Skip to content
Kembali ke hasil pencarian

Gaussian Kuadratik Linear

Diperkenalkan oleh
Rudolf Kalman
Tahun
1960
Jenis
algorithm
Keluarga
Stochastic Control

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Pengendali Gaussian Kuadratik Linear (LQG) menggabungkan Regulator Kuadratik Linear (LQR) dengan Filter Kalman untuk menangani sistem stokastik dengan derau pengukuran dan derau proses.

Dikembangkan oleh Kalman dan kemudian diformalkan oleh Athans dan lainnya, LQG adalah perpanjangan stokastik alami dari LQR dan tetap menjadi standar emas untuk kontrol linear optimal di bawah derau, dengan aplikasi yang mencakup pesawat ruang angkasa, autopilot pesawat terbang, dan kontrol proses industri.

Intuisi di balik metode

LQG memecahkan masalah pengendalian sistem linear yang dirusak oleh derau Gaussian, di mana hanya pengukuran parsial dan berderau dari keadaan yang tersedia. Solusi ini terbagi menjadi dua bagian: estimator keadaan (Filter Kalman) yang merekonstruksi keadaan dari pengukuran berderau, dan pengendali optimal (LQR) yang bertindak pada keadaan yang diestimasi. Prinsip pemisahan ini—Filter Kalman dan LQR dihitung secara independen, lalu digabungkan—sangatlah luar biasa: solusi LQG optimal hanyalah menerapkan penguatan LQR ke keadaan yang diestimasi Kalman. Dekomposisi yang elegan ini memungkinkan desain dan analisis modular.

Sejarah

Kalman menerbitkan algoritma penyaringan pada tahun 1960 dan memperluasnya ke masalah LQ stokastik segera setelahnya. Athans memberikan perlakuan komprehensif pada tahun 1971, menetapkan prinsip pemisahan dan sifat ketahanan. Kwakernaak dan Sivan menerbitkan buku teks definitif pada tahun 1972 yang mencakup teori dan aplikasi. Pengenalan Extended Kalman Filter (EKF) oleh Bucy dan lainnya pada pertengahan 1960-an memperluas LQG ke sistem non-linear. LQG tetap menjadi pusat teori kontrol modern dan telah menginspirasi metode terkait seperti kontrol H-infinity dan kontrol robust.

Kapan digunakan

Gunakan LQG ketika Anda memiliki sistem linear yang tunduk pada derau proses dan pengukuran Gaussian, ketika pengukuran keadaan penuh tidak tersedia atau mahal, dan ketika Anda membutuhkan kontrol optimal di bawah ketidakpastian. LQG ideal untuk aplikasi seperti kontrol sikap pesawat ruang angkasa, navigasi inersial, dan sistem industri dengan gangguan yang tidak pasti. Hindari LQG jika sistem sangat non-linear (gunakan varian filter Kalman yang diperluas atau unscented), jika derau non-Gaussian, atau jika pengukuran tiba pada interval yang tidak teratur.

Batasan dan pertimbangan

  • Mengasumsikan derau Gaussian; gangguan nyata seringkali non-Gaussian dengan outlier atau distribusi multi-modal.
  • Membutuhkan pengetahuan akurat tentang kovariansi derau proses dan pengukuran (Q, R); statistik derau yang salah spesifikasi menurunkan kinerja.
  • Asumsi linear; sistem non-linear memerlukan aproksimasi (EKF, UKF) yang kehilangan jaminan optimalitas.
  • Mengasumsikan pengukuran linear; hubungan pengukuran non-linear memerlukan varian yang diperluas atau unscented.
  • Tidak dapat menangani batasan keras; hanya penalti kuadratik lunak.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Terbukti optimal untuk sistem linear dengan derau Gaussian; meminimalkan biaya kuadratik yang diharapkan.
  • Prinsip pemisahan: Filter Kalman dan LQR dapat dirancang secara independen, menyederhanakan analisis dan debugging.
  • Menyediakan estimasi keadaan optimal dan kontrol umpan balik optimal dalam kerangka kerja terpadu.
  • Sifat ketahanan yang diwarisi dari Filter Kalman (penolakan derau) dan LQR (margin stabilitas).
  • Implementasi waktu nyata layak; pembaruan filter Kalman dan penerapan penguatan LQR masing-masing adalah O(n^3) dan O(n^2).

Penerapan

  • Dirgantara: Estimasi dan kontrol sikap pesawat ruang angkasa, sistem navigasi inersial, desain autopilot untuk pesawat terbang.
  • Robotika: Fusi sensor pada robot bergerak, SLAM (Simultaneous Localization and Mapping) dengan derau pengukuran.
  • Otomotif: Fusi odometri dengan GPS, kontrol mesin, peredam suspensi adaptif.
  • Sistem tenaga: Kontrol frekuensi beban, estimasi keadaan di smart grid dengan data PMU (phasor measurement unit).
  • Proses kimia: Kontrol suhu dan komposisi reaktor, optimasi kolom distilasi di bawah derau pengukuran.

Cara kerjanya

Cara kerjanya

1

Jalankan Filter Kalman untuk secara rekursif mengestimasi keadaan sistem dari pengukuran berderau menggunakan model sistem dan kovariansi derau.

2

Hitung penguatan umpan balik LQR optimal menggunakan dinamika sistem dan matriks biaya kuadratik.

3

Jalankan Filter Kalman untuk secara rekursif mengestimasi keadaan sistem dari pengukuran berderau menggunakan model sistem dan kovarians derau.

4

Terapkan masukan kontrol u = −K * x_hat (di mana x_hat adalah keadaan yang diestimasi) dan ulangi dengan pengukuran baru.

Kesalahan umum

  • Menyetel kovariansi derau Q dan R melalui coba-coba alih-alih mengestimasinya dari data; ini menyebabkan pemfilteran suboptimal atau amplifikasi derau yang berlebihan.
  • Mengabaikan prinsip pemisahan dan mencoba mengoptimalkan estimasi dan kontrol secara bersamaan, yang menyebabkan kompleksitas yang tidak perlu.
  • Menginisialisasi estimasi keadaan Filter Kalman secara tidak benar; kondisi awal yang buruk dapat memperlambat konvergensi.
  • Mengasumsikan sistem dapat diamati dan dikendalikan tanpa verifikasi; jika tidak, Filter Kalman atau LQR mungkin tidak stabil.

Pertanyaan yang sering diajukan

Apa itu prinsip pemisahan dan mengapa itu begitu penting?

Prinsip pemisahan menyatakan bahwa untuk LQG, estimator keadaan optimal (Filter Kalman) dan pengendali optimal (LQR) dapat dirancang secara independen, dan menggabungkannya adalah optimal. Ini berarti Anda dapat terlebih dahulu merancang Filter Kalman dengan mengabaikan kontrol, kemudian merancang pengendali LQR dengan mengabaikan derau, dan menerapkan keduanya bersama-sama tanpa kehilangan optimalitas. Ini menyederhanakan desain dan memungkinkan pengembangan sistem modular.

Bagaimana cara mengestimasi kovariansi derau proses Q dan kovariansi derau pengukuran R?

Pendekatan yang paling prinsipil adalah mengestimasi Q dan R dari data menggunakan metode maksimum likelihood atau pencocokan kovariansi. Alternatifnya, mulailah dengan perkiraan kasar berdasarkan spesifikasi sensor dan besaran gangguan, lalu setel secara empiris dengan memantau residual filter (mereka harus putih dan tidak berkorelasi). Jika residual berkorelasi, tingkatkan Q atau R; jika filter divergen, kurangi.

Apa yang terjadi jika sistem saya non-linear?

Untuk sistem yang sedikit non-linear, linearisasi di sekitar lintasan nominal dan gunakan Extended Kalman Filter (EKF) yang dikombinasikan dengan LQR yang dirancang untuk sistem yang dilinearisasi. Untuk sistem yang sangat non-linear, pertimbangkan Unscented Kalman Filter (UKF) atau filter partikel, meskipun ini kehilangan jaminan optimalitas. Model Predictive Control dengan model non-linear adalah alternatif lain.

Bisakah saya menggunakan LQG dengan sistem yang berubah terhadap waktu?

Ya, Filter Kalman dan LQR keduanya memiliki varian yang berubah terhadap waktu. Filter Kalman yang berubah terhadap waktu memecahkan persamaan Riccati mundur dalam waktu dari biaya terminal. LQR yang berubah terhadap waktu juga memecahkan persamaan Riccati mundur dalam waktu. Keduanya lebih mahal secara komputasi daripada versi steady-state tetapi memungkinkan penanganan pelacakan lintasan dan dinamika yang berubah terhadap waktu secara perlahan.

Metode terkait

Sumber

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

    Buka referensi DOI
    Disalin.
  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.

    Buka referensi DOI
    Disalin.
  3. Kwakernaak, H., & Sivan, R. (1972). Linear Optimal Control Systems. Wiley-Interscience.

    Buka referensi publikasi
    Disalin.