Zum Inhalt springen
Zurück zu den Suchergebnissen

Linear Quadratic Regulator

Eingeführt von
Rudolf Kalman
Jahr
1960
Typ
algorithm
Familie
Optimal Control

Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen

Schriftgröße

Was leistet sie?

Der Linear Quadratic Regulator (LQR) ist ein klassischer Algorithmus der optimalen Regelung, der eine lineare Rückkopplungsstrategie berechnet, um eine quadratische Kostenfunktion für ein lineares dynamisches System zu minimieren.

Eingeführt von Kalman im Jahr 1960, liefert LQR eine beweisbar optimale, geschlossene Lösung für lineare Systeme und bleibt aufgrund seiner theoretischen Eleganz und rechnerischen Effizienz fundamental in der Regelungstechnik, Robotik und Luft- und Raumfahrt.

Die Intuition hinter der Methode

LQR löst das Problem, ein lineares System auf Null zu steuern (oder einer Referenz zu folgen), während sowohl die Abweichung vom gewünschten Zustand als auch der Aufwand (Größe des Steuereingriffs) bestraft werden. Die zentrale Erkenntnis ist, dass für lineare Systeme mit quadratischen Kosten die optimale Regelstrategie linear vom aktuellen Zustand abhängt: u = −Kx, wobei K die offline berechnete Rückkopplungsverstärkungsmatrix ist. Der Algorithmus löst zunächst eine zeitlich rückwärts gerichtete Riccati-Differentialgleichung (oder eine algebraische Riccati-Gleichung für den stationären Zustand), um die optimale Kosten-bis-zum-Ziel-Funktion zu finden, und leitet daraus dann die lineare Rückkopplungsverstärkung ab. Dies trennt die Offline-Berechnung der Verstärkungen von der Online-Regelung und ermöglicht eine extrem schnelle Echtzeitimplementierung.

Geschichte

Kalmans Arbeit von 1960 führte das Problem der linearen quadratischen optimalen Regelung und seine Lösung über die Riccati-Gleichung ein. Bryson und Ho erweiterten die Theorie in den späten 1960er Jahren und veröffentlichten 1969 das wegweisende Lehrbuch. Die diskrete Version wurde von Kalman und anderen in derselben Ära entwickelt und ermöglichte die digitale Implementierung. LQR ist seitdem zu einem Eckpfeiler der modernen Regelungstheorie geworden, mit Erweiterungen für stochastische Systeme (Linear Quadratic Gaussian, LQG) und Erweiterungen für nichtlineare Systeme (Differential Games, NMPC).

Wann wird sie eingesetzt?

Verwenden Sie LQR, wenn Ihr System linear ist (oder durch Linearisierung gut angenähert werden kann), wenn das Ziel die Zustandsfehler und den Steueraufwand natürlich kombiniert und wenn Sie eine beweisbar optimale Lösung mit schneller Berechnung benötigen. LQR eignet sich hervorragend für Probleme wie die Stabilisierung eines umgekehrten Pendels, die Regelung der Fluglage von Flugzeugen oder die Optimierung von Raumfahrzeugbahnen. Es ist weniger geeignet für Systeme mit harten Nebenbedingungen (verwenden Sie stattdessen MPC) oder stark nichtlinearen Dynamiken.

Grenzen und Hinweise

  • Beschränkt auf lineare Systeme; reale Systeme sind oft nichtlinear und erfordern eine Linearisierung.
  • Behandelt keine harten Nebenbedingungen für Zustand oder Eingang explizit; quadratische Strafen sind nur weiche Nebenbedingungen.
  • Das Design der Kostenfunktion (Auswahl von Q und R) erfordert Ingenieurwissen und Abstimmung.
  • Die Robustheitseigenschaften der Kalman-Verstärkung setzen ein genaues Modell voraus; Modellabweichungen verschlechtern die Leistung.

Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.

Stärken

  • Liefert die beweisbar optimale Rückkopplungsstrategie für lineare Systeme mit quadratischen Kosten.
  • Offline-Berechnung der Verstärkungen; die Online-Regelung ist lediglich eine Matrix-Vektor-Multiplikation (extrem schnell).
  • Garantien für Gewinn- und Phasenreserve; inhärente Robustheitseigenschaften (unendliche Gewinnreserve am Ausgang).
  • Einfach zu berechnen; viele numerische Algorithmen sind verfügbar (Schur-Zerlegung, Eigenwertverfahren).
  • Behandelt natürlich multivariable Systeme und entkoppelt das Regelungsdesign von Sensor- und Aktuator-Nebenbedingungen.

Anwendungen

  • Luft- und Raumfahrt: Lageregelung von Flugzeugen und Raumfahrzeugen, Bahnoptimierung für Mars-Rover und Mondlandefähren.
  • Robotik: Balancieren von zweibeinigen Gehern, Nachführung von Manipulatorarmen, Stabilisierung von Quadrocopter-Drohnen.
  • Fertigung: Bewegungsregelung von Präzisionsgeräten (CNC-Maschinen), Schwingungsdämpfung in mechanischen Systemen.
  • Energiesysteme: Stabilisierung von Stromnetzfrequenz und -spannung, Optimierung der Generatorregelung in Microgrids.
  • Automobil: Fahrwerksregelung, Traktionskontrolle und Lenkunterstützung in Fahrzeugen.

So funktioniert es

So funktioniert es

1

Definieren Sie die Dynamik des linearen Systems (Matrizen A, B), den Vorhersagehorizont und die quadratischen Kostenmatrizen (Q für den Zustand, R für den Eingang).

2

Lösen Sie die algebraische Riccati-Gleichung für kontinuierliche oder diskrete Zeit, um die symmetrische, positiv definite Lösungmatrix P zu erhalten.

3

Berechnen Sie die optimale Rückkopplungsverstärkungsmatrix K = R^(-1) * B^T * P unter Verwendung der Riccati-Lösung.

4

Wenden Sie die lineare Rückkopplungsstrategie u(t) = −K x(t) in jedem Regelungsschritt auf das System an.

Häufige Fallstricke

  • Die Linearisierung um ein instabiles Gleichgewicht oder eine zeitlich veränderliche Referenz kann die LQR-Lösung ungültig machen.
  • Die willkürliche Festlegung von Q- und R-Gewichtungen ohne Verständnis ihrer physikalischen Bedeutung führt zu schlechter Regelungsleistung.
  • Vergessen, dass LQR eine Offline-Berechnung ist; Änderungen an Q, R oder Systemparametern erfordern eine erneute Lösung der Riccati-Gleichung.

Häufig gestellte Fragen

Wie wähle ich die Q- und R-Gewichtungsmatrizen aus?

Ein systematischer Ansatz besteht darin, mit Q als Diagonalmatrix zu beginnen, wobei jeder Diagonaleintrag proportional zu 1/max_zulässiger_Zustand_i^2 ist, und R proportional zu 1/max_zulässiger_Eingang_i^2. Dann empirisch abstimmen: Q erhöhen, um die Zustandsregelung zu verschärfen, R erhöhen, um den Steueraufwand zu reduzieren. Kompromisse zwischen Überschwingen und Einschwingzeit ergeben sich, wenn Sie diese Gewichte anpassen.

Was ist die algebraische Riccati-Gleichung und warum ist sie wichtig?

Die algebraische Riccati-Gleichung (ARE) ist eine quadratische Matrixgleichung, die bei der Lösung des LQR-Problems mit unendlichem Horizont auftritt. Ihre Lösung P kodiert die optimale Kosten-bis-zum-Ziel von jedem Zustand aus. Die Lösung der ARE ist der rechnerische Engpass von LQR; moderne Algorithmen (z. B. über Schur-Zerlegung) erledigen dies in O(n^3) Zeit, wobei n die Zustandsdimension ist.

Kann LQR zeitvariable Systeme handhaben?

Ja, das zeitvariable LQR löst eine Differential-Riccati-Gleichung (DRE) rückwärts in der Zeit. Dies erfordert jedoch die Lösung einer ODE, was rechnerisch aufwendiger ist als der stationäre Fall. Zeitvariables LQR ist nützlich für die Bahnverfolgung oder für Systeme mit langsam variierenden Parametern.

Warum hat LQR garantierte Robustheitsmargen?

Die optimale Rückkopplungsstrategie von LQR garantiert eine unendliche Gewinnreserve (toleriert beliebige multiplikative Ausgangsfehler) und eine Phasenreserve von 50 % am Ausgang. Diese Stabilitätsmargen ergeben sich aus der Struktur der optimalen Lösung und müssen nicht separat überprüft werden, im Gegensatz zu PID- oder anderen heuristischen Reglern.

Verwandte Methoden

Quellen

  1. Kalman, R. E. (1960). Contributions to the theory of optimal control. Boletin de la Sociedad Matematica Mexicana, 5(2), 102-119.

    Publikationsreferenz öffnen
    Kopiert.
  2. Bryson, A. E., & Ho, Y. C. (1969). Applied Optimal Control: Optimization, Estimation and Control. Blaisdell Publishing.

    Publikationsreferenz öffnen
    Kopiert.
  3. Lewis, F. L., Vrabie, D., & Syrmos, V. L. (2012). Optimal Control (3rd ed.). John Wiley & Sons.

    DOI-Referenz öffnen
    Kopiert.