التحكم الخطي التربيعي الغاوسي
- قدّمه
- Rudolf Kalman
- السنة
- 1960
- النوع
- algorithm
- العائلة
- Stochastic Control
هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية
ماذا تفعل؟
يجمع المتحكم الخطي التربيعي الغاوسي (LQG) بين المنظم الخطي التربيعي (LQR) ومرشح كالمان للتعامل مع الأنظمة العشوائية التي تحتوي على ضوضاء قياس وضوضاء عملية. وقد طوّره كالمان ثم قام أثانز وآخرون بصياغته لاحقًا، ويُعد LQG الامتداد العشوائي الطبيعي لـ LQR ويظل المعيار الذهبي للتحكم الخطي الأمثل تحت تأثير الضوضاء، مع تطبيقات تمتد لتشمل المركبات الفضائية، والطيار الآلي للطائرات، والتحكم في العمليات الصناعية.
الفكرة الحدسية وراء الطريقة
يحل LQG مشكلة التحكم في نظام خطي يتأثر بضوضاء غاوسية، حيث تتوفر قياسات جزئية وصاخبة فقط للحالة. ينقسم الحل إلى جزأين: مقدّر للحالة (مرشح كالمان) يعيد بناء الحالة من القياسات الصاخبة، ومتحكم أمثل (LQR) يعمل على الحالة المقدّرة. مبدأ الفصل هذا — حيث يتم حساب مرشح كالمان و LQR بشكل مستقل ثم دمجهما — أمرٌ لافت للنظر: الحل الأمثل لـ LQG هو ببساطة تطبيق كسب LQR على الحالة المقدّرة بواسطة كالمان. يتيح هذا التفكيك الأنيق تصميمًا وتحليلاً معياريين.
التاريخ
نشر كالمان خوارزمية الترشيح في عام 1960 ووسعها إلى مشكلة LQ العشوائية بعد ذلك بوقت قصير. قدم أثانز معالجة شاملة في عام 1971، حيث أسس مبدأ الفصل وخصائص المتانة. نشر كواكرناك وسيفان كتابًا دراسيًا نهائيًا في عام 1972 يغطي النظرية والتطبيقات. أدى إدخال مرشح كالمان الموسع (EKF) بواسطة بوسي وآخرين في منتصف الستينيات إلى توسيع LQG ليشمل الأنظمة غير الخطية. يظل LQG محوريًا في نظرية التحكم الحديثة وقد ألهم طرقًا ذات صلة مثل التحكم H-infinity والتحكم القوي.
متى تُستخدم
استخدم LQG عندما يكون لديك نظام خطي يخضع لضوضاء عملية وقياس غاوسية، وعندما يكون قياس الحالة الكاملة غير متاح أو مكلف، وعندما تحتاج إلى تحكم أمثل في ظل عدم اليقين. يُعد LQG مثاليًا لتطبيقات مثل التحكم في اتجاه المركبات الفضائية، وأنظمة الملاحة بالقصور الذاتي، والأنظمة الصناعية ذات الاضطرابات غير المؤكدة. تجنب LQG إذا كان النظام غير خطي بقوة (استخدم متغيرات مرشح كالمان الموسع أو غير الموجه)، أو إذا كانت الضوضاء غير غاوسية، أو إذا وصلت القياسات على فترات غير منتظمة.
الحدود والاعتبارات
- يفترض ضوضاء غاوسية؛ غالبًا ما تكون الاضطرابات الحقيقية غير غاوسية مع قيم شاذة أو توزيعات متعددة الأنماط.
- يتطلب معرفة دقيقة بتغايرات ضوضاء العملية والقياس (Q, R)؛ تؤدي إحصائيات الضوضاء المحددة بشكل خاطئ إلى تدهور الأداء.
- افتراض خطي؛ تتطلب الأنظمة غير الخطية تقريبات (EKF, UKF) تفقد ضمانات الأمثلية.
- يفترض قياسات خطية؛ تتطلب علاقات القياس غير الخطية متغيرات موسعة أو غير موجهة.
- لا يمكنه التعامل مع القيود الصارمة؛ فقط العقوبات التربيعية المرنة.
لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.
نقاط القوة
- مثالي بشكل مثبت للأنظمة الخطية ذات الضوضاء الغاوسية؛ يقلل التكلفة التربيعية المتوقعة.
- مبدأ الفصل: يمكن تصميم مرشح كالمان و LQR بشكل مستقل، مما يبسط التحليل وتصحيح الأخطاء.
- يوفر كلاً من تقدير الحالة الأمثل والتحكم بالتغذية الراجعة الأمثل في إطار موحد.
- خصائص المتانة الموروثة من كل من مرشح كالمان (رفض الضوضاء) و LQR (هوامش الاستقرار).
- قابلية التنفيذ في الوقت الفعلي؛ تحديث مرشح كالمان وتطبيق كسب LQR هما O(n^3) و O(n^2) على التوالي.
التطبيقات
- الفضاء الجوي: تقدير والتحكم في اتجاه المركبات الفضائية، أنظمة الملاحة بالقصور الذاتي، تصميم الطيار الآلي للطائرات.
- الروبوتات: دمج المستشعرات في الروبوتات المتنقلة، SLAM (التحديد المتزامن للموقع ورسم الخرائط) مع ضوضاء القياس.
- السيارات: دمج عداد المسافات مع نظام تحديد المواقع العالمي (GPS)، التحكم في المحرك، التخميد التكيفي للتعليق.
- أنظمة الطاقة: التحكم في تردد الحمل، تقدير الحالة في الشبكات الذكية باستخدام بيانات وحدات قياس الطور (PMU).
- العمليات الكيميائية: التحكم في درجة حرارة المفاعل وتكوينه، تحسين عمود التقطير تحت ضوضاء القياس.
كيف يعمل
كيف يعمل
تشغيل مرشح كالمان لتقدير حالة النظام بشكل متكرر من القياسات الصاخبة باستخدام نموذج النظام وتغايرات الضوضاء.
حساب كسب التغذية الراجعة الأمثل لـ LQR باستخدام ديناميكيات النظام ومصفوفات التكلفة التربيعية.
عند كل وقت أخذ عينات، قم بقياس المخرجات الصاخبة وتحديث تقدير مرشح كالمان.
تطبيق مدخل التحكم u = −K * x_hat (حيث x_hat هي الحالة المقدّرة) والتكرار مع قياسات جديدة.
الأخطاء الشائعة
- ضبط تغايرات الضوضاء Q و R عن طريق التجربة والخطأ بدلاً من تقديرها من البيانات؛ يؤدي هذا إلى ترشيح دون المستوى الأمثل أو تضخيم مفرط للضوضاء.
- تجاهل مبدأ الفصل ومحاولة تحسين التقدير والتحكم بشكل مشترك، مما يؤدي إلى تعقيد غير ضروري.
- تهيئة تقدير حالة مرشح كالمان بشكل غير صحيح؛ يمكن أن تبطئ الظروف الأولية السيئة التقارب.
- افتراض أن النظام قابل للملاحظة والتحكم دون التحقق؛ إذا لم يكن كذلك، فقد يكون مرشح كالمان أو LQR غير مستقر.
الأسئلة الشائعة
ما هو مبدأ الفصل ولماذا هو مهم جدًا؟
ينص مبدأ الفصل على أنه بالنسبة لـ LQG، يمكن تصميم مقدّر الحالة الأمثل (مرشح كالمان) والمتحكم الأمثل (LQR) بشكل مستقل، وأن دمجهما هو الأمثل. هذا يعني أنه يمكنك أولاً تصميم مرشح كالمان متجاهلاً التحكم، ثم تصميم متحكم LQR متجاهلاً الضوضاء، وتطبيق كليهما معًا دون فقدان الأمثلية. هذا يبسط التصميم ويمكّن من تطوير نظام معياري.
كيف أقدر تغاير ضوضاء العملية Q وتغاير ضوضاء القياس R؟
النهج الأكثر مبدئية هو تقدير Q و R من البيانات باستخدام طرق الاحتمالية القصوى أو مطابقة التغاير. بدلاً من ذلك، ابدأ بتقديرات تقريبية بناءً على مواصفات المستشعر ومقادير الاضطراب، ثم اضبطها تجريبيًا عن طريق مراقبة بقايا المرشح (يجب أن تكون بيضاء وغير مترابطة). إذا كانت البقايا مترابطة، قم بزيادة Q أو R؛ إذا تباعد المرشح، قم بتقليلهما.
ماذا يحدث إذا كان نظامي غير خطي؟
بالنسبة للأنظمة غير الخطية بشكل معتدل، قم بالخطية حول المسار الاسمي واستخدم مرشح كالمان الموسع (EKF) جنبًا إلى جنب مع LQR المصمم للنظام الخطي. بالنسبة للأنظمة غير الخطية بقوة، ضع في اعتبارك مرشح كالمان غير الموجه (UKF) أو مرشحات الجسيمات، على الرغم من أن هذه تفقد ضمان الأمثلية. التحكم التنبئي بالنموذج مع النماذج غير الخطية هو بديل آخر.
هل يمكنني استخدام LQG مع الأنظمة المتغيرة بمرور الوقت؟
نعم، يحتوي كل من مرشح كالمان و LQR على متغيرات تتغير بمرور الوقت. يحل مرشح كالمان المتغير بمرور الوقت معادلة ريكاتي عكسيًا في الوقت من تكلفة نهائية. يحل LQR المتغير بمرور الوقت معادلة ريكاتي عكسيًا في الوقت أيضًا. كلاهما أكثر تكلفة حسابيًا من الإصدارات ذات الحالة المستقرة ولكنهما يمكّنان من التعامل مع تتبع المسار والديناميكيات المتغيرة ببطء بمرور الوقت.
طرق ذات صلة
المصادر
Kalman, R. E. (1960). A new approach to linear filtering and prediction problems. Journal of Basic Engineering, 82(1), 35-45.
افتح مرجع DOIتم النسخ.Athans, M. (1971). The role and use of the stochastic linear-quadratic-gaussian problem in control system design. IEEE Transactions on Automatic Control, 16(6), 529-552.
افتح مرجع DOIتم النسخ.Kwakernaak, H., & Sivan, R. (1972). Linear Optimal Control Systems. Wiley-Interscience.
افتح مرجع المنشورتم النسخ.