Gaussiano Lineal Cuadrático
- Propuesto por
- Rudolf Kalman
- Año
- 1960
- Tipo
- algorithm
- Familia
- Stochastic Control
Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés
¿Qué hace?
El controlador Gaussiano Lineal Cuadrático (LQG) combina el Regulador Lineal Cuadrático (LQR) con un Filtro de Kalman para manejar sistemas estocásticos con ruido de medición y ruido de proceso.
Desarrollado por Kalman y posteriormente formalizado por Athans y otros, el LQG es la extensión estocástica natural del LQR y sigue siendo el estándar de oro para el control lineal óptimo bajo ruido, con aplicaciones que abarcan naves espaciales, pilotos automáticos de aeronaves y control de procesos industriales.
La intuición detrás del método
El LQG resuelve el problema de controlar un sistema lineal que está corrompido por ruido Gaussiano, donde solo se dispone de mediciones parciales y ruidosas del estado. La solución se divide en dos partes: un estimador de estado (Filtro de Kalman) que reconstruye el estado a partir de mediciones ruidosas, y un controlador óptimo (LQR) que actúa sobre el estado estimado. Este principio de separación —el Filtro de Kalman y el LQR se calculan de forma independiente y luego se combinan— es notable: la solución óptima LQG es simplemente aplicar la ganancia LQR al estado estimado por Kalman. Esta elegante descomposición permite un diseño y análisis modulares.
Historia
Kalman publicó el algoritmo de filtrado en 1960 y lo extendió al problema estocástico LQ poco después. Athans proporcionó un tratamiento exhaustivo en 1971, estableciendo el principio de separación y las propiedades de robustez. Kwakernaak y Sivan publicaron un libro de texto definitivo en 1972 que cubría tanto la teoría como las aplicaciones. La introducción del Filtro de Kalman Extendido (EKF) por Bucy y otros a mediados de la década de 1960 extendió el LQG a sistemas no lineales. El LQG sigue siendo central en la teoría de control moderna y ha inspirado métodos relacionados como el control H-infinito y el control robusto.
Cuándo usarlo
Utilice LQG cuando tenga un sistema lineal sujeto a ruido de proceso y de medición Gaussiano, cuando la medición completa del estado no esté disponible o sea costosa, y cuando necesite control óptimo bajo incertidumbre. LQG es ideal para aplicaciones como el control de actitud de naves espaciales, la navegación inercial y sistemas industriales con perturbaciones inciertas. Evite LQG si el sistema es fuertemente no lineal (use variantes de filtro de Kalman extendido o sin perfume), si el ruido no es Gaussiano, o si las mediciones llegan a intervalos irregulares.
Limitaciones y consideraciones
- Asume ruido Gaussiano; las perturbaciones reales a menudo no son Gaussianas con valores atípicos o distribuciones multimodales.
- Requiere conocimiento preciso de las covarianzas de ruido de proceso y de medición (Q, R); las estadísticas de ruido mal especificadas degradan el rendimiento.
- Supuesto lineal; los sistemas no lineales requieren aproximaciones (EKF, UKF) que pierden las garantías de optimalidad.
- Asume mediciones lineales; las relaciones de medición no lineales requieren variantes extendidas o sin perfume.
- No puede manejar restricciones duras; solo penalizaciones cuadráticas suaves.
Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.
Fortalezas
- Provablemente óptimo para sistemas lineales con ruido Gaussiano; minimiza el costo cuadrático esperado.
- Principio de separación: el Filtro de Kalman y el LQR pueden diseñarse de forma independiente, simplificando el análisis y la depuración.
- Proporciona tanto estimación de estado óptima como control de retroalimentación óptimo en un marco unificado.
- Propiedades de robustez heredadas tanto del Filtro de Kalman (rechazo de ruido) como del LQR (márgenes de estabilidad).
- Implementación en tiempo real factible; tanto la actualización del filtro de Kalman como la aplicación de la ganancia LQR son O(n^3) y O(n^2) respectivamente.
Aplicaciones
- Aeroespacial: Estimación y control de actitud de naves espaciales, sistemas de navegación inercial, diseño de piloto automático para aeronaves.
- Robótica: Fusión de sensores en robots móviles, SLAM (Localización y Mapeo Simultáneos) con ruido de medición.
- Automotriz: Fusión de odometría con GPS, control de motor, amortiguación adaptativa de suspensión.
- Sistemas de energía: Control de frecuencia de carga, estimación de estado en redes inteligentes con datos de PMU (unidad de medición fasorial).
- Procesos químicos: Control de temperatura y composición de reactores, optimización de columnas de destilación bajo ruido de medición.
Cómo funciona
Cómo funciona
Ejecutar un Filtro de Kalman para estimar recursivamente el estado del sistema a partir de mediciones ruidosas utilizando el modelo del sistema y las covarianzas de ruido.
Calcular la ganancia de retroalimentación LQR óptima utilizando la dinámica del sistema y las matrices de costo cuadrático.
En cada instante de muestreo, medir la salida ruidosa y actualizar la estimación del Filtro de Kalman.
Aplicar la entrada de control u = −K * x_hat (donde x_hat es el estado estimado) y repetir con nuevas mediciones.
Errores comunes
- Ajuste de las covarianzas de ruido Q y R por prueba y error en lugar de estimarlas a partir de datos; esto conduce a un filtrado subóptimo o a una amplificación excesiva del ruido.
- Ignorar el principio de separación e intentar optimizar conjuntamente la estimación y el control, lo que lleva a una complejidad innecesaria.
- Inicializar incorrectamente la estimación del estado del Filtro de Kalman; las malas condiciones iniciales pueden ralentizar la convergencia.
- Asumir que el sistema es observable y controlable sin verificar; si no es así, el Filtro de Kalman o el LQR pueden ser inestables.
Preguntas frecuentes
¿Qué es el principio de separación y por qué es tan importante?
El principio de separación establece que para LQG, el estimador de estado óptimo (Filtro de Kalman) y el controlador óptimo (LQR) pueden diseñarse de forma independiente, y su combinación es óptima. Esto significa que primero puede diseñar un Filtro de Kalman ignorando el control, luego diseñar un controlador LQR ignorando el ruido, y aplicar ambos juntos sin pérdida de optimalidad. Esto simplifica el diseño y permite el desarrollo modular del sistema.
¿Cómo estimo la covarianza de ruido de proceso Q y la covarianza de ruido de medición R?
El enfoque más riguroso es estimar Q y R a partir de datos utilizando métodos de máxima verosimilitud o de coincidencia de covarianza. Alternativamente, comience con estimaciones aproximadas basadas en especificaciones de sensores y magnitudes de perturbación, luego ajuste empíricamente monitoreando los residuos del filtro (deberían ser blancos y no correlacionados). Si los residuos están correlacionados, aumente Q o R; si el filtro diverge, redúzcalos.
¿Qué sucede si mi sistema es no lineal?
Para sistemas débilmente no lineales, linealice alrededor de la trayectoria nominal y utilice el Filtro de Kalman Extendido (EKF) combinado con LQR diseñado para el sistema linealizado. Para sistemas fuertemente no lineales, considere el Filtro de Kalman Sin Perfume (UKF) o filtros de partículas, aunque estos pierden la garantía de optimalidad. El Control Predictivo Basado en Modelo con modelos no lineales es otra alternativa.
¿Puedo usar LQG con sistemas variantes en el tiempo?
Sí, el Filtro de Kalman y el LQR tienen variantes variantes en el tiempo. El Filtro de Kalman variante en el tiempo resuelve una ecuación de Riccati hacia atrás en el tiempo desde un costo terminal. El LQR variante en el tiempo también resuelve una ecuación de Riccati hacia atrás en el tiempo. Ambos son computacionalmente más costosos que las versiones de estado estacionario, pero permiten el manejo del seguimiento de trayectorias y dinámicas lentamente variantes en el tiempo.
Métodos relacionados
Fuentes
Kalman, R. E. (1960). A new approach to linear filtering and prediction problems. Journal of Basic Engineering, 82(1), 35-45.
Abrir referencia DOICopiado.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.
Abrir referencia DOICopiado.Kwakernaak, H., & Sivan, R. (1972). Linear Optimal Control Systems. Wiley-Interscience.
Abrir referencia de la publicaciónCopiado.