wpisz te wartości startowe do swojego kodu — jeśli kolejne kroki masz inne, masz błąd w implementacji.

5. EKF, UKF, particle filter — dla nieliniowych

Analogia. Standardowy Kalman zakłada, że wszystko jest liniowe i rozkłady są gaussowskie. W praktyce prawie nic nie jest liniowe — manipulator z trygonometrią, wahadło z sin/cos. Trzy strategie podejścia: linearyzuj wokół estymaty (EKF — Extended Kalman Filter), próbkuj wokół estymaty (UKF — Unscented), reprezentuj jako chmurę cząstek (Particle Filter). Każde z innym kompromisem.

EKF — najprostsze podejście

Plant: $\dot x = f(x, u), \ y = h(x)$ z gaussowskim szumem. Idea EKF: w każdym kroku linearyzuj $f, h$ wokół bieżącej estymaty, potem stosuj klasyczne równania Kalmana:

F_k = \frac{\partial f}{\partial x}\bigg|_{\hat x_k}, \quad H_k = \frac{\partial h}{\partial x}\bigg|_{\hat x_k}

\hat x_{k+1|k} = f(\hat x_k, u_k), \quad P_{k+1|k} = F_k P_k F_k^T + Q

+ update krok jak w Kalmanie, z $H_k$ zamiast $C$ .

Plusy: prosty, identyczne wymagania jak Kalman + jacobiany. Standardowo używany w robotyce (SLAM, estymacja orientacji z IMU), nawigacji (GPS+IMU fusion), ekonomii.

Minusy: linearyzacja wokół estymaty wnosi błąd; jeśli plant jest mocno nieliniowy lub niepewność duża, EKF dryfuje albo dywerguje. Ekstremalny przypadek: gdy $\hat x$ daleko od prawdy, $F$ jest wyliczony „w złym miejscu" — korekta idzie w złą stronę.

UKF — sigma points

Unscented Kalman Filter (Julier & Uhlmann 1997): zamiast linearyzować $f$ , propaguje specjalnie dobrany zestaw punktów (sigma points) przez nieliniową funkcję. Każdy punkt to przykład z rozkładu $N(\hat x, P)$ , po przejściu przez $f$ reprezentuje nowy rozkład. Sigma points są dobrane analitycznie tak, że dokładnie reprezentują 2. moment (kowariancja) — bez przybliżenia.

Zaleta UKF: dokładniejszy niż EKF dla mocno nieliniowych $f$ , koszt podobny (3 sigma + 1 = 4 punkty dla 2D, ogólnie 2n+1).

Particle filter — dowolne rozkłady

Kiedy szum nie jest gaussowski (np. bias kamery, drop GPS, multi-modal probability) — sigma points nie wystarczą. Particle Filter (Sequential Monte Carlo): reprezentujemy rozkład jako chmurę cząstek (N cząstek, każda z wagą). W każdym kroku: cząstki ewoluują przez $f$ , wagi aktualizujemy zgodnie z prawdopodobieństwem pomiaru, resamplujemy.

Plusy: dowolne nieliniowości, dowolne rozkłady. Minusy: koszt obliczeniowy O(N) per sample, dobór N nietrywialny (typowo 100–10000), particle degeneracy (kilka cząstek absorbuje całą wagę).

Kiedy co

filtr	złożoność	kiedy stosować
Linear Kalman	O(n³) per step	plant liniowy, szum gaussowski
EKF	O(n³)	łagodnie nieliniowy plant, szum gauss
UKF	O(n³)	silnie nieliniowy plant, szum gauss
Particle Filter	O(N·n) per step, N>>n	dowolnie nieliniowy plant, dowolny szum

6. Separation principle — observer + controller razem

Analogia. Wyobraź sobie pilota lecącego we mgle. Wpierw używa instrumentów żeby zorientować się gdzie jest (observer). Potem decyduje, jak skorygować kurs (controller). Te dwie czynności są logicznie niezależne — pilot najpierw ufa instrumentom, potem ufa swojej decyzji. Separation principle mówi, że taki podział jest matematycznie poprawny dla układów liniowych: można zaprojektować estymator i regulator osobno, a połączony układ będzie stabilny.

Twierdzenie o separacji (LQG)

Dla układu liniowego z gaussowskim szumem:

Zaprojektuj regulator $u = -K\hat x$ tak, jakbyś znał stan idealnie (LQR z DARE);
Zaprojektuj obserwator Kalmana niezależnie;
Złóż: $u = -K\hat x$ , gdzie $\hat x$ pochodzi z observera.

Dynamika układu zamkniętego ma wartości własne będące unią: wartości własne regulatora $A - BK$ i obserwatora $A - LC$ . Oba ustawione osobno = stabilne, więc kombinacja też. Ten wynik nazywa się LQG (Linear-Quadratic-Gaussian).

W praktyce: zaprojektuj LQR (jakbyś miał pełen stan), zaprojektuj filtr Kalmana (jakbyś nie miał regulatora), złóż. Cała maszyneria liniowa działa.

Granice twierdzenia

Separation principle nie zachodzi dla nieliniowych układów w ogólności. Można zaprojektować EKF i nieliniowy regulator osobno, ale połączony układ nie musi być stabilny — interakcja dwóch nieliniowych dynamik może destabilizować. Dla pewnych klas układów (np. z odsprzężeniem przez wyjście) istnieją wyniki częściowej separacji.

Dla SMO + SMC pokazaliśmy w module 4 §7, że separation zachodzi pod warunkami strukturalnymi (równość PB = C^T w klasycznej formie Walcotta-Żaka).

Pełna teoria LQG: Kwakernaak & Sivan „Linear Optimal Control Systems" rozdz. 6. Nieliniowy przypadek: Khalil „Nonlinear Systems" rozdz. 14.

7. Sliding mode observer i inne — gdzie szukać

Dwa obserwatory pominięte w głównej narracji — bo omówione gdzie indziej w platformie albo wykraczają poza zakres bazowy:

Sliding mode observer (SMO)

Pełna sekcja w module 4 §7 z interaktywnym demem. SMO daje:

Zbieżność w czasie skończonym wyjścia $C\hat x \to y$ , nie tylko asymptotyczną
Rekonstrukcję zaburzenia — średnia wartość członu sgn w fazie sliding to dokładnie nieznane zaburzenie
Robust gwarancje na ograniczone zaburzenia matched, w przeciwieństwie do Luenbergera i Kalmana które dają tylko trwałe biasy pod stałym zaburzeniem

High-gain observer

Klasyczna konstrukcja dla nieliniowych układów $\dot x = f(x, u),\ y = h(x)$ w postaci kanonicznej (chain of integrators). Wzmocnienie $L$ jest „bardzo duże" — sprawia, że dynamika błędu obserwatora jest szybsza niż dynamika planta, więc dominuje i estymata szybko zbiega. Plusy: prosty do projektu, gwarancje teoretyczne. Minusy: wzmacnia szum proporcjonalnie do gain (peaking phenomenon), wrażliwy na niemodelowane dynamiki.

Moving Horizon Estimation (MHE)

Dualny do MPC. Zamiast rozwiązywać rekurencyjne równania jak Kalman, MHE w każdej chwili rozwiązuje problem optymalizacji: znajdź taki ciąg $\hat x_0, \ldots, \hat x_N$ i ciąg szumów $w_k$ , żeby najlepiej pasowały do ostatnich N pomiarów. To pozwala dodać ograniczenia (np. $x_k \in \mathcal{X}$ ) i pracować z nielinearnymi modelami w bezpiecznym setupie. Cena: koszt obliczeniowy — QP per krok, jak w MPC.

Disturbance observer (DOB)

Estymator zaburzeń, nie stanu. Rozszerzony plant $\dot x = Ax + Bu + B_d d$ z dodatkową równą $\dot d = 0$ (zaburzenie jest „stałe" w modelu). Standardowy obserwator (Luenberger, Kalman) na rozszerzonym stanie $[x; d]^T$ dostarcza estymatę $\hat d$ , którą można odjąć od sterowania — feedforward kompensujący zaburzenie.

DOB to industrial standard dla precyzyjnego pozycjonowania (CNC, dyski twarde): jakikolwiek nieznany moment obciążenia, tarcie suche, cogging moment silnika — DOB estymuje i kompensuje.

Lektury kanoniczne

Anderson & Moore, „Optimal Filtering" (1979) — kanon Kalmana i jego rozszerzeń.
Simon, „Optimal State Estimation" (2006) — najlepszy dydaktyczny przegląd: Kalman, EKF, UKF, PF, H∞ filtering, śmietanka.
Thrun, Burgard, Fox „Probabilistic Robotics" (2005) — probabilistyczne podejście, szczególnie dla SLAM i lokalizacji.
Edwards & Spurgeon, „Sliding Mode Control" (1998), rozdz. 6 — sliding mode observers.
Kwakernaak & Sivan, „Linear Optimal Control Systems" (1972) — LQG i separation principle.