Skip to content
Retour aux résultats

Linéaire Quadratique Gaussien

Introduite par
Rudolf Kalman
Année
1960
Type
algorithm
Famille
Stochastic Control

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

Le contrôleur Linéaire Quadratique Gaussien (LQG) combine le Régulateur Linéaire Quadratique (LQR) avec un filtre de Kalman pour gérer les systèmes stochastiques avec bruit de mesure et bruit de processus.

Développé par Kalman et formalisé plus tard par Athans et d'autres, le LQG est l'extension stochastique naturelle du LQR et reste la référence en matière de contrôle linéaire optimal sous bruit, avec des applications allant des engins spatiaux aux pilotes automatiques d'aéronefs et au contrôle de processus industriels.

L’intuition derrière la méthode

Le LQG résout le problème du contrôle d'un système linéaire corrompu par du bruit gaussien, où seules des mesures partielles et bruitées de l'état sont disponibles. La solution se divise en deux parties : un estimateur d'état (filtre de Kalman) qui reconstruit l'état à partir de mesures bruitées, et un contrôleur optimal (LQR) qui agit sur l'état estimé. Ce principe de séparation — le filtre de Kalman et le LQR sont calculés indépendamment, puis combinés — est remarquable : la solution LQG optimale consiste simplement à appliquer le gain LQR à l'état estimé par Kalman. Cette décomposition élégante permet une conception et une analyse modulaires.

Histoire

Kalman a publié l'algorithme de filtrage en 1960 et l'a étendu au problème stochastique LQ peu après. Athans a fourni un traitement complet en 1971, établissant le principe de séparation et les propriétés de robustesse. Kwakernaak et Sivan ont publié un manuel définitif en 1972 couvrant à la fois la théorie et les applications. L'introduction du filtre de Kalman étendu (EKF) par Bucy et d'autres au milieu des années 1960 a étendu le LQG aux systèmes non linéaires. Le LQG reste central dans la théorie du contrôle moderne et a inspiré des méthodes connexes comme le contrôle H-infini et le contrôle robuste.

Quand l’utiliser

Utilisez le LQG lorsque vous avez un système linéaire soumis à un bruit de processus et de mesure gaussien, lorsque la mesure complète de l'état est indisponible ou coûteuse, et lorsque vous avez besoin d'un contrôle optimal en situation d'incertitude. Le LQG est idéal pour des applications telles que le contrôle d'attitude des engins spatiaux, la navigation inertielle et les systèmes industriels avec des perturbations incertaines. Évitez le LQG si le système est fortement non linéaire (utilisez des variantes de filtre de Kalman étendu ou non scenté), si le bruit est non gaussien, ou si les mesures arrivent à des intervalles irréguliers.

Limites et points d’attention

  • Suppose un bruit gaussien ; les perturbations réelles sont souvent non gaussiennes avec des valeurs aberrantes ou des distributions multimodales.
  • Nécessite une connaissance précise des covariances de bruit de processus et de mesure (Q, R) ; des statistiques de bruit mal spécifiées dégradent les performances.
  • Hypothèse linéaire ; les systèmes non linéaires nécessitent des approximations (EKF, UKF) qui perdent les garanties d'optimalité.
  • Suppose des mesures linéaires ; les relations de mesure non linéaires nécessitent des variantes étendues ou non scentées.
  • Ne peut pas gérer les contraintes strictes ; uniquement des pénalités quadratiques souples.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Optimal de manière prouvée pour les systèmes linéaires avec bruit gaussien ; minimise le coût quadratique attendu.
  • Principe de séparation : le filtre de Kalman et le LQR peuvent être conçus indépendamment, simplifiant l'analyse et le débogage.
  • Fournit à la fois une estimation d'état optimale et un contrôle de rétroaction optimal dans un cadre unifié.
  • Propriétés de robustesse héritées à la fois du filtre de Kalman (rejet du bruit) et du LQR (marges de stabilité).
  • Implémentation en temps réel réalisable ; la mise à jour du filtre de Kalman et l'application du gain LQR sont respectivement en O(n^3) et O(n^2).

Applications

  • Aérospatiale : Estimation et contrôle d'attitude des engins spatiaux, systèmes de navigation inertielle, conception de pilotes automatiques pour aéronefs.
  • Robotique : Fusion de capteurs dans les robots mobiles, SLAM (Simultaneous Localization and Mapping) avec bruit de mesure.
  • Automobile : Fusion d'odométrie avec GPS, contrôle moteur, amortissement adaptatif de la suspension.
  • Systèmes d'alimentation : Contrôle de la fréquence de charge, estimation d'état dans les réseaux intelligents avec données PMU (unité de mesure de phase).
  • Processus chimiques : Contrôle de la température et de la composition du réacteur, optimisation des colonnes de distillation sous bruit de mesure.

Comment ça marche

Comment ça marche

1

Exécuter un filtre de Kalman pour estimer récursivement l'état du système à partir de mesures bruitées en utilisant le modèle du système et les covariances de bruit.

2

Calculer le gain de rétroaction LQR optimal en utilisant la dynamique du système et les matrices de coût quadratiques.

3

À chaque instant d'échantillonnage, mesurer la sortie bruitée et mettre à jour l'estimation du filtre de Kalman.

4

Appliquer l'entrée de commande u = −K * x_hat (où x_hat est l'état estimé) et répéter avec de nouvelles mesures.

Pièges courants

  • Régler les covariances de bruit Q et R par essais et erreurs au lieu de les estimer à partir des données ; cela conduit à un filtrage sous-optimal ou à une amplification excessive du bruit.
  • Ignorer le principe de séparation et tenter d'optimiser conjointement l'estimation et le contrôle, ce qui entraîne une complexité inutile.
  • Initialiser incorrectement l'estimation de l'état du filtre de Kalman ; de mauvaises conditions initiales peuvent ralentir la convergence.
  • Supposer que le système est observable et contrôlable sans vérification ; sinon, le filtre de Kalman ou le LQR peuvent être instables.

Questions fréquentes

Qu'est-ce que le principe de séparation et pourquoi est-il si important ?

Le principe de séparation stipule que pour le LQG, l'estimateur d'état optimal (filtre de Kalman) et le contrôleur optimal (LQR) peuvent être conçus indépendamment, et leur combinaison est optimale. Cela signifie que vous pouvez d'abord concevoir un filtre de Kalman en ignorant le contrôle, puis concevoir un contrôleur LQR en ignorant le bruit, et appliquer les deux ensemble sans perte d'optimalité. Cela simplifie la conception et permet le développement de systèmes modulaires.

Comment estimer la covariance du bruit de processus Q et la covariance du bruit de mesure R ?

L'approche la plus rigoureuse consiste à estimer Q et R à partir des données en utilisant des méthodes de maximum de vraisemblance ou d'ajustement de covariance. Alternativement, commencez par des estimations approximatives basées sur les spécifications des capteurs et les magnitudes des perturbations, puis ajustez empiriquement en surveillant les résidus du filtre (ils devraient être blancs et non corrélés). Si les résidus sont corrélés, augmentez Q ou R ; si le filtre diverge, réduisez-les.

Que se passe-t-il si mon système est non linéaire ?

Pour les systèmes légèrement non linéaires, linéarisez autour de la trajectoire nominale et utilisez le filtre de Kalman étendu (EKF) combiné avec un LQR conçu pour le système linéarisé. Pour les systèmes fortement non linéaires, envisagez le filtre de Kalman non scenté (UKF) ou les filtres particulaires, bien que ceux-ci perdent la garantie d'optimalité. Le contrôle prédictif basé sur un modèle avec des modèles non linéaires est une autre alternative.

Puis-je utiliser le LQG avec des systèmes variant dans le temps ?

Oui, le filtre de Kalman et le LQR ont tous deux des variantes variant dans le temps. Le filtre de Kalman variant dans le temps résout une équation de Riccati à rebours dans le temps à partir d'un coût terminal. Le LQR variant dans le temps résout également une équation de Riccati à rebours dans le temps. Les deux sont plus coûteux en calcul que les versions en régime permanent, mais permettent de gérer le suivi de trajectoire et les dynamiques variant lentement dans le temps.

Méthodes associées

Sources

  1. Kalman, R. E. (1960). A new approach to linear filtering and prediction problems. Journal of Basic Engineering, 82(1), 35-45.

    Ouvrir la référence DOI
    Copié.
  2. 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.

    Ouvrir la référence DOI
    Copié.
  3. Kwakernaak, H., & Sivan, R. (1972). Linear Optimal Control Systems. Wiley-Interscience.

    Ouvrir la référence de la publication
    Copié.