Regulador Lineal Cuadrático
- Propuesto por
- Rudolf Kalman
- Año
- 1960
- Tipo
- algorithm
- Familia
- Optimal Control
Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés
¿Qué hace?
El Regulador Lineal Cuadrático (LQR) es un algoritmo clásico de control óptimo que calcula una ley de retroalimentación lineal para minimizar una función de costo cuadrática para un sistema dinámico lineal. Introducido por Kalman en 1960, el LQR proporciona una solución de forma cerrada demostrablemente óptima para sistemas lineales y sigue siendo fundamental en la teoría de control, la robótica y las aplicaciones aeroespaciales debido a su elegancia teórica y eficiencia computacional.
La intuición detrás del método
El LQR resuelve el problema de llevar un sistema lineal a cero (o seguir una referencia) mientras penaliza tanto la desviación del estado deseado como el esfuerzo (magnitud de la entrada de control). La idea clave es que, para sistemas lineales con costos cuadráticos, la ley de control óptima es lineal en el estado actual: u = −Kx, donde K es la matriz de ganancia de retroalimentación calculada fuera de línea. El algoritmo primero resuelve una ecuación diferencial de Riccati hacia atrás en el tiempo (o una ecuación algebraica de Riccati para el estado estacionario) para encontrar la función de costo-a-llegar óptima, y luego deriva la ganancia de retroalimentación lineal. Esto separa el cálculo fuera de línea de las ganancias del control en línea, lo que permite una implementación en tiempo real extremadamente rápida.
Historia
El artículo de Kalman de 1960 introdujo el problema de Control Óptimo Lineal Cuadrático y su solución a través de la ecuación de Riccati. Bryson y Ho expandieron la teoría a fines de la década de 1960 y publicaron el libro de texto seminal en 1969. La versión en tiempo discreto fue desarrollada por Kalman y otros en la misma época, lo que permitió la implementación digital. Desde entonces, el LQR se ha convertido en fundamental en la teoría de control moderna, con extensiones a sistemas estocásticos (Gaussiano Lineal Cuadrático, LQG) y extensiones a sistemas no lineales (Juegos Diferenciales, NMPC).
Cuándo usarlo
Utilice LQR cuando su sistema sea lineal (o esté bien aproximado por linealización), cuando el objetivo combine naturalmente el error de estado y el esfuerzo de control, y cuando necesite una solución demostrablemente óptima con cálculo rápido. El LQR sobresale en problemas como la estabilización de un péndulo invertido, el control de la actitud de aeronaves o la optimización de trayectorias de naves espaciales. Es menos adecuado para sistemas con restricciones estrictas (use MPC en su lugar) o dinámicas fuertemente no lineales.
Limitaciones y consideraciones
- Restringido a sistemas lineales; los sistemas reales suelen ser no lineales y requieren linealización.
- No maneja explícitamente restricciones estrictas en el estado o la entrada; las penalizaciones cuadráticas son solo restricciones suaves.
- El diseño de la función de costo (elección de Q y R) requiere juicio de ingeniería y ajuste.
- Las propiedades de robustez de la ganancia de Kalman asumen que el modelo es preciso; la falta de coincidencia del modelo degrada el rendimiento.
Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.
Fortalezas
- Proporciona la ley de retroalimentación demostrablemente óptima para sistemas lineales con costo cuadrático.
- Cálculo de ganancias fuera de línea; el control en línea es solo una multiplicación matriz-vector (extremadamente rápido).
- Garantías de margen de ganancia y margen de fase; propiedades de robustez inherentes (margen de ganancia infinito en la salida).
- Fácil de calcular; muchos algoritmos numéricos disponibles (descomposición de Schur, métodos de valores propios).
- Maneja naturalmente sistemas multivariables y desacopla el diseño de control de las restricciones de sensores y actuadores.
Aplicaciones
- Aeroespacial: Control de actitud de aeronaves y naves espaciales, optimización de trayectorias para rovers de Marte y módulos de aterrizaje lunares.
- Robótica: Equilibrio de caminantes bípedos, seguimiento de trayectorias de brazos manipuladores, estabilización de drones cuadricópteros.
- Manufactura: Control de movimiento de equipos de precisión (máquinas CNC), amortiguación de vibraciones en sistemas mecánicos.
- Sistemas de energía: Estabilización de la frecuencia y el voltaje de la red eléctrica, optimización del control de generadores en microrredes.
- Automotriz: Control de suspensión, control de tracción y asistencia de dirección en vehículos.
Cómo funciona
Cómo funciona
Defina la dinámica del sistema lineal (matrices A, B), el horizonte de predicción y las matrices de costo cuadráticas (Q para el estado, R para la entrada).
Resuelva la ecuación algebraica de Riccati en tiempo continuo o discreto para obtener la matriz de solución P simétrica definida positiva.
Calcule la matriz de ganancia de retroalimentación óptima K = R^(-1) * B^T * P utilizando la solución de Riccati.
Aplique la ley de retroalimentación lineal u(t) = −K x(t) al sistema en cada paso de control.
Errores comunes
- La linealización alrededor de un equilibrio inestable o una referencia variable en el tiempo puede invalidar la solución LQR.
- Establecer los pesos Q y R arbitrariamente sin comprender su significado físico conduce a un rendimiento de control deficiente.
- Olvidar que LQR es un cálculo fuera de línea; los cambios en Q, R o los parámetros del sistema requieren volver a resolver la ecuación de Riccati.
Preguntas frecuentes
¿Cómo elijo las matrices de ponderación Q y R?
Un enfoque sistemático es comenzar con Q como una matriz diagonal donde cada entrada diagonal es proporcional a 1/max_allowed_state_i^2, y R proporcional a 1/max_allowed_input_i^2. Luego, ajuste empíricamente: aumente Q para ajustar la regulación del estado, aumente R para reducir el esfuerzo de control. Surgen compensaciones entre el sobreimpulso y el tiempo de establecimiento a medida que ajusta estos pesos.
¿Qué es la ecuación algebraica de Riccati y por qué es importante?
La ecuación algebraica de Riccati (ARE) es una ecuación cuadrática matricial que surge al resolver el problema LQR de horizonte infinito. Su solución P codifica el costo-a-llegar óptimo desde cualquier estado. Resolver la ARE es el cuello de botella computacional del LQR; los algoritmos modernos (por ejemplo, mediante la descomposición de Schur) hacen esto en tiempo O(n^3), donde n es la dimensión del estado.
¿Puede el LQR manejar sistemas que varían en el tiempo?
Sí, el LQR que varía en el tiempo resuelve una ecuación diferencial de Riccati (DRE) hacia atrás en el tiempo. Sin embargo, esto requiere resolver una EDO, lo cual es computacionalmente más costoso que el caso de estado estacionario. El LQR que varía en el tiempo es útil para el seguimiento de trayectorias o sistemas con parámetros que varían lentamente.
¿Por qué el LQR tiene márgenes de robustez garantizados?
La ley de retroalimentación óptima del LQR garantiza un margen de ganancia infinito (tolerar errores de salida multiplicativos arbitrarios) y un margen de fase del 50% en la salida. Estos márgenes de estabilidad provienen de la estructura de la solución óptima y no necesitan ser verificados por separado, a diferencia de los controladores PID u otros heurísticos.
Métodos relacionados
Fuentes
Kalman, R. E. (1960). Contributions to the theory of optimal control. Boletin de la Sociedad Matematica Mexicana, 5(2), 102-119.
Abrir referencia de la publicaciónCopiado.Bryson, A. E., & Ho, Y. C. (1969). Applied Optimal Control: Optimization, Estimation and Control. Blaisdell Publishing.
Abrir referencia de la publicaciónCopiado.Lewis, F. L., Vrabie, D., & Syrmos, V. L. (2012). Optimal Control (3rd ed.). John Wiley & Sons.
Abrir referencia DOICopiado.