Régulateur Linéaire Quadratique
- Introduite par
- Rudolf Kalman
- Année
- 1960
- Type
- algorithm
- Famille
- Optimal Control
Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais
À quoi sert-elle ?
Le Régulateur Linéaire Quadratique (LQR) est un algorithme classique de commande optimale qui calcule une loi de retour linéaire pour minimiser une fonction de coût quadratique pour un système dynamique linéaire.
Introduit par Kalman en 1960, le LQR fournit une solution analytique, prouvée comme optimale, pour les systèmes linéaires et reste fondamental en théorie de la commande, en robotique et dans les applications aérospatiales en raison de son élégance théorique et de son efficacité computationnelle.
L’intuition derrière la méthode
Le LQR résout le problème de l'asservissement d'un système linéaire à zéro (ou du suivi d'une référence) tout en pénalisant à la fois l'écart par rapport à l'état désiré et l'effort (l'amplitude de l'entrée de commande). L'idée clé est que pour les systèmes linéaires avec des coûts quadratiques, la loi de commande optimale est linéaire par rapport à l'état actuel : u = −Kx, où K est la matrice de gain de retour calculée hors ligne. L'algorithme résout d'abord une équation différentielle de Riccati en temps rétrograde (ou une équation algébrique de Riccati pour l'état stationnaire) pour trouver la fonction de coût optimal restant à parcourir, puis en dérive le gain de retour linéaire. Cela sépare le calcul hors ligne des gains de la commande en temps réel, permettant une implémentation temps réel extrêmement rapide.
Histoire
L'article de Kalman de 1960 a introduit le problème de la commande optimale linéaire quadratique et sa solution via l'équation de Riccati. Bryson et Ho ont développé la théorie à la fin des années 1960 et publié le livre de référence en 1969. La version en temps discret a été développée par Kalman et d'autres à la même époque, permettant l'implémentation numérique. Le LQR est depuis devenu fondamental dans la théorie moderne de la commande, avec des extensions aux systèmes stochastiques (Linéaire Quadratique Gaussien, LQG) et des extensions aux systèmes non linéaires (Jeux Différentiels, NMPC).
Quand l’utiliser
Utiliser le LQR lorsque votre système est linéaire (ou bien approximé par linéarisation), lorsque l'objectif combine naturellement l'erreur d'état et l'effort de commande, et lorsque vous avez besoin d'une solution prouvée comme optimale avec un calcul rapide. Le LQR excelle pour des problèmes tels que la stabilisation d'un pendule inversé, le contrôle de l'attitude d'un avion, ou l'optimisation des trajectoires de vaisseaux spatiaux. Il est moins adapté aux systèmes avec des contraintes strictes (utiliser la commande prédictive MPC à la place) ou des dynamiques fortement non linéaires.
Limites et points d’attention
- Restreint aux systèmes linéaires ; les systèmes réels sont souvent non linéaires et nécessitent une linéarisation.
- Ne gère pas explicitement les contraintes strictes sur l'état ou l'entrée ; les pénalités quadratiques ne sont que des contraintes douces.
- La conception de la fonction de coût (choix de Q et R) nécessite un jugement d'ingénieur et un réglage.
- Les propriétés de robustesse de la commande de Kalman supposent que le modèle est précis ; une inadéquation du modèle dégrade les performances.
Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.
Points forts
- Fournit la loi de retour prouvée comme optimale pour les systèmes linéaires avec coût quadratique.
- Calcul des gains hors ligne ; la commande en temps réel n'est qu'une multiplication matrice-vecteur (extrêmement rapide).
- Garanties de marge de gain et de marge de phase ; propriétés de robustesse inhérentes (marge de gain infinie à la sortie).
- Simple à calculer ; de nombreux algorithmes numériques sont disponibles (décomposition de Schur, méthodes par valeurs propres).
- Gère naturellement les systèmes multivariables et découple la conception de la commande des contraintes des capteurs et des actionneurs.
Applications
- Aérospatiale : Contrôle d'attitude des avions et des engins spatiaux, optimisation de trajectoire pour les rovers martiens et les atterrisseurs lunaires.
- Robotique : Équilibrage de marcheurs bipèdes, suivi de trajectoire de bras manipulateurs, stabilisation de drones quadricoptères.
- Fabrication : Contrôle de mouvement d'équipements de précision (machines CNC), amortissement des vibrations dans les systèmes mécaniques.
- Systèmes énergétiques : Stabilisation de la fréquence et de la tension du réseau électrique, optimisation du contrôle des générateurs dans les micro-réseaux.
- Automobile : Contrôle de suspension, antipatinage, et assistance à la direction dans les véhicules.
Comment ça marche
Comment ça marche
Définir la dynamique du système linéaire (matrices A, B), l'horizon de prédiction et les matrices de coût quadratique (Q pour l'état, R pour l'entrée).
Résoudre l'équation algébrique de Riccati en temps continu ou discret pour obtenir la matrice solution P, symétrique et définie positive.
Calculer la matrice de gain de retour optimal K = R^(-1) * B^T * P en utilisant la solution de Riccati.
Appliquer la loi de retour linéaire u(t) = −K x(t) au système à chaque étape de commande.
Pièges courants
- La linéarisation autour d'un équilibre instable ou d'une référence variant dans le temps peut rendre la solution LQR invalide.
- Attribuer des poids Q et R arbitrairement sans comprendre leur signification physique conduit à de mauvaises performances de commande.
- Oublier que le LQR est un calcul hors ligne ; les changements dans Q, R ou les paramètres du système nécessitent de résoudre à nouveau l'équation de Riccati.
Questions fréquentes
Comment choisir les matrices de pondération Q et R ?
Une approche systématique consiste à commencer avec Q comme matrice diagonale dont chaque entrée diagonale est proportionnelle à 1/max_etat_autorisé_i^2, et R proportionnel à 1/max_entree_autorisée_i^2. Ensuite, ajuster empiriquement : augmenter Q pour resserrer la régulation de l'état, augmenter R pour réduire l'effort de commande. Des compromis entre dépassement et temps d'établissement apparaissent lorsque vous ajustez ces poids.
Qu'est-ce que l'équation algébrique de Riccati et pourquoi est-elle importante ?
L'équation algébrique de Riccati (ARE) est une équation matricielle quadratique qui apparaît lors de la résolution du problème LQR à horizon infini. Sa solution P encode le coût optimal restant à parcourir depuis n'importe quel état. La résolution de l'ARE est le goulot d'étranglement computationnel du LQR ; les algorithmes modernes (par exemple, via la décomposition de Schur) le font en temps O(n^3), où n est la dimension de l'état.
Le LQR peut-il gérer des systèmes variant dans le temps ?
Oui, le LQR variant dans le temps résout une équation différentielle de Riccati (DRE) rétrograde. Cependant, cela nécessite la résolution d'une EDO, ce qui est plus coûteux en calcul que le cas stationnaire. Le LQR variant dans le temps est utile pour le suivi de trajectoire ou les systèmes à paramètres variant lentement.
Pourquoi le LQR a-t-il des marges de robustesse garanties ?
La loi de retour optimale du LQR garantit une marge de gain infinie (tolère des erreurs de sortie multiplicatives arbitraires) et une marge de phase de 50% à la sortie. Ces marges de stabilité proviennent de la structure de la solution optimale et n'ont pas besoin d'être vérifiées séparément, contrairement aux régulateurs PID ou autres régulateurs heuristiques.
Méthodes associées
Sources
Kalman, R. E. (1960). Contributions to the theory of optimal control. Boletin de la Sociedad Matematica Mexicana, 5(2), 102-119.
Ouvrir la référence de la publicationCopié.Bryson, A. E., & Ho, Y. C. (1969). Applied Optimal Control: Optimization, Estimation and Control. Blaisdell Publishing.
Ouvrir la référence de la publicationCopié.Lewis, F. L., Vrabie, D., & Syrmos, V. L. (2012). Optimal Control (3rd ed.). John Wiley & Sons.
Ouvrir la référence DOICopié.