Linear Quadratic Gaussian
- Eingeführt von
- Rudolf Kalman
- Jahr
- 1960
- Typ
- algorithm
- Familie
- Stochastic Control
Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen
Was leistet sie?
Der Linear Quadratic Gaussian (LQG) Regler kombiniert den Linear Quadratic Regulator (LQR) mit einem Kalman-Filter, um stochastische Systeme mit Messrauschen und Prozessrauschen zu behandeln.
LQG, entwickelt von Kalman und später von Athans und anderen formalisiert, ist die natürliche stochastische Erweiterung von LQR und bleibt der Goldstandard für optimale lineare Regelung unter Rauschen, mit Anwendungen, die von Raumfahrzeugen, Flugzeugautopiloten bis hin zur industriellen Prozesssteuerung reichen.
Die Intuition hinter der Methode
LQG löst das Problem der Regelung eines linearen Systems, das durch Gaußsches Rauschen korrumpiert ist, wobei nur partielle und verrauschte Messungen des Zustands verfügbar sind. Die Lösung teilt sich in zwei Teile: einen Zustandsschätzer (Kalman-Filter), der den Zustand aus verrauschten Messungen rekonstruiert, und einen optimalen Regler (LQR), der auf dem geschätzten Zustand agiert. Dieses Trennungsprinzip – der Kalman-Filter und LQR werden unabhängig voneinander berechnet und dann kombiniert – ist bemerkenswert: Die optimale LQG-Lösung besteht einfach darin, die LQR-Verstärkung auf den Kalman-geschätzten Zustand anzuwenden. Diese elegante Zerlegung ermöglicht modulare Konstruktion und Analyse.
Geschichte
Kalman veröffentlichte den Filteralgorithmus 1960 und erweiterte ihn kurz darauf auf das stochastische LQ-Problem. Athans lieferte 1971 eine umfassende Behandlung, die das Trennungsprinzip und die Robustheitseigenschaften etablierte. Kwakernaak und Sivan veröffentlichten 1972 ein maßgebliches Lehrbuch, das sowohl Theorie als auch Anwendungen abdeckte. Die Einführung des Extended Kalman Filter (EKF) durch Bucy und andere Mitte der 1960er Jahre erweiterte LQG auf nichtlineare Systeme. LQG bleibt zentral für die moderne Regelungstheorie und hat verwandte Methoden wie H-Infinity-Regelung und robuste Regelung inspiriert.
Wann wird sie eingesetzt?
Verwenden Sie LQG, wenn Sie ein lineares System mit Gaußschem Prozess- und Messrauschen haben, wenn die vollständige Zustandsmessung nicht verfügbar oder teuer ist und wenn Sie eine optimale Regelung unter Unsicherheit benötigen. LQG ist ideal für Anwendungen wie die Lageregelung von Raumfahrzeugen, die Trägheitsnavigation und industrielle Systeme mit unsicheren Störungen. Vermeiden Sie LQG, wenn das System stark nichtlinear ist (verwenden Sie erweiterte oder unscented Kalman-Filter-Varianten), wenn das Rauschen nicht-Gaußsch ist oder wenn Messungen in unregelmäßigen Abständen eintreffen.
Grenzen und Hinweise
- Nimmt Gaußsches Rauschen an; reale Störungen sind oft nicht-Gaußsch mit Ausreißern oder multimodalen Verteilungen.
- Erfordert genaue Kenntnis der Prozess- und Messrauschkovarianzen (Q, R); falsch spezifizierte Rauschstatistiken verschlechtern die Leistung.
- Lineare Annahme; nichtlineare Systeme erfordern Näherungen (EKF, UKF), die Optimalitätsgarantien verlieren.
- Nimmt lineare Messungen an; nichtlineare Messungsbeziehungen erfordern erweiterte oder unscented Varianten.
- Kann keine harten Nebenbedingungen handhaben; nur weiche quadratische Strafen.
Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.
Stärken
- Beweislich optimal für lineare Systeme mit Gaußschem Rauschen; minimiert die erwarteten quadratischen Kosten.
- Trennungsprinzip: Kalman-Filter und LQR können unabhängig voneinander entworfen werden, was die Analyse und Fehlersuche vereinfacht.
- Bietet sowohl optimale Zustandsschätzung als auch optimale Feedback-Regelung in einem einheitlichen Rahmen.
- Robustheitseigenschaften, die sowohl vom Kalman-Filter (Rauschunterdrückung) als auch von LQR (Stabilitätsmargen) geerbt wurden.
- Echtzeitimplementierung machbar; sowohl die Kalman-Filter-Aktualisierung als auch die LQR-Verstärkungsanwendung sind O(n^3) bzw. O(n^2).
Anwendungen
- Luft- und Raumfahrt: Schätzung und Regelung der Raumfahrzeuglage, Trägheitsnavigationssysteme, Autopilot-Design für Flugzeuge.
- Robotik: Sensorfusion in mobilen Robotern, SLAM (Simultaneous Localization and Mapping) mit Messrauschen.
- Automobil: Odometriefusion mit GPS, Motorsteuerung, adaptive Dämpfung der Federung.
- Energiesysteme: Lastfrequenzregelung, Zustandsschätzung in Smart Grids mit PMU (Phasor Measurement Unit)-Daten.
- Chemische Prozesse: Regelung von Reaktortemperatur und -zusammensetzung, Optimierung von Destillationskolonnen unter Messrauschen.
So funktioniert es
So funktioniert es
Führen Sie einen Kalman-Filter aus, um den Systemzustand rekursiv aus verrauschten Messungen unter Verwendung des Systemmodells und der Rauschkovarianzen zu schätzen.
Berechnen Sie die optimale LQR-Feedback-Verstärkung unter Verwendung der Systemdynamik und der quadratischen Kostenmatrizen.
Aktualisieren Sie zu jedem Abtastzeitpunkt die Kalman-Filter-Schätzung anhand der verrauschten Ausgangsmessung.
Wenden Sie den Steuereingang u = −K * x_hat (wobei x_hat der geschätzte Zustand ist) an und wiederholen Sie den Vorgang mit neuen Messungen.
Häufige Fallstricke
- Abstimmung der Rauschkovarianzen Q und R durch Versuch und Irrtum anstatt Schätzung aus Daten; dies führt zu sub-optimaler Filterung oder übermäßiger Rauschverstärkung.
- Ignorieren des Trennungsprinzips und Versuch, Schätzung und Regelung gemeinsam zu optimieren, was zu unnötiger Komplexität führt.
- Falsche Initialisierung der Kalman-Filter-Zustandsschätzung; schlechte Anfangsbedingungen können die Konvergenz verlangsamen.
- Annahme, dass das System beobachtbar und steuerbar ist, ohne dies zu überprüfen; andernfalls können der Kalman-Filter oder LQR instabil sein.
Häufig gestellte Fragen
Was ist das Trennungsprinzip und warum ist es so wichtig?
Das Trennungsprinzip besagt, dass für LQG der optimale Zustandsschätzer (Kalman-Filter) und der optimale Regler (LQR) unabhängig voneinander entworfen werden können und ihre Kombination optimal ist. Das bedeutet, Sie können zuerst einen Kalman-Filter ohne Berücksichtigung der Regelung entwerfen, dann einen LQR-Regler ohne Berücksichtigung des Rauschens entwerfen und beide zusammen ohne Verlust der Optimalität anwenden. Dies vereinfacht das Design und ermöglicht die modulare Systementwicklung.
Wie schätze ich die Prozessrauschkovarianz Q und die Messrauschkovarianz R?
Der prinzipientreueste Ansatz ist die Schätzung von Q und R aus Daten mittels Maximum-Likelihood- oder Kovarianz-Matching-Methoden. Alternativ können Sie mit groben Schätzungen basierend auf Sensordatenblättern und Störungsgrößen beginnen und dann empirisch durch Überwachung der Filterreste (sie sollten weiß und unkorreliert sein) abstimmen. Wenn die Reste korreliert sind, erhöhen Sie Q oder R; wenn der Filter divergiert, reduzieren Sie sie.
Was passiert, wenn mein System nichtlinear ist?
Für leicht nichtlineare Systeme linearisieren Sie um die nominale Trajektorie und verwenden den Extended Kalman Filter (EKF), kombiniert mit einem LQR, der für das linearisierte System entworfen wurde. Für stark nichtlineare Systeme sollten Sie den Unscented Kalman Filter (UKF) oder Partikelfilter in Betracht ziehen, obwohl diese die Optimalitätsgarantie verlieren. Model Predictive Control mit nichtlinearen Modellen ist eine weitere Alternative.
Kann ich LQG mit zeitvarianten Systemen verwenden?
Ja, sowohl der Kalman-Filter als auch LQR haben zeitvariante Varianten. Der zeitvariante Kalman-Filter löst eine Riccati-Gleichung rückwärts in der Zeit von einer Endkostenfunktion. Der zeitvariante LQR löst ebenfalls eine Riccati-Gleichung rückwärts in der Zeit. Beide sind rechenintensiver als die stationären Versionen, ermöglichen aber die Handhabung von Trajektorienverfolgung und langsam zeitvarianten Dynamiken.
Verwandte Methoden
Quellen
Kalman, R. E. (1960). A new approach to linear filtering and prediction problems. Journal of Basic Engineering, 82(1), 35-45.
DOI-Referenz öffnenKopiert.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.
DOI-Referenz öffnenKopiert.Kwakernaak, H., & Sivan, R. (1972). Linear Optimal Control Systems. Wiley-Interscience.
Publikationsreferenz öffnenKopiert.