输入矩阵A、B、C、D，自动判断能控性与能观性，在s平面绘制特征值，通过Ackermann公式设计状态反馈，并仿真闭环阶跃响应。
$$\dot{x}= Ax + Bu, \quad y = Cx + Du$$
能控性矩阵：$\mathcal{C}= [B \;|\; AB \;|\; A^2B \;|\; \ldots]$，需满秩
能观性矩阵：$\mathcal{O}= [C;\; CA;\; CA^2;\; \ldots]^T$，需满秩
传递函数：$H(s) = C(sI-A)^{-1}B + D$
状态空间模型是描述动态系统的核心框架，它用一组一阶微分方程来表达系统内部状态的变化与外部输入、输出的关系。
$$\dot{x}(t) = A x(t) + B u(t)$$ $$y(t) = C x(t) + D u(t)$$其中，$x$是状态向量（如位置、速度），$u$是输入向量，$y$是输出向量。$A$是系统矩阵（决定系统固有动态），$B$是输入矩阵，$C$是输出矩阵，$D$是前馈矩阵（通常为零）。
能控性与能观性的判断依赖于两个关键矩阵的秩条件。极点配置则通过Ackermann公式计算状态反馈增益。
$$\text{能控性矩阵: }\mathcal{C}= [B \quad AB \quad A^2B \quad \ldots \quad A^{n-1}B]$$ $$\text{能观性矩阵: }\mathcal{O}= [C^T \quad (CA)^T \quad (CA^2)^T \quad \ldots \quad (CA^{n-1})^T]^T$$ $$\text{Ackermann公式 (SISO): }K = e_n^T \mathcal{C}^{-1}\phi_d(A)$$$\mathcal{C}$或$\mathcal{O}$满秩（秩等于状态维数$n$）是系统完全能控或能观的充要条件。$K$是状态反馈增益向量，$e_n$是第$n$个标准基向量，$\phi_d(A)$是将期望闭环特征多项式中的变量$s$替换为矩阵$A$后得到的矩阵多项式。
主动振动控制：在航空航天结构（如飞机机翼、卫星太阳能板）中，利用压电陶瓷片作为执行器（输入u）和传感器（输出y）。通过状态反馈控制，将代表结构振动模态的极点配置到阻尼更大的位置，从而快速抑制有害振动。
汽车底盘控制：在高级驾驶辅助系统（ADAS）中，状态空间模型用于描述车辆的横摆和侧向动力学。通过能控性分析确定转向和制动的控制能力，并设计状态反馈实现期望的车辆动态响应，提高稳定性。
化工过程控制：在连续搅拌釜式反应器（CSTR）中，温度、浓度等关键变量构成状态x。能观性分析确保通过有限的传感器（如温度计）可以估计所有关键状态，进而通过极点配置设计控制器，使反应过程快速稳定在设定点。
机器人轨迹跟踪：对于多关节机械臂，其动力学方程可转化为状态空间形式。能控性保证了我们可以通过各关节的电机力矩（u）精确控制所有关节的位置和速度（x）。极点配置则用于设计控制器，使机械臂末端能够快速、准确且平稳地跟踪预定轨迹。
首先，要明确“能控/能观”并不等同于“性能优良”。这是一个关于“原理上是否可控/可观”的二值判定。例如，即使系统能控，若通过极点配置将极点设在-1和-2，响应速度会很慢；若设在-10和-20，响应虽快但控制输入可能过大而无法实现。性能取决于增益设计。
其次，注意数值计算的局限性。本工具内部也会计算矩阵的秩，但当状态数增多或矩阵病态（ill-conditioned）时，即使数学上是满秩的，数值计算上也可能被判定为秩亏。例如，对于具有两个极其接近特征值的系统需要特别小心。在实际工程中，常通过观察能控性/能观性矩阵的奇异值来评估系统“在何种程度上”能控/能观（即可控/可观格拉姆矩阵）。
最后，模型维度与现实的偏差。输入工具的A、B、C矩阵是你所构想的“模型”的表示。如果它不能准确反映现实物理系统，那么即使在工具中设计完美，实际也可能无法良好运行。例如，忽略摩擦和齿隙的机器人手臂模型，在仿真中可能表现完美，但实物却可能产生振动。