Regulator Kuadratik Linear
- Diperkenalkan oleh
- Rudolf Kalman
- Tahun
- 1960
- Jenis
- algorithm
- Keluarga
- Optimal Control
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Regulator Kuadratik Linear (LQR) adalah algoritma kontrol optimal klasik yang menghitung hukum umpan balik linear untuk meminimalkan fungsi biaya kuadratik untuk sistem dinamik linear.
Diperkenalkan oleh Kalman pada tahun 1960, LQR menyediakan solusi bentuk tertutup yang terbukti optimal untuk sistem linear dan tetap fundamental dalam teori kontrol, robotika, dan aplikasi kedirgantaraan karena keanggunan teoretis dan efisiensi komputasinya.
Intuisi di balik metode
LQR memecahkan masalah pengarahan sistem linear ke nol (atau melacak referensi) sambil memberi penalti pada penyimpangan dari keadaan yang diinginkan dan upaya (besarnya input kontrol). Wawasan kuncinya adalah bahwa untuk sistem linear dengan biaya kuadratik, hukum kontrol optimal adalah linear dalam keadaan saat ini: u = −Kx, di mana K adalah matriks penguatan umpan balik yang dihitung secara offline. Algoritma pertama-tama memecahkan persamaan diferensial Riccati waktu mundur (atau persamaan Riccati aljabar untuk keadaan tunak) untuk menemukan fungsi biaya-untuk-pergi optimal, kemudian menurunkan penguatan umpan balik linear. Ini memisahkan perhitungan penguatan offline dari kontrol online, memungkinkan implementasi waktu nyata yang sangat cepat.
Sejarah
Makalah Kalman tahun 1960 memperkenalkan masalah Kontrol Optimal Kuadratik Linear dan solusinya melalui persamaan Riccati. Bryson dan Ho memperluas teori pada akhir 1960-an dan menerbitkan buku teks seminal pada tahun 1969. Versi waktu diskrit dikembangkan oleh Kalman dan lainnya pada era yang sama, memungkinkan implementasi digital. LQR sejak itu menjadi dasar dalam teori kontrol modern, dengan perluasan ke sistem stokastik (Linear Quadratic Gaussian, LQG) dan perluasan ke sistem non-linear (Differential Games, NMPC).
Kapan digunakan
Gunakan LQR ketika sistem Anda linear (atau diaproksimasi dengan baik oleh linearisasi), ketika tujuan secara alami menggabungkan kesalahan keadaan dan upaya kontrol, dan ketika Anda memerlukan solusi yang terbukti optimal dengan komputasi cepat. LQR unggul untuk masalah seperti menstabilkan pendulum terbalik, mengontrol sikap pesawat, atau mengoptimalkan lintasan pesawat ruang angkasa. Kurang cocok untuk sistem dengan batasan keras (gunakan MPC sebagai gantinya) atau dinamika yang sangat non-linear.
Batasan dan pertimbangan
- Terbatas pada sistem linear; sistem nyata seringkali non-linear dan memerlukan linearisasi.
- Tidak secara eksplisit menangani batasan keras pada keadaan atau input; penalti kuadratik hanyalah batasan lunak.
- Desain fungsi biaya (memilih Q dan R) memerlukan penilaian dan penyetelan teknik.
- Sifat ketahanan penguatan Kalman mengasumsikan model akurat; ketidaksesuaian model menurunkan kinerja.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Menyediakan hukum umpan balik yang terbukti optimal untuk sistem linear dengan biaya kuadratik.
- Perhitungan penguatan offline; kontrol online hanyalah perkalian matriks-vektor (sangat cepat).
- Jaminan margin penguatan dan margin fasa; sifat ketahanan inheren (margin penguatan tak terbatas pada output).
- Mudah dihitung; banyak algoritma numerik tersedia (dekomposisi Schur, metode nilai eigen).
- Secara alami menangani sistem multivariabel dan memisahkan desain kontrol dari batasan sensor dan aktuator.
Penerapan
- Kedirgantaraan: Kontrol sikap pesawat dan pesawat ruang angkasa, optimasi lintasan untuk penjelajah Mars dan pendarat bulan.
- Robotika: Menyeimbangkan pejalan kaki bipedal, pelacakan lintasan lengan manipulator, menstabilkan drone quadrotor.
- Manufaktur: Kontrol gerakan peralatan presisi (mesin CNC), peredaman getaran dalam sistem mekanis.
- Sistem energi: Menstabilkan frekuensi dan tegangan jaringan listrik, mengoptimalkan kontrol generator di microgrid.
- Otomotif: Kontrol suspensi, kontrol traksi, dan bantuan kemudi pada kendaraan.
Cara kerjanya
Cara kerjanya
Definisikan dinamika sistem linear (matriks A, B), horizon prediksi, dan matriks biaya kuadratik (Q untuk keadaan, R untuk input).
Selesaikan persamaan Riccati aljabar waktu kontinu atau waktu diskrit untuk mendapatkan solusi matriks P yang simetris dan definit positif.
Hitung matriks penguatan umpan balik optimal K = R^(-1) * B^T * P menggunakan solusi Riccati.
Terapkan hukum umpan balik linear u(t) = −K x(t) ke sistem pada setiap langkah kontrol.
Kesalahan umum
- Melinierkan di sekitar kesetimbangan yang tidak stabil atau referensi yang berubah terhadap waktu dapat membuat solusi LQR tidak valid.
- Menetapkan bobot Q dan R secara sembarangan tanpa memahami makna fisiknya mengarah pada kinerja kontrol yang buruk.
- Lupa bahwa LQR adalah komputasi offline; perubahan pada Q, R, atau parameter sistem memerlukan penyelesaian ulang persamaan Riccati.
Pertanyaan yang sering diajukan
Bagaimana cara memilih matriks pembobotan Q dan R?
Pendekatan sistematis adalah memulai dengan Q sebagai matriks diagonal dengan setiap entri diagonal berbanding lurus dengan 1/max_allowed_state_i^2, dan R berbanding lurus dengan 1/max_allowed_input_i^2. Kemudian setel secara empiris: tingkatkan Q untuk memperketat regulasi keadaan, tingkatkan R untuk mengurangi upaya kontrol. Trade-off antara overshoot dan waktu penyelesaian muncul saat Anda menyesuaikan bobot ini.
Apa itu persamaan Riccati aljabar dan mengapa itu penting?
Persamaan Riccati aljabar (ARE) adalah persamaan kuadratik matriks yang muncul saat menyelesaikan masalah LQR horizon tak terbatas. Solusinya P mengkodekan biaya-untuk-pergi optimal dari keadaan mana pun. Menyelesaikan ARE adalah hambatan komputasi LQR; algoritma modern (misalnya, melalui dekomposisi Schur) melakukannya dalam waktu O(n^3), di mana n adalah dimensi keadaan.
Bisakah LQR menangani sistem yang berubah terhadap waktu?
Ya, LQR yang berubah terhadap waktu memecahkan persamaan Riccati diferensial (DRE) mundur dalam waktu. Namun, ini memerlukan penyelesaian ODE, yang lebih mahal secara komputasi daripada kasus keadaan tunak. LQR yang berubah terhadap waktu berguna untuk pelacakan lintasan atau sistem dengan parameter yang berubah perlahan.
Mengapa LQR memiliki margin ketahanan yang terjamin?
Hukum umpan balik optimal LQR menjamin margin penguatan tak terbatas (mentolerir kesalahan output multiplikatif arbitrer) dan margin fasa 50% pada output. Margin stabilitas ini berasal dari struktur solusi optimal dan tidak perlu diperiksa secara terpisah, tidak seperti pengontrol PID atau heuristik lainnya.
Metode terkait
Sumber
Kalman, R. E. (1960). Contributions to the theory of optimal control. Boletin de la Sociedad Matematica Mexicana, 5(2), 102-119.
Buka referensi publikasiDisalin.Bryson, A. E., & Ho, Y. C. (1969). Applied Optimal Control: Optimization, Estimation and Control. Blaisdell Publishing.
Buka referensi publikasiDisalin.Lewis, F. L., Vrabie, D., & Syrmos, V. L. (2012). Optimal Control (3rd ed.). John Wiley & Sons.
Buka referensi DOIDisalin.