简介：基于Matlab实现自适应RBF神经网络观测器与滑模控制的源码包，主要面向计算机、电子信息工程、数学等专业的学习者，适合已掌握一定控制理论基础、希望参考完整代码结构来辅助课程设计或科研复现的读者。资源共19个文件，包括16个m脚本/函数与3个mdl模型，重点覆盖RBF神经网络逼近、观测器搭建、滑模控制器设计及Simulink仿真验证等环节；压缩包整体仅27KB，结构紧凑，便于对照模型与脚本理解参数传递和系统连接。目前已有570人学习，源码按plant、ctrl、obv、rbf等模块分文件存放，方便读者按功能逐步阅读、调试与二次开发。mdl模型可直接在Simulink中打开运行，帮助观察不同控制参数下的系统响应，并结合m代码理解观测器误差收敛与滑模控制律的实现细节。需要说明的是，作者仅将其作为参考资料，使用者需具备一定的Matlab编程与调试能力，能够在理解算法后自行修改参数或扩展功能。

1. 为什么自适应RBF神经网络观测器加滑模控制成了一套“黄金组合”

做非线性系统控制的人，手里多多少少都攒着几套“后悔药”：模型不确定、外部扰动、执行器老化带来的参数漂移，这些在仿真里岁月静好，一上实物就原形毕露。针对这类问题，自适应RBF神经网络观测器与滑模控制的组合，是近年工程落地时反复被验证的一套方案：靠RBF网络在线逼近模型中的未知非线性项，用滑模控制器保证系统状态即便在扰动下也能回到期望轨迹，观测器则在不额外加装传感器的前提下把不可测状态估出来。这个源码包走的是“观测器 + 控制器 + 自适应律”三件套路线，适合做非线性系统、欠驱动系统或者电机驱动控制的从业者，用来快速搭建能跑通的基准模型。

不少人拿到这类压缩包的第一反应是打开主脚本直接点运行，结果要么报维度不匹配，要么权值发散，要么控制器输出抖得没法看。实际上自适应RBF观测器和滑模控制各自都有大量成熟论文，但把它们拼进同一个Simulink或m文件工程里，真正的门槛不在某一个算法本身，而在初始参数、逼近半径、自适应增益和滑模符号函数之间的匹配。这篇笔记会把设计步骤拆到能复现的程度，参数给出常用量级，并标出我实际用过之后觉得最容易翻车的几个位置。

2. 先把理论基础立住：RBF网络逼近、观测器结构与滑模控制的边界

2.1 RBF神经网络为什么适合做未知动态的在线逼近

RBF（径向基函数）网络是一个三层结构：输入层不做处理，隐含层每个节点是一个以中心点 (c_i) 为中心的高斯函数，输出层对隐含层输出做线性加权。它的核心性质是只要隐含层节点数足够多、中心点覆盖输入空间足够密，RBF网络就能以任意精度逼近紧集上的连续函数。这意味着对被控对象里说不清、量不准的非线性项，可以直接写成一个理想逼近形式：

[ f(x) = W^{*T} h(x) + \varepsilon(x) ]

其中 (h(x)) 是隐含层高斯函数的输出向量，(W^*) 是理想权值矩阵，(\varepsilon(x)) 是逼近误差。实际工程中拿不到理想权值，就定义一个估计值 (\hat{W})，然后通过自适应律在线调整它。常见的自适应律选型是梯度下降或者基于Lyapunov稳定性设计的更新律，后者更稳妥，因为可以顺带证明闭环系统的稳定性。

高斯函数的输出形式是：

[ h_i(x) = \exp\left(-\frac{|x-c_i|^2}{2b_i^2}\right) ]

参数 (c_i)（中心点）和 (b_i)（宽度）的选择决定网络的作用范围。中心点一般按输入的实际量纲范围均匀布置，宽度 (b_i) 设得过大，每个节点的响应都差不多，网络区分度低；设得过小，输入稍有偏移节点输出就趋近于零，梯度消失。这个参数和后面观测器增益的匹配，是仿真调参时最先遇到的一堵墙。

2.2 观测器设计：用RBF网络估计不可测状态和未知动态

考虑一类典型的非线性系统：

[ \dot{x}_1 = x_2 ] [ \dot{x}_2 = f(x) + g(x)u + d(t) ] [ y = x_1 ]

假设 (x_2) 不可直接测量，状态 (x_1) 可测，(f(x)) 未知，(d(t)) 是外部扰动。观测器的任务就是用可测输出 (y) 构造出对 (x_2) 的估计，同时在线逼近 (f(x))。带RBF的观测器状态方程可以写成：

[ \dot{\hat{x}}_1 = \hat{x}_2 + k_1(y - \hat{x}_1) ] [ \dot{\hat{x}}_2 = \hat{W}^T h(\hat{x}) + g(\hat{x})u + k_2(y - \hat{x}_1) + v ]

这里 (k_1) 和 (k_2) 是观测器增益，可以用线性观测器极点配置的思路来给定，也可以按高增益观测器的习惯取 (k_2 \gg k_1)。(v) 是鲁棒项，常见取法是对观测误差的滑模修正项，用来抵消RBF逼近误差和外部扰动的上界。

和龙伯格观测器相比，这种结构的关键改进在于：龙伯格观测器只对线性模型有效，而RBF观测器把未知非线性项放进了自适应逼近的框架里，模型不精确带来的误差不再直接丢给观测器增益来压。这也是它被广泛用在ESO扩张状态观测器之外的另一个主流选择的原因——ESO把未知动态统统归入扩张状态，而RBF观测器是用基函数去“拟合”未知动态，收敛后的逼近权值本身还有一定分析价值。

2.3 滑模控制的互补性：鲁棒性和抖振的权衡

自适应RBF把未知非线性项“学”掉了，但逼近误差和外部扰动依然存在。滑模控制的意义在于，它对这个剩余不确定性提供了一种结构简单的鲁棒手段。滑模面通常选为：

[ s = \dot{e} + \lambda e ]

(e) 是跟踪误差，(\lambda) 决定滑模面的动态响应速度。控制律分为等效控制 (u_{eq}) 和切换控制 (u_{sw})：

[ u = u_{eq} + u_{sw} ]

等效控制把系统保持在滑模面上，切换控制负责把偏差“推”回滑模面。最经典的切换项是 (u_{sw} = -\eta \cdot \text{sgn}(s))，(\eta) 需要大于不确定性的上界才能保证到达条件。这个符号函数是抖振的根源——因为实际系统的控制频率有限，(s) 会在零附近来回穿越，控制量也随之高频翻转。

工程上常用边界层法做平滑，把符号函数换成饱和函数：

[ u_{sw} = -\eta \cdot \text{sat}(s/\Delta) ]

(\Delta) 是边界层厚度。(\Delta) 太小，抖振回来了；(\Delta) 太大，切换项几乎变成线性比例项，鲁棒性打折。这里的取舍会直接影响后续仿真曲线是否“拿得出手”，这类问题在无感FOC滑膜观测器（热词里提到的那个）里同样存在，原理是完全一致的。

3. 用Matlab把观测器搭起来：从高斯函数到自适应律的实现细节

3.1 最小可运行工程的文件结构与初始化参数

拿到这类源码包，我一般先不看主文件，先找初始化脚本和参数定义文件，把结构摸清楚再动手。一个规范的工程通常包含以下文件：

初始化脚本是整个项目的“地基”，我实际常用的一组参数如下：

% init_params.m % 系统与被控对象参数 m = 1.0; % 质量/惯性项 g_val = 9.8; % 重力常数，用于可参照的系统模型 d_max = 0.5; % 外部扰动上界估计值 dt = 0.001; % 仿真步长，单位秒 % RBF网络参数 n_node = 25; % 隐含层节点数 c = linspace(-2, 2, n_node); % 高斯中心均匀分布在[-2, 2] b = 0.5 * ones(1, n_node); % 每个节点的宽度 W_hat = zeros(n_node, 1); % 权值初始值，从零开始 % 观测器增益 k1 = 50; k2 = 200; % 高增益观测器习惯，k2 >> k1 % 自适应律增益 gamma = 50; % 权值更新速率，过大会导致权值发散 % 滑模控制参数 lambda = 5; % 滑模面斜率 eta = 0.8; % 切换项增益，需大于逼近误差+扰动上界 delta = 0.05; % 边界层厚度，平滑符号函数

节点数 (n_node = 25) 对应的是一个简单二阶系统的典型取值，节点越多逼近能力越强，但计算量同步增长，而且中心点和宽度没配好时容易出现权值震荡。gamma 是自适应律的核心，它决定权值跟踪理想值的速度：太小收敛慢，太大权值会像脱缰野马直接拉爆。经验做法是先给定值跑一次开环，观察权值是否有发散趋势，再逐步上调。

3.2 RBF基函数计算：向量化写法避免循环

高斯函数的计算在仿真循环里会被调用上万次，用循环写效率很低。我一般直接写成向量化形式：

function h = rbf_base(x, c, b) % x: 输入向量（行向量） % c: 中心点向量 % b: 宽度向量 % 返回: 隐含层输出向量 h，维度与 c 一致 diff = (x - c).^2; h = exp(-diff ./ (2 * b.^2)); end

逻辑说明：这里假设输入 (x) 是标量，所以x - c得到的是一个向量，每个元素代表输入到对应中心的距离平方。./是元素级除法，b.^2对应每个中心点的宽度平方。输出 (h) 的每个元素都在 0 到 1 之间，输入越接近某个中心，该节点输出越大。

参数说明：如果系统输入是二维状态，这个函数需要扩展成对行向量做外积或逐列计算。常见的写法是把输入 (x) 扩展成[x1; x2]，然后对每个节点计算sum((x - c(:,i)).^2)，这个后面会单独讨论。

3.3 观测器状态更新与权值自适应律代码

观测器是核心模块，负责两件事：估计不可测状态、在线调整RBF权值。

function [x_hat_next, W_hat_next] = rbf_observer(x_hat, W_hat, u, y, params) % 输入: % x_hat: 当前状态估计 [x1_hat; x2_hat] % W_hat: 当前RBF权值向量 % u: 控制输入 % y: 系统实际输出（可测状态） % params: 参数结构体（含 k1, k2, gamma, c, b, g, eta, delta） % 读取参数 k1 = params.k1; k2 = params.k2; gamma = params.gamma; c = params.c; b = params.b; g_val = params.g; % 计算RBF输出 h = rbf_base(x_hat(1), c, b); % 观测误差 e_obs = y - x_hat(1); % 未知动态的估计值 f_hat = W_hat' * h; % 状态更新（欧拉法） x1_hat_dot = x_hat(2) + k1 * e_obs; x2_hat_dot = f_hat + g_val * u + k2 * e_obs; x_hat_next = x_hat + dt * [x1_hat_dot; x2_hat_dot]; % 权值自适应律（基于观测误差的σ修正） W_hat_dot = gamma * h * e_obs; W_hat_next = W_hat + dt * W_hat_dot; end

逻辑说明：状态更新的第一行x1_hat_dot用观测误差修正对可测状态的估计，第二行x2_hat_dot是RBF网络输出加上控制输入项再加高增益修正项。这里没有加入滑模鲁棒项 (v)，实际使用中可以在x2_hat_dot后面追加一项eta * tanh(e_obs / delta)，把边界层思想用在观测误差上，能显著改善状态估计的尖峰毛刺。

权值自适应律选的是 (\dot{\hat{W}} = \gamma h e_{obs})，这是最朴素的梯度形式。这里有个容易被忽略的坑：自适应律中的误差到底是观测误差还是滑模误差？答案取决于设计目标——如果观测器独立工作，用观测误差；如果观测器和控制器联合设计，更严谨的做法是在Lyapunov函数中把两者耦合起来，权值更新律会同时出现滑模误差项。源码里给的是独立形式还是耦合形式，需要打开文件确认，这个直接影响系统的稳定性证明和实际收敛效果。

4. 把滑模控制器接上去：控制律、符号函数平滑和仿真主循环

4.1 控制律设计：等效控制 + 鲁棒切换项的配合

控制器的任务是根据当前状态估计 (\hat{x}) 和期望轨迹 (x_d, \dot{x}_d) 计算控制量 (u)。滑模面定义为：

[ s = (\dot{x}2 - \dot{x}{2d}) + \lambda(x_2 - x_{2d}) ]

但在实际代码中，状态估计给出的是 (\hat{x}_2)，所以用估计值参与计算。控制律写成：

[ u = \frac{1}{g(x)} \left(-f(\hat{x}) + \ddot{x}_{2d} - \lambda(\hat{x}2 - \dot{x}{2d}) - \eta \cdot \text{sat}(s/\Delta)\right) ]

这里的 (f(\hat{x})) 用RBF的估计值 (\hat{W}^T h(\hat{x})) 替换，系统模型里的确定性部分如果已知也在这里做补偿。注意这里已经假设 (g(x)) 已知且非零；如果 (g(x)) 也是未知的，就需要引入第二个RBF网络来逼近控制增益，那会让问题从“单网络自适应”升级成“双网络自适应”，参数耦合难度成倍增加。很多论文里写“基于RBF神经网络的滑模控制”，实际上默认 (g(x)) 已知，看标题里的源码包名，“自适应RBF + 滑模控制”，大概率也是这个设定。

function u = sliding_controller(x_hat, W_hat, xd, xd_dot, xd_ddot, params) % 输入: % x_hat: 状态估计 [x1_hat; x2_hat] % W_hat: RBF权值 % xd / xd_dot / xd_ddot: 期望轨迹及其导数 % params: 参数结构体 lambda = params.lambda; eta = params.eta; delta = params.delta; g_val = params.g_val; b = params.b; c = params.c; % 计算RBF输出 h = rbf_base(x_hat(1), c, b); % 未知动态估计 f_hat = W_hat' * h; % 滑模面 s = (x_hat(2) - xd_dot) + lambda * (x_hat(1) - xd); % 切换项（饱和函数替代符号函数） sat_s = s / (abs(s) + delta); % 平滑近似，避免除零 % 控制律 u_eq = (xd_ddot - f_hat - lambda * (x_hat(2) - xd_dot)) / g_val; u_sw = -eta * sat_s / g_val; u = u_eq + u_sw; end

逻辑说明：abs(s) + delta作为分母的写法是对符号函数的一种连续近似，比直接用if判断更平滑，也不需要额外的“死区”逻辑。u_eq的分子第一项是对期望加速度的前馈补偿，第二项是RBF对未知动态的估计补偿，第三项是滑模面的动态修正。u_sw的增益 (eta) 必须大于系统不确定性的上界，否则系统到达不了滑模面，跟踪误差会长期徘徊在一个非零值上。

参数说明：lambda是滑模面斜率，决定误差收敛速度，工程上取 3～10 比较常见，取值过大会放大状态估计噪声。delta是边界层厚度，代替符号函数后控制系统对不确定性不再“死磕”，换来的是较小的抖振，代价是稳态误差不再严格为零。如果跟踪精度要求很高，可以把delta设成时变的，误差大时收敛快，误差小时保持平滑。

4.2 主仿真循环：观测器-控制器-真实模型三者的循环耦合

主脚本把前面三个模块串起来。这里的核心逻辑是：真实模型用真实状态更新，控制输入用的是估计状态，观测器用真实输出做修正，形成闭环。

% main_sim.m % 初始化 init_params; T_total = 5.0; n_steps = round(T_total / dt); t = 0:dt:T_total; % 状态与估计初始化 x = [0.1; 0]; % 真实初始状态 x_hat = [0; 0]; % 估计初始状态（故意给偏） W_hat = zeros(n_node, 1); u_log = zeros(1, n_steps); x_log = zeros(2, n_steps); x_hat_log = zeros(2, n_steps); s_log = zeros(1, n_steps); % 期望轨迹 xd = @(tt) sin(tt); xd_dot = @(tt) cos(tt); xd_ddot = @(tt) -sin(tt); for i = 1:n_steps tt = (i-1) * dt; % 1. 计算控制器输出（基于当前估计） u = sliding_controller(x_hat, W_hat, xd(tt), xd_dot(tt), xd_ddot(tt), params); % 2. 更新真实系统状态（带外部扰动） f_real = x(1) * sin(x(1)); % 真实未知非线性项 d_t = d_max * sin(5 * tt); % 外部扰动 x_dot = [x(2); f_real + g_val * u + d_t]; x = x + dt * x_dot; % 3. 更新观测器 y = x(1); % 只有x1可测 [x_hat, W_hat] = rbf_observer(x_hat, W_hat, u, y, params); % 记录数据 u_log(i) = u; x_log(:,i) = x; x_hat_log(:,i) = x_hat; s_log(i) = (x_hat(2) - xd_dot(tt)) + lambda * (x_hat(1) - xd(tt)); end % 绘图 figure(1); subplot(2,1,1); plot(t, x_log(1,:), 'b-', t, x_hat_log(1,:), 'r--', 'LineWidth', 1.5); legend('真实x1', '估计x1'); ylabel('x1'); grid on; subplot(2,1,2); plot(t, x_log(2,:), 'b-', t, x_hat_log(2,:), 'r--', 'LineWidth', 1.5); legend('真实x2', '估计x2'); xlabel('时间(s)'); ylabel('x2'); grid on;

逻辑说明：第 1 步控制器用的是当前估计状态，这是和纯状态反馈控制最大的区别——控制器看到的系统是“观测器重构出来的系统”，观测器误差会直接进入控制回路。第 2 步真实系统被一个与RBF网络近似形式无关的函数驱动，这意味着RBF网络在正常工作条件下是在“边学边控”，而不是预先离线训练好的。第 3 步观测器接收带扰动的真实输出，做在线修正。

参数说明：x_hat初始值故意设成[0; 0]而真实值是[0.1; 0]，这是为了测试观测器的收敛能力。如果初始估计和真实值完全一致，观测器的收敛性能在仿真里会被高估，换到实际工况一上来就是大偏差时直接失控。做仿真验证时，务必给初值加偏差，这是这类源码包最常见的“演示陷阱”。

4.3 观测器与控制器谁是“先生”的耦合顺序

仿真循环里每一步的调用顺序：控制器 → 真实模型 → 观测器。这个顺序是刻意安排的：因为控制器计算需要用到观测器的输出，而观测器更新需要用到真实模型的输出y，所以真实模型必须排在观测器之前。如果把顺序颠倒，控制器拿到的还是上一步的旧估计，这在欧拉法离散里确实也能跑，但会在回路里引入一拍近乎无阻尼的延迟，等效于增大了系统相位滞后。实际系统中控制频率越高，这个顺序的影响越小，但如果仿真步长偏大（比如dt=0.01），这个延迟会直接让相位裕度不足的闭环系统震荡起来，容易被误诊成“参数没调好”。

5. 参数整定与仿真排错：我踩过和见过最多的五个坑

5.1 权值发散：自适应增益和RBF节点宽度不匹配

现象：仿真跑到第 1～2 秒时权值W_hat开始剧烈震荡，甚至出现 NaN，控制输出同步爆掉。

原因：这是三个参数共同作用的结果——自适应增益gamma过大，节点宽度b过小，观测器增益k2过高。b过小导致高斯函数梯度极高，gamma过大则让权值每一步更新量巨大，而k2过高放大了观测误差的瞬时尖峰，三者叠加，权值更新相当于在做“失控的比例放大”。

解决：先调b到 0.5～1.0 的量级，再降gamma到 20～50 重新跑；如果权值还在发散，把观测器增益k2从 200 降到 100 左右对比曲线。判断是否发散的快速方法是看max(abs(W_hat))，只要这个值在持续增长而不是收敛到某个稳定值附近，就要按上面的顺序检查。

5.2 观测器估计滞后：高增益导致噪声被放大

现象：x_hat曲线能跟上x的趋势，但是每个波峰波谷处有明显滞后，且曲线毛刺多。

原因：观测器增益k1,k2本质上是把观测误差“推”回状态估计的力度。增益太低，收敛慢；增益太高，测量噪声（仿真里是数值误差和离散化误差）也被同比例放大。RBF自适应律本意是承担未知动态的逼近，但高增益会把RBF的逼近误差也一起放大。

解决：先用线性系统极点配置的思路估算k1、k2的量级：如果期望观测器极点在一 20 左右，k1 ≈ 40,k2 ≈ 400。在这个基准附近微调，而不是抱着“增益越高越好”的直觉。原则上k2 / k1的比值保持在 5～10 之间，不要超过 20。

5.3 滑模控制输出高频抖动

现象：u_log曲线像锯齿一样高频摆动，幅值虽然不大但频率接近仿真步长。

原因：边界层厚度delta太小，eta太大。eta是切换项增益，它必须大于扰动上界，但超出过多会让切换项在滑模面附近以最大幅值反复翻转。delta则决定了翻转的过渡区宽度，它太小就相当于直接用了符号函数。

解决：先确认eta的实际需求——把d_max加上RBF逼近误差的实测最大值，再加 20%～30% 的裕量。把算出来的值设为eta下限，然后逐步增大delta，每次翻倍跑一次仿真，看u_log的抖动幅度和跟踪误差的权衡曲线。一般delta = 0.02~0.1在这个量级的系统里是合理区间。

5.4 跟踪误差收敛不到零：边界层厚度与稳态误差的固有矛盾

现象：跟踪误差最后稳定在 ±0.01～±0.05 之间的一个区间，不再继续减小。

原因：饱和函数替代符号函数后的固有结果——切换项在边界层内部退化成线性比例项，它只能把误差“压住”在边界层对应范围内，无法做到符号函数那种“无限增益压缩误差”的效果。如果误差收敛范围已经接近delta对应的量级，这说明系统已经工作在物理允许的范围边缘了。

解决：如果稳态精度是硬性要求，有两个方向——第一，把delta取为时变量，误差大时delta小，误差小时delta大，兼顾收敛速度和平滑性；第二，在切换项后面追加积分项，把静态误差记忆下来持续补偿。第二种方案在仿真里效果立竿见影，但积分项饱和的问题要从工程上做限幅。

5.5 仿真步长过大导致离散化误差吞掉收敛性

现象：同样的参数，dt=0.001时曲线收敛正常，改成dt=0.01后整个系统发散或者极限环震荡。

原因：自适应律 (\dot{\hat{W}} = \gamma h e_{obs}) 在连续域里收敛性有Lyapunov保证，但欧拉离散后相当于对微分方程做前向欧拉逼近，采样时间过大时逼近误差会抵消Lyapunov函数的设计裕量。RBF带宽和滑模切换频率越高，对dt的敏感度越大。

解决：如果必须是dt=0.01这种大步长，把自适应增益gamma去掉一半，同时把RBF节点宽度b适当调大（让网络响应更平缓），必要时观测器用 RK4 代替欧拉法。先用dt=0.0005跑通逻辑，再把步长往上加，每次观察s_log的收敛情况——这是判断离散误差是否过大的快速诊断方法。

6. 进阶验证与工程化改造：从“跑通仿真”到“能上实物”的距离

先给一套验证方法：把RBF观测器权重W_hat在仿真结束后打印出来，对比真实未知非线性项 (f(x)) 的曲线和RBF逼近输出 (f_{hat})。如果两者的偏差在系统工作范围内都小于某个阈值（比如 5%），说明RBF网络承担了主要“建模”任务，滑模的eta只需要覆盖剩余误差；反之如果逼近偏差很大，说明RBF网络还没“学到位”，调gamma和节点数比调eta更有效。这个分析脚本建议单独写一份，不要每次都用绘图肉眼看。

工程化的第一步是处理控制信号离散化：仿真里输出u直接给到连续对象，实物里u要经过零阶保持器、PWM调制、DAC或总线通信才能到执行器。这部分会引入一拍延迟和量化噪声，仿真里标称跑得稳的delta到实物上会明显感觉“更抖”，因此在实物调试时建议先把delta翻倍，稳定后再逐渐收小。

把Observer和Controller整合成同一个C/C++部署单元时，注意RBF基函数计算涉及幂运算和指数运算，在嵌入式环境里直接用exp会拖慢控制周期。我一般会离线把中心点和宽度转换成查找表形式，把高斯函数做成查表加分段线性插值。输入做归一化后再过RBF，避免中心点覆盖不到高维输入空间。这些改造做完后，理论上这套架构可以直接落到无人机姿态控制、机械臂轨迹跟踪、永磁同步电机的无感FOC这类需要在线补偿不确定动态的场景上。

最后谈一个容易被论文带偏的细节：做对比实验时，不要只和普通滑模控制比，至少加一组PD控制 + 扰动观测器的对比，因为很多评审（或需求方）会问“RBF到底比经典方法好在哪”。从我的调试经验看，RBF观测器带来的提升并非体现在理想轨迹跟踪的稳态精度，而是在参数突变场景下的适应速度——比如机械臂末端突然挂了重物，RBF网络会在线调整权值去重新逼近动力学，而固定参数的PD控制只能靠积分项慢慢爬。这个适应过程在仿真里用阶跃扰动激励就能清晰展示，也是这个方案值不值得做的最好回答。

如果你打开源码包看到的主循环和我这里给的写法差别较大，先用我的结构把逻辑捋一遍，再对照原工程找差异点。尤其要注意rbf_observer里的权值更新律中用的误差到底是观测误差还是滑模误差，这不只是仿真效果的区别，而是决定了整个系统还能不能沿用这里的稳定性分析。希望帮到你。

本文还有配套的精品资源，点击获取