لگاریتمی-نمایی گاوسی
- معرفیشده توسط
- Rudolf Kalman
- سال
- 1960
- نوع
- algorithm
- خانواده
- Stochastic Control
این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید
چه کاری انجام میدهد؟
کنترلکننده لگاریتمی-نمایی گاوسی (LQG) رگولاتور لگاریتمی-نمایی خطی (LQR) را با یک فیلتر کالمن ترکیب میکند تا سیستمهای تصادفی با نویز اندازهگیری و نویز فرآیند را مدیریت کند.
LQG که توسط کالمن توسعه یافته و بعدها توسط آتانز و دیگران فرموله شد، بسط طبیعی تصادفی LQR است و استاندارد طلایی برای کنترل خطی بهینه تحت نویز باقی میماند و کاربردهایی در فضاپیماها، خلبان خودکار هواپیماها و کنترل فرآیندهای صنعتی دارد.
شهود پشت روش
LQG مسئله کنترل یک سیستم خطی را که توسط نویز گاوسی آلوده شده است، حل میکند، جایی که تنها اندازهگیریهای جزئی و نویزی از حالت در دسترس هستند. راه حل به دو بخش تقسیم میشود: یک تخمینگر حالت (فیلتر کالمن) که حالت را از اندازهگیریهای نویزی بازسازی میکند، و یک کنترلکننده بهینه (LQR) که بر اساس حالت تخمینزده عمل میکند. این اصل جداسازی — فیلتر کالمن و LQR به طور مستقل محاسبه شده، سپس ترکیب میشوند — قابل توجه است: راه حل بهینه LQG صرفاً اعمال بهره LQR به حالت تخمینزده شده توسط کالمن است. این تجزیه زیبا امکان طراحی و تحلیل مدولار را فراهم میکند.
تاریخ
کالمن الگوریتم فیلترینگ را در سال ۱۹۶۰ منتشر کرد و اندکی پس از آن آن را به مسئله تصادفی LQ گسترش داد. آتانز در سال ۱۹۷۱ به طور جامع به آن پرداخت و اصل جداسازی و ویژگیهای استحکام را تثبیت کرد. کوآکرناک و سیوان در سال ۱۹۷۲ کتاب درسی قطعی را منتشر کردند که هر دو نظریه و کاربردها را پوشش میداد. معرفی فیلتر کالمن توسعهیافته (EKF) توسط باسی و دیگران در اواسط دهه ۱۹۶۰، LQG را به سیستمهای غیرخطی گسترش داد. LQG همچنان در تئوری کنترل مدرن مرکزی است و الهامبخش روشهای مرتبط مانند کنترل H-infinity و کنترل استحکام بوده است.
چه زمانی استفاده شود
هنگامی که یک سیستم خطی تحت نویز فرآیند و اندازهگیری گاوسی دارید، زمانی که اندازهگیری کامل حالت در دسترس نیست یا گران است، و زمانی که به کنترل بهینه تحت عدم قطعیت نیاز دارید، از LQG استفاده کنید. LQG برای کاربردهایی مانند کنترل وضعیت فضاپیما، ناوبری اینرسیایی و سیستمهای صنعتی با اختلالات نامشخص ایدهآل است. اگر سیستم به شدت غیرخطی است (از انواع فیلتر کالمن توسعهیافته یا بدون بو استفاده کنید)، اگر نویز غیرگاوسی است، یا اگر اندازهگیریها در فواصل نامنظم میرسند، از LQG اجتناب کنید.
محدودیتها و ملاحظات
- فرض میکند نویز گاوسی است؛ اختلالات واقعی اغلب غیرگاوسی با مقادیر پرت یا توزیعهای چندوجهی هستند.
- نیاز به دانش دقیق کوواریانسهای نویز فرآیند و اندازهگیری (Q, R) دارد؛ آمار نویز نادرست عملکرد را کاهش میدهد.
- فرض خطی بودن؛ سیستمهای غیرخطی نیاز به تقریبهایی (EKF, UKF) دارند که تضمینهای بهینگی را از دست میدهند.
- اندازهگیریهای خطی را فرض میکند؛ روابط اندازهگیری غیرخطی نیاز به انواع توسعهیافته یا بدون بو دارند.
- نمیتواند محدودیتهای سخت را مدیریت کند؛ فقط جریمههای درجه دوم نرم.
شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.
نقاط قوت
- برای سیستمهای خطی با نویز گاوسی به طور اثباتشده بهینه است؛ هزینه درجه دوم مورد انتظار را حداقل میکند.
- اصل جداسازی: فیلتر کالمن و LQR میتوانند به طور مستقل طراحی شوند، که تحلیل و اشکالزدایی را ساده میکند.
- هم تخمین حالت بهینه و هم کنترل بازخورد بهینه را در یک چارچوب یکپارچه فراهم میکند.
- ویژگیهای استحکام که از هر دو فیلتر کالمن (رد نویز) و LQR (حاشیههای پایداری) به ارث رسیده است.
- پیادهسازی بلادرنگ امکانپذیر است؛ هر دو بهروزرسانی فیلتر کالمن و اعمال بهره LQR به ترتیب O(n^3) و O(n^2) هستند.
کاربردها
- هوافضا: تخمین و کنترل وضعیت فضاپیما، سیستمهای ناوبری اینرسیایی، طراحی خلبان خودکار برای هواپیماها.
- رباتیک: ادغام حسگر در رباتهای متحرک، SLAM (مکانیابی و نقشهبرداری همزمان) با نویز اندازهگیری.
- خودرو: ادغام اودومتری با GPS، کنترل موتور، میراگری تعلیق تطبیقی.
- سیستمهای قدرت: کنترل فرکانس بار، تخمین حالت در شبکههای هوشمند با دادههای PMU (واحد اندازهگیری فازور).
- فرآیندهای شیمیایی: کنترل دما و ترکیب راکتور، بهینهسازی ستون تقطیر تحت نویز اندازهگیری.
چگونه کار میکند
چگونه کار میکند
یک فیلتر کالمن را برای تخمین بازگشتی حالت سیستم از اندازهگیریهای نویزی با استفاده از مدل سیستم و کوواریانسهای نویز اجرا کنید.
بهره بازخورد LQR بهینه را با استفاده از دینامیک سیستم و ماتریسهای هزینه درجه دوم محاسبه کنید.
در هر زمان نمونهبرداری، خروجی نویزی را اندازهگیری کرده و تخمین فیلتر کالمن را بهروز کنید.
ورودی کنترل u = −K * x_hat (که در آن x_hat حالت تخمینزده شده است) را اعمال کرده و با اندازهگیریهای جدید تکرار کنید.
دامهای رایج
- تنظیم کوواریانسهای نویز Q و R با آزمون و خطا به جای تخمین آنها از دادهها؛ این منجر به فیلتر کردن نامطلوب یا تقویت بیش از حد نویز میشود.
- نادیده گرفتن اصل جداسازی و تلاش برای بهینهسازی مشترک تخمین و کنترل، منجر به پیچیدگی غیرضروری میشود.
- مقدار اولیه تخمین حالت فیلتر کالمن به اشتباه؛ شرایط اولیه ضعیف میتواند همگرایی را کند کند.
- فرض اینکه سیستم قابل مشاهده و کنترلپذیر است بدون تأیید؛ اگر اینطور نباشد، فیلتر کالمن یا LQR ممکن است ناپایدار باشند.
پرسشهای متداول
اصل جداسازی چیست و چرا اینقدر مهم است؟
اصل جداسازی بیان میکند که برای LQG، تخمینگر حالت بهینه (فیلتر کالمن) و کنترلکننده بهینه (LQR) میتوانند به طور مستقل طراحی شوند و ترکیب آنها بهینه است. این بدان معناست که شما میتوانید ابتدا یک فیلتر کالمن را با نادیده گرفتن کنترل طراحی کنید، سپس یک کنترلکننده LQR را با نادیده گرفتن نویز طراحی کنید و هر دو را بدون از دست دادن بهینگی با هم اعمال کنید. این طراحی را ساده کرده و توسعه مدولار سیستم را امکانپذیر میسازد.
چگونه کوواریانس نویز فرآیند Q و کوواریانس نویز اندازهگیری R را تخمین بزنم؟
اصولیترین رویکرد، تخمین Q و R از دادهها با استفاده از روشهای حداکثر درستنمایی یا تطابق کوواریانس است. به طور جایگزین، با تخمینهای تقریبی بر اساس مشخصات حسگر و بزرگی اختلالات شروع کنید، سپس با نظارت بر باقیماندههای فیلتر (باید سفید و بدون همبستگی باشند) به صورت تجربی تنظیم کنید. اگر باقیماندهها همبسته هستند، Q یا R را افزایش دهید؛ اگر فیلتر واگرا شد، آنها را کاهش دهید.
اگر سیستم من غیرخطی باشد چه اتفاقی میافتد؟
برای سیستمهای به شدت غیرخطی، در اطراف مسیر اسمی خطیسازی کرده و از فیلتر کالمن توسعهیافته (EKF) همراه با LQR طراحی شده برای سیستم خطی شده استفاده کنید. برای سیستمهای به شدت غیرخطی، فیلتر کالمن بدون بو (UKF) یا فیلترهای ذرهای را در نظر بگیرید، اگرچه اینها تضمین بهینگی را از دست میدهند. کنترل پیشبین مدل با مدلهای غیرخطی جایگزین دیگری است.
آیا میتوانم از LQG با سیستمهای متغیر با زمان استفاده کنم؟
بله، فیلتر کالمن و LQR هر دو دارای انواع متغیر با زمان هستند. فیلتر کالمن متغیر با زمان یک معادله ریکاتی را از زمان پایانی به عقب حل میکند. LQR متغیر با زمان نیز یک معادله ریکاتی را به عقب حل میکند. هر دو نسبت به نسخههای حالت پایدار از نظر محاسباتی گرانتر هستند اما امکان ردیابی مسیر و دینامیکهای متغیر با زمان آهسته را فراهم میکنند.
روشهای مرتبط
منابع
Kalman, R. E. (1960). A new approach to linear filtering and prediction problems. Journal of Basic Engineering, 82(1), 35-45.
باز کردن مرجع DOIکپی شد.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.
باز کردن مرجع DOIکپی شد.Kwakernaak, H., & Sivan, R. (1972). Linear Optimal Control Systems. Wiley-Interscience.
باز کردن مرجع انتشارکپی شد.