1. 先明确要解决什么问题
考虑一个带未知扰动的非线性系统：
x₁, x₂：系统状态（比如位置和速度）
u：已知的控制输入
d：未知的总扰动（包含外部干扰 + 模型误差）
y：可测量的输出
我们的目标：在固定时间内同时估计出 x₁, x₂和 d。
2. 扩展状态的思想
把扰动 d 也当成一个“扩展状态”，记作 x₃ = d。假设扰动变化率 h = d对时间t的一阶导，有界但不是已知的。
那么系统就变成了：
你看，原来不知道的 d，现在变成了一个需要估计的状态。
3. FTESO的完整观测器方程（这才是重点）
对于上面的扩展系统，FTESO长这样：
其中：
e₁ = x₁- x^ （可测的输出误差）
x₁^, x₂^, x^₃分别是位置、速度、扰动的估计值
K₁, K₂, K₃ 是待设计的增益。
而最关键的是 φ函数——它让固定时间收敛成为可能：
通常取：
αᵢ在 (0,1) 之间（比如 0.5）
βᵢ大于 1（比如 1.5）
4. 为什么两个幂次项这么重要？
这是FTESO的“灵魂”所在：
低幂次项 |e₁|^α：当误差 e₁比较大时，这一项起主导作用，拉得很快。
高幂次项 |e₂|^β：当误差 e₁比较小时，这一项起主导作用，把最后一点点误差也快速拉掉
两个加在一起，不管误差是大是小，都能在同一个固定时间上限内收敛到零。
这也是FTESO和传统ESO最大的区别——传统ESO用线性项 K·e，误差越小收敛越慢。
5. 可以对比一下传统ESO
传统线性ESO的误差修正项是：
你会发现：当 e₁很小的时候，修正力度也小，所以收敛是指数渐近的——理论上是无限时间才能真正到零。
而FTESO用了上面的双幂次函数，是有限时间 + 时间上界固定。
6. 用一个最简化的版本感受一下
假设只有一个标量系统：
FTESO简化版可以写成：
其中 e = x - x^。
你看，连扰动变化的估计也用上了这种双幂次结构，这样才能让d^ 也在固定时间内追上真实的 d。
