Estabilidade Lyapunov PDF

Teoria de Estabilidade de Lyapunov Princı́pio de Invariância de LaSalle Lema de Barbalat
Teoria de Estabilidade de Lyapunov
Leonardo A. B. Tôrres
Março de 2019
FCNL – Estabilidade Lyapunov
1 Teoria de Estabilidade de Lyapunov
2 Princı́pio de Invariância de LaSalle
3 Lema de Barbalat
Pontos de Equilı́brio
Um ponto de equilı́brio x eq é um estado no qual o campo vetorial é nulo,

isto é, não há tendência de mudança do estado, ou seja,
ẋ = 0 ⇒ f (x eq ,t) = 0.
Portanto, se em
t = t0 , x(t0 ) = x eq ,
então o estado do sistema permanece o mesmo, isto é:
x(t) = x eq , ∀t ≥ t0 .
Pontos de Equilı́brio
Sem perda de generalidade, nos desenvolvimentos a seguir podemos

considerar x eq = 0.
Para ver isso, suponha que x eq 6= 0. Neste caso podemos usar uma
translação de coordenadas z = x − x eq e escrever:
ẋ = f (x,t),
ż = ẋ = f (z + x eq ,t) ≡ fˆ(z,t);
tal que z eq = 0 é um ponto de equilı́brio do novo sistema
ż = fˆ(z,t).
Análise de Estabilidade de Pontos de Equilı́brio –

Importância em Problemas de Controle I
Considere o seguinte sistema dinâmico em Malha Fechada (u ≡ u(x,t))
em que se deseja a obtenção de um novo Ponto de Equilı́brio estável:
ẋ = fˆ(x,u,t),
ẋ = fˆ(x,u(x,t),t) = f (x,t).
O novo P.E., sem perda de generalidade, pode ser considerado como

sendo x eq = 0, isto é, f (0,t) = 0.
Note que, neste contexto:
Observação Importante
Estudar a estabilidade de Pontos de Equilı́brio de sistemas dinâmicos
quaisquer é equivalente a se estudar a Estabilidade do Sistema
Controlado em Malha Fechada!
Análise de Estabilidade de Pontos de Equilı́brio –

Importância em Problemas de Controle II
Em muitos trabalhos o vetor x é de fato o vetor erro ou diferença e(t)

entre o comportamento do sistema e o comportamento desejado, tal que
ė = f (e,t),
e se busca provar que o Ponto de Equilı́brio e eq = 0 é pelo menos:

Estável, no sentido de Lyapunov;
ou, preferencialmente, Globalmente Assintoticamente Estável – GAS
(Globally Asymptotically Stable), no sentido de Lyapunov.
Estes conceitos serão melhor explorados nos próximos slides.
Estabilidade segundo Lyapunov

Em Teoria de Controle Não Linear é comum investigar-se inicialmente a
estabilidade do sistema em torno de seus pontos de equilı́brio.
Há muitas diferentes definições de estabilidade, mas no presente caso
estamos interessados nas definições segundo Lyapunov.
Alexander Mikhailovich Lyapunov (1857–1917).

Matemático Russo que publicou, em 1892, a
principal Teoria de Estabilidade usada em
Controle de Sistemas Dinâmicos Não Lineares.
Estabilidade
P.E. Estável: dado > 0 qualquer, ∃ δ(,t0 ) > 0, tal que

kx(t0 )k < δ ⇒ kx(t)k < , ∀t ≥ t0 .
x2
x2
ε ε
x1
δ
δ
x1 t
Note que necessariamente δ ≤ .
Estabilidade
P.E. Estável: dado > 0 qualquer, ∃ δ(,t0 ) > 0, tal que

kx(t0 )k < δ ⇒ kx(t)k < , ∀t ≥ t0 .
x2
x2
ε ε
x1
δ
δ
x1 t
Note que necessariamente δ ≤ .

Em resumo: começando perto o suficiente de um ponto de equilı́brio
estável, os estados do sistema permanecem, para sempre, tão
próximos ao ponto de equilı́brio quanto quisermos.
Estabilidade Assintótica
P.E. Assintoticamente Estável:
1 É um P.E. estável;
2 ∃ r(t0 ) > 0, tal que kx(t0 )k < r ⇒ kx(t)k → 0, t → ∞.
x2
x2
x1
r
r
x1 t
Note que não basta que o estado convirja para o P.E. A condição 1
impõe que a trajetória se mantenha no interior de uma bola de raio
limitado escolhido arbitrariamente, e portanto tão pequeno quanto
se queira.
Estabilidade Assintótica
P.E. Assintoticamente Estável:
1 É um P.E. estável;
2 ∃ r(t0 ) > 0, tal que kx(t0 )k < r ⇒ kx(t)k → 0, t → ∞.
x2
x2
x1
r
r
x1 t
Note que não basta que o estado convirja para o P.E. A condição 1
impõe que a trajetória se mantenha no interior de uma bola de raio
limitado escolhido arbitrariamente, e portanto tão pequeno quanto
se queira.
Em resumo: começando perto o suficiente de um ponto de equilı́brio
assintoticamente estável, os estados do sistema ficarão próximos a
ele, e convergirão para ele à medida que o tempo passa.
Instabilidade
P.E. Instável: é o ponto de equilı́brio que não é estável.
Instabilidade: segundo Lyapunov

Por exemplo, suponha o caso de um sistema cujo estado sempre visita
uma região de raio R antes de convergir para o P.E. Neste caso o P.E.
não será estável no sentido de Lyapunov, contrariando nossas
expectativas.
x2
x2
ε ε
x1 δ
δ
x1 t
Isso mostra que a definição de estabilidade segundo Lyapunov não cobre

todos os casos de interesse.
Estabilidade Exponencial
Estabilidade Exponencial: estabilidade assintótica em que se pode

garantir uma taxa exponencial λ de aproximação do ponto de
equilı́brio.
Existe δ(t0 ), e constantes α > 0 e λ > 0, tais que
kx(t0 )k < δ(t0 ) ⇒ kx(t)k ≤ αkx(t0 )ke−λ(t−t0 )
Estabilidade Uniforme
Estabilidade uniforme: caracteriza-se pela independência em relação

ao instante inicial t0 considerado. Exemplos:
1 P.E. Uniformemente Estável: é o P.E. estável em que o raio δ ≡ δ()
não depende do instante inicial t0 considerado.
2 P.E. Uniformemente Assintoticamente Estável: é o P.E.
assintoticamente estável em que o raio δ ≡ δ() não depende do
instante inicial t0 considerado.
3 P.E. Uniformemente Exponencialmente Estável: é o P.E.
exponencialmente estável em que o raio δ não depende do instante
inicial t0 considerado.
A noção de Estabilidade Uniforme é particularmente importante na
análise de estabilidade de sistemas não autônomos. Para os sistemas
autônomos, em que não há dependência explı́cita com o tempo, as
propriedades de Estabilidade são automaticamente uniformes em relação
ao instante inicial t0 .
Estabilidade Assintótica Global – GAS
Estabilidade Assintótica Global: válida não apenas para condições

iniciais próximas ao equilı́brio, mas para todo x ∈ Rn . Isto é:
1 Sistema Estável, e
2 Verifica-se que
kx(t)k → 0, t → ∞, ∀x(t0 ) ∈ Rn .
GAS – Global Asymptotic Stability
Método Direto de Lyapunov I
Seja V (x) uma função continuamente diferenciável e definida positiva,

chamada de Função de Lyapunov Candidata.
Ser uma função definida positiva significa que:
V (0) = 0; e V (x) > 0, ∀x 6= 0.
E ser continuamente diferenciável significa que V (x) é contı́nua, e que

suas derivadas parciais ∂V /∂x1 , ∂V /∂x2 , · · · , ∂V /∂xn existem e são
contı́nuas.
Método Direto de Lyapunov II
Theorem (Método Direto de Lyapunov para Sistemas Autônomos)

Seja x = 0 um ponto de equilı́brio – P.E. de ẋ = f (x), em que
f : D → Rn , e D ⊆ Rn um domı́nio contendo x = 0. Seja V : D → R
uma função continuamente diferenciável tal que
V (0) = 0; V (x) > 0, ∀x ∈ D − {0};

V̇ ≤ 0, ∀x ∈ D.
Então o P.E. é estável. Além disso, se
V̇ < 0, ∀x ∈ D − {0},
então o P.E. é assintoticamente estável.
Método Direto de Lyapunov III
O seguinte quadro apresenta de forma simplificada o método direto de

Lyapunov, notando que V̇ ≡ V̇ (x) = ∂V dx ∂V
∂x dt = ∂x f (x):
dV
Se dt ≤ 0, ∀x 6= 0, ⇒ o P.E. é Estável;
dV
Se dt < 0, ∀x 6= 0, ⇒ o P.E. é Assintoticamente Estável.
Se uma das condições acima se verificar, diz-se que V (x) é uma Função
de Lyapunov.
Método Direto de Lyapunov IV

Se uma das condições anteriores for verificada apenas em um
conjunto aberto Ω do Espaço de Estados X, tal que Ω contém o
P.E., isto é,
V (0) = 0, V (x) > 0, ∀x ∈ Ω ⊂ X, x eq = 0 ∈ Ω,

V̇ (x) ≤ 0, ou V̇ (x) < 0, ∀x ∈ Ω,
então o resultado é Local.

Se, além disso, Ω ≡ Rn e a Função de Lyapunov é
radialmente ilimitada, isto é,
kxk → ∞ ⇒ V (x) = +∞,
então o resultado é Global.
Método Direto – Interpretações
Interpretação Fı́sica:
1 Se considerarmos V (x(t)) uma função usada para se medir a Energia

do sistema, no sentido de que ela é sempre positiva, e apresenta seu
mı́nimo apenas quando o sistema está em equilı́brio (x = x eq ),
2 e se essa Energia sempre decresce ao longo do tempo, isto é,
dV
dt < 0,
3 então podemos concluir que o sistema irá entrar em equilı́brio:
x(t) → x eq ,
que corresponde à condição de mı́nima energia.

Interpretação Fı́sica:
A energia decai ao longo do tempo, levando o sistema para o ponto de
equilı́brio.
Interpretação Geométrica:
dV ∂V dx ∂V
= = f (x) = h∇V (x), f (x)i;
dt ∂x dt ∂x
sendo ∇V = ∂V /∂x o gradiente da Função de Lyapunov, e h·,·i o
operador produto escalar de dois vetores. Ou seja, para
x = [x1 x2 . . . xn ]> e f (x) = [f1 (x) f2 (x) . . . fn (x)]> vetores coluna,
tem-se:
 
f1 (x);
 f (x); 
∂V ∂V ∂V  2
h∇V (x), f (x)i = ... · .

..
∂x1 ∂x2 ∂xn  . 
fn (x)
Neste caso, supondo superfı́cies de nı́vel definidas por V (x) = c, sendo

c > 0 uma constante real positiva, e lembrando que o gradiente ∇V (x) é
perpendicular à superfı́cie de nı́vel em questão no ponto x, vê-se que os
vetores “velocidade” f (x) correspondentes devem apontar para dentro da
superfı́cie, uma vez que:
dV
= h∇V (x), f (x)i = k∇V (x)kkf (x)k cos(θ);
dt
π 3π
h∇V (x), f (x)i ≤ 0 ⇒ ≤θ≤ ;
2 2

x
2
0.5
x1
−0.5
−1
−1.5 −1 −0.5 0 0.5 1 1.5
Em preto os vetores gradiente ∇V (x) perpendiculares às superfı́cies de

nı́vel, e em vermelho os vetores “velocidade” f (x).
Vide animação: animated-Lyapunov.gif
Método Direto – Observações
Importantes observações sobre o Método Direto de Lyapunov:

1 Se a Função de Lyapunov Candidata mostra-se não ser uma Função
de Lyapunov, isto é,
dV
= h∇V (x), f (x)i > 0
dt
para algum x ∈ Ω ⊆ Rn , nada podemos concluir sobre a estabilidade
do Ponto de Equilı́brio.
2 Não há um procedimento formal geral por meio do qual se possa
obter sempre uma Função de Lyapunov para o problema.
3 As Funções de Lyapunov não são únicas. Por exemplo, se V (x) é
uma Função de Lyapunov, então W (x) = ρ[V (x)]α , com ρ > 0 e
α > 0, também é uma F. de Lyapunov para o sistema.
Exemplos de Aplicação
Mostre que o sistema massa-mola não linear é estável no sentido de

Lyapunov:
mẍ = −bẋ − k0 x − k1 x3 ,
usando m = 1; b = 1; k0 = 1 e k1 = 1.
2
1 Tentativa 1: V (x,ẋ) = 21 x2 + 21 (ẋ)
Z ;x
1
2 Tentativa 2: V (x,ẋ) = m(ẋ)2 + (k0 x + k1 x3 )dx;
2
| {z } | 0
{z }
Ecinética Epotencial elástica
Projete uma lei de controle para estabilizar o P.E. x = ẋ = 0,
quando u = 0, do sistema:
ẍ + (ẋ)3 − x2 = u.
1 Tentativa 1: V (x) = 21 x21 + 12 x22 ;

2 Tentativa 2: V (x) = 23 x21 + 12 x22 + x1 x2 , isto é,

1 3 1 x1
V (x1 ,x2 ) = [x1 x2 ]> = x> P x,
2 1 1 x2
3 1
em que P = P > = 2
1
2
1 é uma matriz simétrica definida
2 2
positiva, ou seja,
x> P x > 0, ∀x 6= 0.
Projete uma lei de controle para estabilizar o P.E. x = ẋ = 0,
quando u = 0, do sistema:
ẍ + (ẋ)3 − x2 = u.
1 Tentativa 1: V (x) = 21 x21 + 12 x22 ;

2 Tentativa 2: V (x) = 23 x21 + 12 x22 + x1 x2 , isto é,

1 3 1 x1
V (x1 ,x2 ) = [x1 x2 ]> = x> P x,
2 1 1 x2
3 1
em que P = P > = 2
1
2
1 é uma matriz simétrica definida
2 2
positiva, ou seja,
x> P x > 0, ∀x 6= 0.
Resp.: u = −x2 + (ẋ)3 − x − 2ẋ.
Método Direto de Lyapunov – Sistemas Lineares

Invariantes no Tempo (SLIT)
Para sistemas dinâmicos que são Lineares e Invariantes no Tempo, é
possı́vel obter resultados mais fortes:
Teorema de Lyapunov para SLITs
Um SLIT autônomo
ẋ = Ax,
é assintoticamente/exponencialmente estável se, e somente se, dada uma
matriz Q = Q> definida positiva, a seguinte equação de Lyapunov
A> P + P A = −Q, (1)
tem como solução uma matriz P = P > também definida positiva.
Atenção: a matriz simétrica definida positiva Q é dada, e a matriz P é

calculada para satisfazer (1).
Aplicação do Método Direto para SLITs I
Utilização do Teorema de Lyapunov para SLITs: Para um sistema
ẋ = Ax,
tomando como função de Lyapunov candidata V (x) = x> P x, com uma

matriz P definida positiva que satisfaz a equação (1), temos que
dV
= ẋ> P x + x> P ẋ,
dt
= x> A> P x + x> P Ax,
x> A> P + P A x,

=
= −x> Qx < 0, ∀x 6= 0.
Aplicação do Método Direto para SLITs II

Como V (x) = x> P x é radialmente ilimitada, o sistema é Globalmente
Assintoticamente Estável – GAS. Além disso, uma vez que
x> P x ≤ λmax (P ) x> x,

λmin (Q) >
> > ⇒ x> Qx ≥ x Px ,
x Qx ≥ λmin (Q) x x, λmax (P )
podemos escrever, para V (x) = x> P x, que
dV
= −x> Qx,
dt
V̇ ≤ −βV,
⇒ V (t) ≤ e−β(t−t0 ) V (t0 ),
λmin (Q)
com β = λmax (P ) . E fica clara a estabilidade exponencial global do P.E.
Aplicação para SLITs: Máxima Taxa de Convergência I
A melhor estimativa da taxa de convergência exponencial β pode ser

obtida escolhendo-se:
Q = I.
Para ver isso [2], considere os casos em que
A> P0 + P0 A = −I,
(2)
A> P1 + P1 A = −Q1 ,
com Q1 definida positiva e tal que λmin (Q1 ) = 1, o que é sempre

possı́vel fazer escolhendo-se Q1 = λmin1(Q) Q, para Q > 0. Além disso,
neste caso P1 = λmin1(Q) P , com P a solução única de A> P + P A = −Q.
Aplicação para SLITs: Máxima Taxa de Convergência II
A partir das equações (2), subtraindo a primeira da segunda vemos que
A> (P1 − P0 ) + (P1 − P0 )A = −(Q1 − I),
e, neste caso, como −(Q1 − I) = (I − Q1 ) ≤ 0, pois
x> Ix − x> Q1 x ≤ x> x − λmin (Q1 )x> x = 0,
então a solução da equação de Lyapunov acima, (P1 − P0 ) ≥ 0, e

λmax (P1 ) ≥ λmax (P0 ), e portanto,
λmin (I) 1 λmin (Q1 ) 1

β0 = = ≥ β1 = = .
λmax (P0 ) λmax (P0 ) λmax (P1 ) λmax (P1 )
Método Indireto de Lyapunov: Linearização Jacobiana I

Em torno do P.E., isto é, para kx − x eq k ≈ 0, e considerando que
f (·) : Rn 7→ Rn é uma função analı́tica, as equações diferenciais podem
ser aproximadas localmente pelo truncamento da Série de Taylor, tal que:
ẋ = f (x),

∂f
= f (x eq ) + (x − x eq ) + O(kx − x eq k2 ) ,
| {z } ∂x x=xeq | {z }
Por definição igual a zero Termos de ordem superior

∂f
≈ x,
∂x x=0
≈ Ax,
∂f
uma vez que f (x eq ) = f (0) = 0, sendo A = ∂x (0) a matriz Jacobiana
do sistema avaliada em x = x eq = 0.
Método Indireto de Lyapunov: Linearização Jacobiana II

Exemplo.

ẋ1 = x2 ,
Pêndulo simples:
ẋ2 = −g/l sin(x1 ) − bx2 .
Um possı́vel ponto de equilı́brio é x eq = [0 0]> . Em torno desse

ponto de equilı́brio, i.e. para x1 ≈ 0 e x2 ≈ 0, definindo
δx1 = x1 − x1eq e δx2 = x2 − x2eq , temos que
 eq

 ẋ1 ≈ x2 + [0]δx1 + [1]δx2 ,
eq eq eq
h i h i
≈ −g/l sin x1 − bx2 −g/l cos x1

 ẋ2 + δx1 + [−b]δx2 .
E a matriz Jacobiana correspondente será:

" #
∂f1 ∂f1
∂x1 ∂x2 0 1
A = = ,
∂f2
∂x1
∂f2
∂x2
−g/l cos(x1eq ) −b
x=x eq

0 1
A = .
−g/l −b
Método Indireto de Lyapunov: Linearização Jacobiana III
A partir do conhecimento de A tem-se que:
Se algum autovalor de A tiver parte real positiva ⇒ P.E. instável.

Se todos os autovalores de A tiverem parte real negativa ⇒ P.E.
localmente assintoticamente estável.
Obs.:
1 Note que o resultado de estabilidade é apenas local.
2 Se houver algum autovalor com parte real nula, e mesmo que todos
os outros tenham parte real negativa, nada podemos afirmar.
Conjuntos Positivamente Invariantes
Um conjunto de pontos Ω no Espaço de Estados é dito ser positivamente

invariante sse
∀x(t0 ) ∈ Ω ⇒ x(t) ∈ Ω, ∀t ≥ t0 .
Ou seja, se começar em Ω, lá permanecerá indefinidamente a medida que
o tempo cresce.
Alguns exemplos: um conjunto formado por um único Ponto de Equilı́brio; a bacia de atração de um Ponto de Equilı́brio assintoticamente
estável; um ciclo limite; uma trajetória do sistema; o Espaço de Estados.
A partir desse conceito, podemos desenvolver uma “relaxação”

interessante para o Teorema de Estabilidade Lyapunov para sistemas
autônomos, no caso em que dV dV
dt ≤ 0 (ao invés de dt < 0), conhecido
como Teorema de LaSalle.
O Teorema de Krasovskii-LaSalle
Teorema de Krasovskii-LaSalle
Seja V : Rn → R uma função continuamente diferenciável, tal que
V̇ ≤ 0 em torno do ponto x = x eq = 0.
Seja Ω um conjunto compacto (fechado e limitado) positivamente
invariante que contém o P.E. x eq = 0.
Seja ΩZ ⊆ Ω formado pelo conjunto de pontos em que V̇ (x) se anula,
isto é, ΩZ = {x ∈ Ω; V̇ (x) = 0}.
Seja ΩI ⊆ ΩZ o maior conjunto positivamente invariante contido em ΩZ ,
isto é, ΩI é a união de todos os conjuntos invariantes contidos em ΩZ .
Então, para todas as condições iniciais em Ω, a trajetória do sistema se
aproximará assintoticamente de ΩI à medida que t → ∞.
x eq
Seja Ω um conjunto compacto (fechado e limitado) positiva-

mente invariante que contém o P.E. xeq = 0.
Ω
ΩZ
x eq
Seja ΩZ ⊆ Ω formado pelo conjunto de pontos em que V̇ (x)

se anula.
Ω
ΩZ
ΩI
x eq
Seja ΩI ⊆ ΩZ o maior conjunto positivamente invariante

contido em ΩZ .
Ω
ΩZ
ΩI
x eq
Para todas as condições iniciais em Ω, a trajetória do sistema

se aproximará assintoticamente de ΩI .
O Teorema de Krasovskii-LaSalle – Observações
Observações:
x eq ∈ ΩZ , e x eq ∈ ΩI .
Não se exige que V (x) seja definida positiva!
Se V (x) é definida positiva; isto é, V (x) > 0, ∀x 6= 0; e usando a
hipótese V̇ ≤ 0, então pode-se usar o conjunto
Ω = {x ∈ Rn ; V (x) ≤ c}, para alguma constante real positiva c,
como conjunto compacto positivamente invariante.
Corolário do Teorema de Krasovskii-LaSalle

Para V (x) definida positiva, tal que V̇ ≤ 0, se o maior conjunto
invariante contido em ΩZ for ΩI = {x eq }, isto é, um singleton (um único
elemento), então o P.E. é assintoticamente estável.
Exemplo: Massa-mola não linear I
No slide 26 vimos que para o sistema
ẋ1 = x2 ,
b k0 k1 3
ẋ2 = −m x2 − m x1 − m x1 ,
usando a Função de Lyapunov Candidata

Z x1
1 2
V (x1 ,x2 ) = mx2 + (k0 x + k1 x3 )dx
2
| {z } | 0 {z }
Ecinética Epotencial elástica
obtivemos
V̇ (x1 ,x2 ) = −bx22 ⇒ V̇ ≤ 0.
Exemplo: Massa-mola não linear II
1 Como V (x) = 12 mx22 + k20 x21 + k41 x41 é definida positiva, podemos
definir um conjunto positivamente invariante
Ω = {x ∈ R2 ; V (x) < c},
para alguma constante arbitrária c > 0, pois

V̇ ≤ 0 ⇒ V (t) ≤ V (t0 ), ∀t ≥ t0 .
Exemplo: Massa-mola não linear III
2 Contido em Ω temos
ΩZ = {x ∈ Ω; V̇ (x) = 0} ≡ {x ∈ Ω; x2 = 0}.
3 Por outro lado, contido em ΩZ , o maior conjunto invariante é
ΩI = {x ∈ ΩZ ; x2 (t) = 0, ∀t ≥ t0 } ≡ {x ∈ ΩZ ; x1 = 0, x2 = 0}.
Para ver isso, considere um ponto em ΩZ tal que

(x1 (t0 ); x2 (t0 )) = (α; 0), com α 6= 0. De acordo com a dinâmica do
sistema, isso conduziria a ẋ1 (t0 ) = 0, e ẋ2 (t0 ) 6= 0 – o que levaria o
estado x2 (t) a abandonar o conjunto ΩZ para t > t0 .
Exemplo: Massa-mola não linear IV
4 Aplicando o Teorema de Krasovskii-Lasalle, concluı́mos, portanto,

que o sistema irá para o conjunto ΩI formado pelo único ponto
(x1 ; x2 ) = (0; 0) que é o P.E.
Com isso, ao invés de provarmos que o P.E. é globalmente estável,
provamos algo mais forte: que ele é globalmente assintoticamente
estável – GAS.
Exemplo em Robótica
1 Cancelamento dinâmico ou Torque Computado:
Considere a dinâmica de um robô descrita por:
M (q)q̈ + C(q,q̇)q̇ + g(q) + b(q,q̇) = u,

| {z }
N (q,q̇)
e o problema de rastreamento de uma trajetória desejada qd (t), tal

que
e(t) = q(t) − qd ,
sendo que a lei de controle utilizada é dada por
u = M (q)~a + C(q,q̇)q̇ + N (q,q̇),

~a = q̈d − KD (q̇ − q̇d ) − KP (q − qd ).
Seja
1 > 1
V (e,ė) = e KP e + ė> ė.
2 2
Continuidade Uniforme e o Lema de Barbalat I
É possı́vel desenvolver ainda outras extensões para o Método Direto

de Lyapunov.
A partir do conceito de Continuidade Uniforme de funções
candidatas de Lyapunov, podemos obter uma “alternativa” para o
Teorema de Estabilidade de Lyapunov para sistemas não-autônomos,
conhecida como Lema de Barbalat. Para essa classe de sistemas não
é possı́vel usar diretamente o Princı́pio de Invariância de LaSalle.
Continuidade Uniforme e o Lema de Barbalat II
Para uma função continuamente diferenciável V (t):
lim V (t) = L ; lim V̇ (t) = 0,

t→∞ t→∞
em que |L| < ∞. Por exemplo, V (t) = e−t sin(e2t ), que tem
derivada ilimitada V̇ (t) = −e−t sin(e2t ) + 2et cos(e2t ).
lim V̇ (t) = 0 ; lim V (t) = L,

t→∞ t→∞
em que |L| < ∞ é uma constante. Por exemplo, V (t) = sin(log(t)),

que não converge apesar de sua derivada tender a zero quando
t → ∞: V̇ (t) = cos(log(t)) 1t .
Continuidade Uniforme e o Lema de Barbalat III
Por outro lado, para funções diferenciáveis V (t) que apresentem a

propriedade especial de terem suas derivadas uniformemente contı́nuas,
a primeira implicação no slide anterior é verdadeira, isto é:
lim V (t) = L ⇒ lim V̇ (t) = 0,

t→∞ t→∞
se V̇ (t) é uniformemente contı́nua.
Continuidade Uniforme e o Lema de Barbalat IV
Nos desenvolvimentos a seguir é importante notar que, para funções

continuamente diferenciáveis V (t) que tenham um limite inferior, que:
(V (t) ≥ Vmin > −∞) e (V̇ (t) ≤ 0, ∀t ≥ 0) ⇒ lim V (t) = L,

t→∞
em que |L| < ∞ é uma constante.
Isto é, o fato de ter um limite inferior e de sua derivada ser

semi-definida (ou definida) negativa implica que a função converge
para um valor constante, quando t → ∞. Mas é perfeitamente
possı́vel que L 6= Vmin .
Funções Contı́nuas
Definition (Funções Contı́nuas)

Uma função f (t), f : R → R é contı́nua se, dado t0 ∈ R qualquer, e
ε > 0 qualquer (tão pequeno quanto se queira), podemos sempre
encontrar um δ(t0 ,ε) > 0 (pequeno o suficiente), tal que
|t − t0 | < δ(t0 , ε) ⇒ |f (t) − f (t0 )| < ε.
Compare esta definição com a seguinte.
Funções Uniformemente Contı́nuas I
Definition (Funções Uniformemente Contı́nuas)

Uma função f (t), f : R → R é uniformemente contı́nua se, dado t0 ∈ R
qualquer, e ε > 0 qualquer (tão pequeno quanto se queira), podemos
sempre encontrar um δ(ε) > 0 que não depende de t0 (mas que pode
depender de ε), tal que
|t − t0 | < δ ⇒ |f (t) − f (t0 )| < ε.
Ou seja,
Continuidade uniforme ⇒ Continuidade.
Continuidade uniforme : Continuidade.
Funções Uniformemente Contı́nuas
Vide animação:
Continuity-and-uniform-continuity-2.gif
Clique aqui para ver no site da Wikipedia.org o verbete Uniform

Continuity .
Funções Uniformemente Contı́nuas: cond. suficientes I
Há uma maneira mais fácil de se verificar se uma dada função

diferenciável f (t) é uniformemente contı́nua, usando a seguinte condição
suficiente:
df
< m < ∞ ⇒ Continuidade Uniforme.
dt
Isto é, se a derivada da função é limitada, então a função é

uniformemente contı́nua.
Funções Uniformemente Contı́nuas: cond. suficientes II
Definition (Função Lipschitz Contı́nua)

Uma função f (t) : X → R, com X ⊆ R, é Lipschitz Contı́nua em X, se
existe uma constante 0 ≤ K < ∞ (constante de Lipschitz), tal que
|f (t1 ) − f (t2 )| ≤ K|t1 − t2 |, ∀t1 ,t2 ∈ X.
Ex.: a função saturação, que é contı́nua, linear por partes, e limitada,

mas não diferenciável.
Para o caso de funções não diferenciáveis podemos usar a seguinte
condição suficiente muito similar à condição mostrada no slide anterior:
Continuidade Lipschitz ⇒ Continuidade Uniforme.
Lema de Barbalat
Lema de Barbalat – Versão (1)

Seja uma função V (t),
V : R+ → R,
tal que o limite
lim V (t) = L,
t→∞
existe e é finito (|L| < ∞).

Se a derivada temporal V̇ (t) é uniformemente contı́nua, então:
lim V̇ (t) = 0.
t→∞
Note que não se exige que a função V (t) seja definida positiva.
Lema de Barbalat

Seja uma função φ(t),
φ : R+ → R,
uniformemente contı́nua em [0,∞), e tal que o limite abaixo existe e é
finito: Z t
lim φ(τ )dτ = L, |L| < ∞.
t→∞ 0
Neste caso:
lim φ(t) = 0.
t→∞
Obs.: Nessa versão, φ(t) faz o papel de V̇ (t) na versão anterior.
Lema de Barbalat
Seja uma função V (t),
V : R+ → R,
tal que as seguintes propriedades são verificadas:
− ∞ < m ≤ V (t), V̇ ≤ 0; ∀t ≥ 0, (3)
isto é, V (t) é limitada inferiormente, e sua derivada V̇ (t) é semi-definida

negativa. Se além disso V̇ (t) é uniformemente contı́nua, então:
lim V̇ (t) = 0.
t→∞
Obs.: Nessa versão, as condições (3) garantem a existência do limite:

limt→∞ V (t) = L, |L| < ∞.
Um Corolário do Lema de Barbalat

Corolário
Seja uma função diferenciável Ψ(s),
Ψ : R → R,

tal que dΨ ds < m1 < ∞, ∀s, e Ψ(s) = 0 ⇔ s = 0; sendo que s ≡ s(t),

+
ds é, s : R → R, e s(t) é também uma função diferenciável tal que
isto
< m2 < ∞, ∀t ≥ 0. Se
dt
Z t
lim Ψ(s(τ ))dτ = L, |L| < ∞,
t→∞ 0
então:
lim s(t) = 0.
t→∞
Exemplo de Aplicação I
Suponha um sistema estável de 1a ordem:
ẋ = −ap x + u, (4)
para o qual se deseja projetar um sistema de controle que conduza a um

comportamento dinâmico desejado, dado pelo seguinte modelo:
ẋm = −am xm + r(t), am > 0, (5)
em que r(t) é um sinal de referência limitado. Uma maneira de se

conseguir isso é usando a lei de controle:
u = r(t) + (ap − am ) x.
Exemplo de Aplicação II
Mas suponha que não se conhece a priori o valor do parâmetro ap .
Neste caso, uma possı́vel lei de controle seria uma aproximação da lei
ideal:
u = r(t) + (âp − am ) x, (6)
em que âp é uma aproximação para ap . O erro na estimação deste
parâmetro pode ser escrito como
ãp = âp − ap . (7)
Usando (6) em (4), considerando (5), e definindo e = x − xm , podemos

escrever que:
ė = −ap x + r(t) + (âp − am ) x − {−am xm + r(t)} ,

ė = −am e + ãp x. (8)
Para garantir que o erro convirja para zero, podemos projetar uma lei de
adaptação adequada para o parâmetro âp .
Exemplo de Aplicação III

Uma forma de se fazer isso é considerar a seguinte função definida
positiva, e inferiormente limitada:
1 2 1 2
V (e,ãp ) = e + ãp , V (e,ãp ) ≥ 0. (9)
2 2
De (8), a derivada temporal dessa função é dada por:
de dãp
V̇ = e + ãp ,
dt dt
dâp
= e [−am e + ãp x] + ãp ,
dt
dâp
= −am e2 + ãp ex + ãp , (10)
dt
dãp d
Na equação acima usou-se o fato de dt = dt [âp − ap ], com ap uma
constante desconhecida.
Exemplo de Aplicação IV
A partir de (10), vê-se que se escolhermos
dâp
= −ex, (11)
dt
então
V̇ = −am e2
será uma função semi-definida negativa. Isso garante que V (e,ãp ) é uma
função não-crescente, que por ser inferiormente limitada tem um limite
quando t → ∞.
Exemplo de Aplicação V
Além disso, V̇ é uniformemente contı́nua pois
V̈ = −2am eė,
= −2am e [−am e + ãp x] ,
= 2a2m e2 − 2am eãp (e + xm )
| {z }
x
é uma função limitada, uma vez que:

1 V (e,ãp ) = 12 e2 + 12 ã2p é sempre menor ou igual ao seu valor inicial, e
isso necessariamente implica em e e ãp serem variáveis limitadas;
2 am é por hipótese uma constante positiva;
3 xm é uma variável limitada, pois por hipótese assumiu-se que r(t) é
uma função limitada, e a partir de (5) vê-se que xm (t) é a saı́da de
um sistema BIBO (Bounded-Input Bounded-Output) estável.
Exemplo de Aplicação VI
Pelo Lema de Barbalat, conclui-se que
lim V̇ = 0 ⇒ lim e(t) = 0.

t→∞ t→∞
Note que o sistema original é não-autônomo, por isso não é possı́vel usar
o Teorema de LaSalle, pois o conjunto ΩI não pode ser definido.
Exemplo de Aplicação em Robótica I
Pode-se mostrar que as equações dinâmicas de um robô podem ser

representadas como
M (q)q̈ + C(q, q̇)q̇ + g(q) + b(q, q̇) = u,

| {z }
N (q,q̇)
Y (q, q̇, q̈)θ = u,
em que Y (q, q̇, q̈) ∈ Rl×l é a matriz de regressores associada à equação

canônica do Robô, e θ ∈ Rl . No caso em que os parâmetros são incertos,
podemos escrever que
Y (q, q̇, q̈)θ 0 ≈ u,
em que θ 0 ∈ Rl é uma estimativa dos parâmetros de massa do robô.
Exemplo de Aplicação em Robótica II
Nos slides seguintes usaremos a propriedade de linearidade nos

parâmetros θ das equações dinâmicas de um robô para a seguinte
expressão correlata [2]:
M (q)q̈r + C(q, q̇)q̇r + g(q) + b(q, q̇) = Y (q, q̇, q̇r , q̈r )θ, (12)
| {z }
N (q,q̇)
em que Y (q, q̇, q̇r , q̈r ) ∈ Rl×l é a mesma matriz de regressores anterior,
mas na qual algumas variáveis foram substituı́das pelos vetores q̇r e q̈r .
Exemplo de Aplicação em Robótica III

Definindo o erro de estimação como:
˙
θ̃ = θ 0 − θ ⇒ θ̃ = θ̇ 0 ,
onde a última expressão decorre da hipótese de que θ seja constante,

considere a seguinte Função de Lyapunov candidata:
V (s, q, θ̃) = 12 s> M (q)s + 12 θ̃> Γ−1 θ̃,
em que Γ = Γ> > 0, e

s = ė − Λe, (13)
com e = q − qd , e Λ uma matriz Hurwitz. Note que
s = q̇ − q̇r , para q̇r = q̇d + Λe.
Exemplo de Aplicação em Robótica IV

Neste caso, a derivada da Função de Lyapunov candidata será
1 ˙
V̇ = s> M ṡ + s> Ṁ s + θ̃> Γ−1 θ̃,
2
1 ˙
= s> M (q̈ − q̈r ) + s> Ṁ s + θ̃> Γ−1 θ̃,
2
1
= s> (u − N (q, q̇) − C(q, q̇)q̇ − M q̈r ) + s> Ṁ s + θ̃> Γ−1 θ̇ 0 ,
2
1
= >
s (u − N (q, q̇) − C(q, q̇) [s + q̇r ] − M q̈r ) + s> Ṁ s + θ̃> Γ−1 θ̇ 0 ,
2
Lembrando
Ṁ − 2C é uma matriz anti-simétrica, tem-se que
que
s> 21 Ṁ − C s = 0, e portanto:
V̇ = s> (u − N (q, q̇) − C(q, q̇)q̇r − M (q)q̈r ) + θ̃> Γ−1 θ̇ 0 .
Exemplo de Aplicação em Robótica V
Usando a propriedade de linearidade (12), podemos escrever que:
V̇ = s> (u − Y (q, q̇, q̇r , q̈r )θ) + θ̃> Γ−1 θ̇ 0 .
Fazendo
u = Y (q, q̇, q̇r , q̈r )θ 0 − KD s,
tem-se que
V̇ = s> Y (θ 0 − θ) + θ̃> Γ−1 θ̇ 0 − s> KD s.
Escolhendo a lei de adaptação dos parâmetros estimados como
θ̇ 0 = −ΓY > s,
Exemplo de Aplicação em Robótica VI

obtém-se, subtituindo-se na expressão para a derivada da Função de
Lyapunov candidata (lembrando que Γ = Γ> ):
V̇ = −s> KD s ⇒ V̇ ≤ 0.
A partir desse resultado, considerando que a Função de Lyapunov

proposta é inferiormente limitada, podemos concluir que:
1 As variáveis s, q e θ̃ são limitadas.
2 Como θ̃ = θ 0 − θ é limitada e os parâmetros desconhecidos θ são
constantes, os parâmetros estimados via adaptação θ 0 são também
limitados.
3 Note também que, a partir de (13), se s é limitada, a variável e
pode ser vista como a “saı́da” de um SLIT que é exponencialmente
estável (Λ é Hurwitz), e consequentemente é também um sistema
BIBO estável. Portanto, e é limitada, bem como ė.
Exemplo de Aplicação em Robótica VII
4 A partir desse resultado, e supondo que qd (t) é limitada, com

derivadas limitadas q̇d (t) e q̈d (t), conclui-se que q e q̇ são limitados,
além de q̇r (t) e q̈r (t) serem também limitadas.
5 Consequentemente, a partir da expressão para u, conclui-se que este
também é um vetor de sinais limitados.
6 Finalmente, com u, q e q̇ limitados, a partir da Equação Canônica
do Robô concluı́mos que q̈ é limitada.
Exemplo de Aplicação em Robótica VIII
Da análise anterior, e usando a expressão para ṡ, vê-se que a derivada

segunda da Função de Lyapunov
V̈ = −2s> KD ṡ
é limitada. Portanto, V̇ (t) é uniformemente contı́nua e, aplicando o lema

de Barbalat:
lim V̇ (t) = 0 ⇒ s → 0.
t→∞
Consequentemente,
lim e(t) = 0,
t→∞
pois, como dito anteriormente, a variável e pode ser vista como a “saı́da”
de um SLIT estável definido por (13).
Apêndice
Apêndice
Apêndice
Matrizes Definidas e Semi-definidas I
1 Matriz Definida Positiva: Uma matriz P ∈ Rn×n é definida

positiva se, e somente se, a função escalar V (x) = x> P x é definida
positiva, isto é
x> P x > 0, ∀x 6= 0.
2 Matriz Semidefinida Positiva: Uma matriz P ∈ Rn×n é
semidefinida positiva se, e somente se, a função escalar
x> P x ≥ 0, ∀x 6= 0.
Apêndice
Matrizes Definidas e Semi-definidas II
3 Matriz Definida Negativa: Uma matriz Q ∈ Rn×n é definida

negativa se, e somente se, a função escalar
x> Qx < 0, ∀x 6= 0.
4 Matriz Semidefinida Negativa: Uma matriz Q ∈ Rn×n é

semidefinida negativa se, e somente se, a função escalar
x> Qx ≤ 0, ∀x 6= 0.
Apêndice
Matrizes Definidas e Semi-definidas III
Observações importantes sobre funções quadráticas do tipo
φ(x) = x> P x.
1 Não há perda de generalidade ao se considerar apenas matrizes

simétricas P = P > na expressão de φ(x). Para ver isso, note que
qualquer matriz P pode ser decomposta como
1 1
P + P> + P − P>

P = ,
2
| {z } 2
| {z }
S: Parte Simétrica A: Parte Anti-simétrica
= S + A. S = S>, A = −A . >
Apêndice
Matrizes Definidas e Semi-definidas IV

Mas a parte anti-simétrica não contribui para φ(x), pois, lembrando
que x> Ax é uma função escalar, temos que
> >
x> Ax = x Ax = x> A> x,
= −x> Ax ⇒ x> Ax = 0, ∀x ∈ Rn .
Consequentemente,
φ(x) = x> P x,
:0
= x> (S + A) x = x> Sx +
x>

Ax ,
= x> Sx,
1
P + P > contribui para

e somente a componente simétrica S = 2
se determinar o valor de φ(x) = x> P x.
Apêndice
Matrizes Definidas e Semi-definidas V

2 É possı́vel mostrar que toda matriz P = P > simétrica definida
positiva pode ser escrita como o produto (Teorema da
Decomposição Espectral):
P = U > ΛU,
em que Λ = diag{λ1 ,λ2 , . . . ,λn }, sendo λi ∈ R+ , para

i = 1,2, . . . ,n, autovalores de P , que são números reais positivos; e
U ∈ Rn×n uma matriz real ortogonal, isto é,
U > U = In , U U > = In ,
sendo In ∈ Rn×n a matriz identidade. Isto significa que as colunas

de U podem ser vistas como vetores de norma unitária que são
ortogonais entre si, isto é, U = [u1 u2 · · · un ], com u>
i uj = 0, se
i 6= j, e u>
i ui = 1.
Apêndice
Matrizes Definidas e Semi-definidas VI

3 A partir do item anterior, e sem perda de generalidade considerando
P = P > , podemos escrever que
φ(x) = x> P x = x> U > ΛU x = x> U > Λ (U x) ,

= zΛz,
= λ1 z12 + λ2 z22 + . . . + λn zn2 ,
em que z = U x é uma transformação de coordenadas que preserva a

norma dos vetores: kxk2 = kzk2 = x> U > U x. Considerando
λ1 ≤ λ2 ≤ . . . ≤ λn , temos que
φ(x) = x> P x,
= λ1 z12 + λ2 z22 + . . . + λn zn2 ≤ λn z12 + λn z22 + . . . + λn zn2 ,
≤ λn z > z,
≤ λn x> x. ⇒ x> P x ≤ λn x> x.
Apêndice
Matrizes Definidas e Semi-definidas VII
De forma semelhante, também se consegue mostrar que

x> P x ≥ λ1 x> x, e portanto,
λ1 x> x ≤ x> P x ≤ λn x> x,
em que λ1 = λmin (P ) é o menor autovalor de P , e λn = λmax (P )

é o maior autovalor de P :
λmin (P )kxk2 ≤ x> P x ≤ λmax (P )kxk2 .
Apêndice
Teorema de Lyapunov para Sistemas Autônomos I
Theorem (Método Direto de Lyapunov para Sistemas Autônomos)

Seja x = 0 um ponto de equilı́brio – P.E. de ẋ = f (x), em que
f : D → Rn , e D ⊆ Rn um domı́nio contendo x = 0. Seja V : D → R
uma função continuamente diferenciável tal que
V (0) = 0; V (x) > 0, ∀x ∈ D − {0};

V̇ ≤ 0, ∀x ∈ D.
Então o P.E. é estável. Além disso, se
V̇ < 0, ∀x ∈ D − {0},
então o P.E. é assintoticamente estável.
Apêndice
Teorema de Lyapunov para Sistemas Autônomos II

Prova da Parte sobre Estabilidade:
Dado > 0, escolha 0 < r ≤ tal que a bola fechada
B̄r = {x ∈ Rn ; kxk ≤ r}
esteja contida em D, onde as hipóteses do teorema são verdadeiras.

Seja α = minkxk=r V (x). Então existe α, e α > 0, pois trata-se do
mı́nimo de uma função contı́nua em um domı́nio compacto (Teo.
dos Extremos ou Teo. de Weierstrass). Escolha 0 < β < α, e defina
o conjunto
Ωβ = x ∈ B̄r ; V (x) ≤ β .
Note que Ωβ está no interior de B̄r , isto é, nenhum ponto x ∈ Ωβ
pode ser um ponto na fronteira de B̄r . Se isso ocorresse, então
kxk = r e simultaneamente V (x) ≤ β < α, violando o fato de
α = minkxk=r V (x).
Apêndice
Teorema de Lyapunov para Sistemas Autônomos III
Além disso, Ωβ é um conjunto positivamente invariante; i.e. se

x(t0 ) ∈ Ωβ , então x(t) ∈ Ωβ , ∀t ≥ t0 ; pois
V̇ ≤ 0 ⇒ V (t) ≤ V (t0 ) ≤ β, ∀t ≥ t0 .
Apêndice
Teorema de Lyapunov para Sistemas Autônomos IV
Agora só é preciso encontrar uma bola de raio δ, contida na bola de

raio r < , de possı́veis condições iniciais a partir das quais as
trajetórias não podem abandonar a bola de raio . Para tanto,
podemos usar a continuidade de V (x) em torno de x = 0, e o fato
de a mesma ser definida positiva, para afirmar que existe δ > 0 tal
que
kx − 0k < δ ⇒ |V (x) − 0| < β
m
kxk < δ ⇒ V (x) < β,
e, neste caso,
Bδ ⊂ Ωβ ⊂ B̄r ⊂ B .
Apêndice
Teorema de Lyapunov para Sistemas Autônomos V
Além disso, considerando o fato de Ωβ ser positivamente invariante,

tem-se que
x(t0 ) ∈ Bδ ⇒ x(t0 ) ∈ Ωβ ;
x(t0 ) ∈ Ωβ ⇒ x(t) ∈ Ωβ , ∀t ≥ t0 ;
x(t) ∈ Ωβ , ∀t ≥ t0 ⇒ x(t) ∈ B , ∀t ≥ t0 .
Portanto, prova-se a estabilidade do P.E.:
kx(t0 )k < δ ⇒ kx(t)k < , ∀t ≥ t0 .
Apêndice
Teorema de Lyapunov para Sistemas Autônomos VI
Prova da Parte sobre Estabilidade Assintótica:

Neste caso, é preciso mostrar que
lim kx(t)k = 0,
t→∞
quando V̇ < 0, ∀x ∈ D − {0}.
Isso é equivalente a dizer que, dado a > 0 tão pequeno quanto se

queira, pode-se encontrar um intervalo de tempo finito Ta ≥ 0, tal
que
kx(t)k < a, ∀t ≥ t0 + Ta . (14)
Apêndice
Teorema de Lyapunov para Sistemas Autônomos VII

Entretanto, usando os mesmos argumentos anteriores, sabe-se que
sempre haverá um βa > 0, para 0 < b < a, com
βa < min V (x),

kxk=b
tal que Ωβa ⊂ B̄b ⊂ Ba , sendo que
Ωβa = {x ∈ B̄b ; V (x) ≤ βa }
é um conjunto positivamente invariante. Deste modo, pode-se

concluir (14), se for possı́vel mostrar que, dado a > 0 tão pequeno
quanto se queira, obtém-se um βa > 0 como mostrado acima, e um
intervalo de tempo finito Ta ≥ 0, tal que
V (x(t)) ≤ βa ⇒ kx(t)k < a, ∀t ≥ t0 + Ta . (15)
Apêndice
Teorema de Lyapunov para Sistemas Autônomos VIII
O Tempo Ta que satisfaz (15) pode ser computado considerando os

seguintes casos
x(t0 ) ∈ Ωβa ⇒ Ta = 0.
x(t0 ) ∈
/ Ωβa ⇒ V (x(t0 )) = V0 > βa . Neste caso, considere o
conjunto fechado e limitado (portanto, compacto)
R0 = {x ∈ B̄r ; βa ≤ V (x) ≤ V0 },
e considere que, usando novamente o Teorema dos Extremos, existe
γ = max V̇ (x),
x∈R0
que é um valor negativo por hipótese, i.e. γ < 0, pois V̇ (x) < 0,
∀x ∈ D − {0}.
Apêndice
Teorema de Lyapunov para Sistemas Autônomos IX

Mas com isso conclui-se que, para x(t0 ) ∈ R0 ,
Z t
V (x(t)) = V (x(t0 )) + V̇ (x(τ )) dτ,
t0
Z t
V (x(t)) ≤ V0 + γ dτ,
t0
V (x(t)) ≤ V0 + γ(t − t0 )
e, portanto, lembrando que γ < 0 e V0 > βa , tem-se que
V0 − βa
t ≥ t0 + ⇒ V (x(t)) ≤ βa .
−γ
V0 −βa
Isto significa que se pode escolher Ta = −γ < ∞ para se
satisfazer (15).
Apêndice
GAS: Necessidade de V (x) ser Radialmente Ilimitada I
Como visto anteriormente, a Estabilidade Assintótica Global

depende de se ter uma Função de Lyapunov radialmente ilimitada,
isto é, V (x) → ∞, quando kxk → ∞ segundo qualquer caminho,
isto é, dado c > 0 qualquer, tão grande quanto se queira, sempre
existe r > 0 tal que V (x) > c, ∀kxk ≥ r.
Apêndice
GAS: Necessidade de V (x) ser Radialmente Ilimitada II
Note que isto pode ser expresso logicamente de duas maneiras

equivalentes:
∀c > 0, ∃r, 0 < r < ∞ : kxk > r ⇒ V (x) > c,

∀c > 0, ∃r, 0 < r < ∞ : V (x) ≤ c ⇒ kxk ≤ r,
sendo que a última expressão é equivalente a dizer que o conjunto
Ωc = {x ∈ Rn ; V (x) ≤ c} ,
para qualquer c > 0, é limitado, pois está contido em uma bola de

raio finito. Como pontos x da fronteira; i.e. tais que {V (x) = c};
pertencem a Ωc , esse conjunto é fechado. Portanto, Ωc é compacto
(fechado e limitado).
Apêndice
GAS: Necessidade de V (x) ser Radialmente Ilimitada III
A partir da constatação de que os conjuntos Ωc são compactos,

pode-se mostrar que as trajetórias irão atravessar a fronteira de
qualquer conjunto deste tipo, enquanto caminham em direção ao
ponto de equilı́brio, uma vez que V (t) é estritamente decrescente
(V̇ (t) < 0). Isto é, a trajetória do sistema irá atravessar
Ωc1 ⊃ Ωc2 ⊃ Ωc3 ⊃ · · · , em que c1 > c2 > c3 > · · · .
Apêndice
GAS: Necessidade de V (x) ser Radialmente Ilimitada IV
O exemplo a seguir mostra que, se essa condição for eliminada, há

casos em que V (x) é definida positiva, continuamente diferenciável,
com V̇ (x) < 0, ∀x 6= 0, e ainda assim GAS não se verifica.
Apêndice
GAS: Necessidade de V (x) ser Radialmente Ilimitada V

Considere o sistema [1, Exercı́cio 4.8, pág. 182]:
−6x1

 ẋ1 = φ2 + 2x2 ,


 −2(x1 + x2 )
 ẋ2 =
 ,
φ2
em que φ ≡ φ(x1 ) = 1 + x21 . Note que φ > 0, ∀(x1 ,x2 ) ∈ R2 . Seja a

Função Candidata de Lyapunov, definida positiva e continuamente
diferenciável, dada por
x21 x21
V (x) = + x22 = + x22 .
φ 1 + x21
Veja que V (x) não é radialmente ilimitada, pois para x2 = c, em que c é

um valor constante arbitrário, limx1 →∞ V (x) = 1 + c2 < ∞.
Apêndice
GAS: Necessidade de V (x) ser Radialmente Ilimitada VI
1 Fato 1: V̇ (x) < 0, ∀x 6= 0; e V̇ (x) é contı́nua.
dV ∂V ∂V
= ẋ1 + ẋ2 ,
dt ∂x ∂x2
1
−2x31

2x1 −6x1 −4(x1 + x2 )
V̇ = + + 2x2 + x2 ,
φ φ2 φ2 φ2
φ4 V̇ = −12x21 φ + 4x1 x2 φ3 + 12x41 − 4x31 x2 φ2 − 4(x1 + x2 )φ2 ,
φ4 V̇ = −12x21 (1 + x21 ) + 12x41 + 4x1 x2 φ2 φ − x21 − 4x1 x2 φ2 − 4x22 φ2 ,

:0
φ4 V̇ = −12x21 + 4x1 x2 φ2 (φ− x21− 1) − 4x22 φ2 ,
x2 x2
V̇ = −12 14 − 4 22 < 0, ∀x 6= 0.
φ φ
Apêndice
GAS: Necessidade de V (x) ser Radialmente Ilimitada VII
2 Fato 2: o sistema não é GAS, pois existe pelo menos uma fonteira
que não pode ser atravessada pelas trajetórias do sistema.
Considere condições iniciais que satisfazem
√ 2
x1 (0) > 2, x2 (0) > √ .
x1 (0) − 2
Apêndice
GAS: Necessidade de V (x) ser Radialmente Ilimitada VIII
√
Vetores tangentes à fronteira x2 = x −2√2 , com x1 > 2, são dados
1
por
" #
1 1
~vt = dx2 = −2√ ,
dx1 (x1 − 2)2
de modo que vetores ortogonais à fronteira, e que apontam para o

primeiro quadrante do plano, podem ser obtidos como
" #
2√
~vp = (x1 − 2)2 ,
1
pois ~vt>~vp = 0.
Apêndice
GAS: Necessidade de V (x) ser Radialmente Ilimitada IX

O produto escalar destes vetores ortogonais à fronteira, definidos
sobre ela, com o campo vetorial do sistema dinâmico sobre a
fronteira é dado por:

> 2 −6x1 −2(x1 + x2 )
~vp ẋ = √ + 2x2 + ,
(x1 − 2)2 φ2 φ2 x = 2√
2 x1 − 2
−12x1 8 −2x1 −4
= √ + √ + + √ ,
(x1 − 2)2 φ2 (x1 − 2)3 φ2 (x1 − 2)φ2
de modo que, para E0 = α(x1 ) ~vp> ẋ , com

h √ i √
α(x1 ) = (x1 − 2)3 φ2 > 0, ∀x1 > 2,
tem-se que:
√ √ √
E0 = 8φ2 − 12x1 (x1 − 2) − 2x1 (x1 − 2)3 − 4(x1 − 2)2 .
Apêndice
GAS: Necessidade de V (x) ser Radialmente Ilimitada X

√
Observando
√ que se está considerando x1 > 2, ao substituirmos
(x1 − 2) po x1 na expressão E0 acima pode-se concluir que
E0 > E1 = 8φ2 − 12x21 − 2x41 − 4x21 ,
E1 = 8(1 + 2x21 + x41 ) − 16x21 − 2x41 ,

E1 = 8 + 12x21 + 6x41 > 0, ∀x1 ∈ R.
Portanto, para todo ponto sobre a fronteira x2 = x −2√2 , com

√ 1
x1 > 2,
1 1
~vp> ẋ = E0 > E1 > 0,
α(x1 ) α(x1 )
e isto significa que o campo vetorial do sistema tem sempre uma
componente na direção que aponta para fora da fronteira, pois o
produto escalar é positivo.
Apêndice
GAS: Necessidade de V (x) ser Radialmente Ilimitada XI

Desta maneira, a fronteira x2 = x −2√2 é de fato uma barreira para as
1
trajetórias do sistema, conforme ilustrado abaixo:
Condições iniciais
à direita da barreira
conduzem a
trajetórias com
x1 → ∞ e x2 → c,
de modo que V (x)
sempre descresce,
mas não vai para
zero, enquanto que,
ao mesmo tempo,
V̇ (x) → 0. Não se
tem, portanto, um
sistema GAS.
Apêndice
T. de Lyapunov para SLITs: Prova da Necessidade I
Vamos provar que, dado um SLIT autônomo assintoticamente estável
ẋ = Ax, (16)
com x ∈ Rn , associada a uma matriz simétrica definida positiva

arbitrária Q = Q> > 0, existe uma matriz simétrica definida positiva
P = P > > 0 que satisfaz a equação de Lyapunov:
A> P + P A = −Q. (17)
Apêndice
T. de Lyapunov para SLITs: Prova da Necessidade II
Considere a seguinte possı́vel solução para a matriz P :

Z T
>
P = lim etA QeAt dt. (18)
T →∞ 0
Como o sistema (16) é estável, o limite acima existe, pois eAt → 0.

Além disso, a matrix P assim definida é simétrica, pois é obtida
integrando-se elementos de uma matriz simétrica dada por
> > > >
etA QeAt = etA Q> eAt = etA QeAt .
Apêndice
T. de Lyapunov para SLITs: Prova da Necessidade III
A matriz P é também definida positiva, pois

Z ∞
tA>
x>
0 P x0 = x >
0 e QeAt
dt x0 ,
0
Z ∞
tA>
x> Q eAt x0 dt,

= 0e
Z0 ∞
= x> (t)Qx(t)dt,
0
Z ∞
≥ λmin (Q) kx(t)k2 dt > 0, ∀x0 6= 0,
0
∴ x>
0 P x0 > 0, ∀x0 6= 0,
em que x(t) = eAt x0 é a trajetória do sistema partindo de x(0) = x0 .
Apêndice
T. de Lyapunov para SLITs: Prova da Necessidade IV

Vamos mostrar que a matriz P em (18) é uma solução para a equação
(17):
Z ∞ Z ∞
> > tA> At tA> At
A P + PA = A e Qe dt + e Qe dt A,
Z ∞0
0
> >
A> etA QeAt + etA Q eAt A dt,

=
Z0 ∞
d tA>

At tA> d At
= e Qe + e Q e dt,
dt dt
Z0 ∞
d tA> At
= e Qe dt,
0 dt
h > i∞
= etA QeAt = 0 − Q = −Q.
0
Apêndice
T. de Lyapunov para SLITs: Prova da Necessidade V

Finalmente, vamos mostrar que a matriz P em (18) é, de fato, a única
solução. Para isso, considere a existência de duas soluções P1 e P2 para a
equação (17), para uma matriz dada Q = Q> > 0:
A> P1 + P1 A = −Q,
A> P2 + P2 A = −Q,
⇒ A> (P1 − P2 ) + (P1 − P2 )A = 0.
Logo, a função quadrática W (x) = x> (t)(P1 − P2 )x(t) é tal que:
dW
= x> (t) A> (P1 − P2 ) + (P1 − P2 )A x(t) = 0

dt
⇔ W (x(t)) = constante, ∀t ≥ 0.
Como x(t) 6= constante, isso só é possı́vel sse W (x) ≡ 0 ⇔ P1 = P2 .
Apêndice
Definições Equivalentes para Estabilidade Uniforme I
Lemma
Para um sistema dinâmico ẋ = f (t,x), com x(t0 ) = x0 , em que x = 0 é
um ponto de equilı́brio – P.E. uniformemente estável, são equivalentes as
afirmações:
(A) Dado > 0, existe δ ≡ δ(), independente do instante inicial t0 ,
tal que
kx(t0 )k < δ ⇒ kx(t)k < , ∀t ≥ t0 .
(B) Existe c > 0 e uma função α(·) ∈ K, tal que
kx(t0 )k < c ⇒ kx(t)k < α(kx(t0 )k), ∀t ≥ t0 .
Apêndice
Definições Equivalentes para Estabilidade Uniforme II

Prova: A ⇒ B
Prova: B ⇒ A
Uma vez que kx(t)k ≤ α(kx(t0 ))k, ∀kx(t0 )k < c, e ∀t ≥ t0 , então,
dado > 0 qualquer, escolha
δ = min{c, α−1 ()},
de modo que
kx(t0 )k ≤ δ ⇒ α(kx(t0 )k) ≤ α(δ) ≤ .
E, assim, ∀t ≥ t0 ,
kx(t)k ≤ α(kx(t0 )k) ⇒ kx(t)k ≤ .
Apêndice
Referências Bibliográficas I
Hassan K. Khalil.
Nonlinear Systems.
Prentice Hall, third edition, 2002.
Jean-Jacques Slotine and Weiping Li.
Applied Nonlinear Control.
Prentice Hall, 1990.
M. Vidyasagar.
Nonlinear Systems Analysis.
Prentice-Hall International, Inc., second edition, 1993.

Estabilidade Lyapunov PDF

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Estabilidade Lyapunov PDF

Încărcat de

Drepturi de autor:

Formate disponibile

Teoria de Estabilidade de Lyapunov Princı́pio de Invariância de LaSalle Lema de Barbalat

Teoria de Estabilidade de Lyapunov

1 Teoria de Estabilidade de Lyapunov

2 Princı́pio de Invariância de LaSalle

Um ponto de equilı́brio x eq é um estado no qual o campo vetorial é nulo,

Sem perda de generalidade, nos desenvolvimentos a seguir podemos

tal que z eq = 0 é um ponto de equilı́brio do novo sistema

Análise de Estabilidade de Pontos de Equilı́brio –

O novo P.E., sem perda de generalidade, pode ser considerado como

Análise de Estabilidade de Pontos de Equilı́brio –

Em muitos trabalhos o vetor x é de fato o vetor erro ou diferença e(t)

e se busca provar que o Ponto de Equilı́brio e eq = 0 é pelo menos:

Estabilidade segundo Lyapunov

Alexander Mikhailovich Lyapunov (1857–1917).

P.E. Estável: dado  > 0 qualquer, ∃ δ(,t0 ) > 0, tal que

Note que necessariamente δ ≤ .

P.E. Estável: dado  > 0 qualquer, ∃ δ(,t0 ) > 0, tal que

Note que necessariamente δ ≤ .

P.E. Instável: é o ponto de equilı́brio que não é estável.

Instabilidade: segundo Lyapunov

Isso mostra que a definição de estabilidade segundo Lyapunov não cobre

Estabilidade Exponencial: estabilidade assintótica em que se pode

kx(t0 )k < δ(t0 ) ⇒ kx(t)k ≤ αkx(t0 )ke−λ(t−t0 )

Estabilidade uniforme: caracteriza-se pela independência em relação

Estabilidade Assintótica Global – GAS

Estabilidade Assintótica Global: válida não apenas para condições

GAS – Global Asymptotic Stability

Método Direto de Lyapunov I

Seja V (x) uma função continuamente diferenciável e definida positiva,

Ser uma função definida positiva significa que:

V (0) = 0; e V (x) > 0, ∀x 6= 0.

E ser continuamente diferenciável significa que V (x) é contı́nua, e que

Método Direto de Lyapunov II

Theorem (Método Direto de Lyapunov para Sistemas Autônomos)

V (0) = 0; V (x) > 0, ∀x ∈ D − {0};

Então o P.E. é estável. Além disso, se

então o P.E. é assintoticamente estável.

Método Direto de Lyapunov III

O seguinte quadro apresenta de forma simplificada o método direto de

Método Direto de Lyapunov IV

V (0) = 0, V (x) > 0, ∀x ∈ Ω ⊂ X, x eq = 0 ∈ Ω,

então o resultado é Local.

kxk → ∞ ⇒ V (x) = +∞,

então o resultado é Global.

Método Direto – Interpretações

1 Se considerarmos V (x(t)) uma função usada para se medir a Energia

que corresponde à condição de mı́nima energia.

Método Direto – Interpretações

Método Direto – Interpretações

Método Direto – Interpretações

Neste caso, supondo superfı́cies de nı́vel definidas por V (x) = c, sendo

Método Direto – Interpretações

−1.5 −1 −0.5 0 0.5 1 1.5

Em preto os vetores gradiente ∇V (x) perpendiculares às superfı́cies de

Método Direto – Interpretações

Vide animação: animated-Lyapunov.gif

Método Direto – Observações

Importantes observações sobre o Método Direto de Lyapunov:

Mostre que o sistema massa-mola não linear é estável no sentido de

1 Tentativa 1: V (x) = 21 x21 + 12 x22 ;

1 Tentativa 1: V (x) = 21 x21 + 12 x22 ;

Método Direto de Lyapunov – Sistemas Lineares

A> P + P A = −Q, (1)

P.E. Estável: dado > 0 qualquer, ∃ δ(,t0 ) > 0, tal que

Note que necessariamente δ ≤ .

P.E. Estável: dado > 0 qualquer, ∃ δ(,t0 ) > 0, tal que

Note que necessariamente δ ≤ .