Guida Gaussiana Lineare Quadratica
- Introdotto da
- Rudolf Kalman
- Anno
- 1960
- Tipo
- algorithm
- Famiglia
- Stochastic Control
Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese
A cosa serve?
Il controllore Lineare Quadratica Gaussiana (LQG) combina il Regolatore Lineare Quadratica (LQR) con un Filtro di Kalman per gestire sistemi stocastici con rumore di misura e rumore di processo.
Sviluppato da Kalman e successivamente formalizzato da Athans e altri, l'LQG è l'estensione stocastica naturale dell'LQR e rimane il gold standard per il controllo lineare ottimale sotto rumore, con applicazioni che spaziano da veicoli spaziali, autopiloti per aerei e controllo di processi industriali.
L’intuizione alla base del metodo
L'LQG risolve il problema del controllo di un sistema lineare corrotto da rumore Gaussiano, dove sono disponibili solo misurazioni parziali e rumorose dello stato. La soluzione si separa in due parti: un estimatore di stato (Filtro di Kalman) che ricostruisce lo stato dalle misurazioni rumorose, e un controllore ottimale (LQR) che agisce sullo stato stimato. Questo principio di separazione — il Filtro di Kalman e l'LQR vengono calcolati indipendentemente, poi combinati — è notevole: la soluzione LQG ottimale consiste semplicemente nell'applicare il guadagno LQR allo stato stimato da Kalman. Questa elegante decomposizione consente progettazione e analisi modulari.
Storia
Kalman pubblicò l'algoritmo di filtraggio nel 1960 e lo estese poco dopo al problema stocastico LQ. Athans fornì un trattamento completo nel 1971, stabilendo il principio di separazione e le proprietà di robustezza. Kwakernaak e Sivan pubblicarono un testo definitivo nel 1972 che copriva sia la teoria che le applicazioni. L'introduzione del Filtro di Kalman Esteso (EKF) da parte di Bucy e altri a metà degli anni '60 estese l'LQG ai sistemi non lineari. L'LQG rimane centrale nella teoria del controllo moderna e ha ispirato metodi correlati come il controllo H-infinito e il controllo robusto.
Quando usarlo
Utilizzare l'LQG quando si dispone di un sistema lineare soggetto a rumore di processo e di misura Gaussiano, quando la misurazione completa dello stato non è disponibile o è costosa, e quando è necessario un controllo ottimale in condizioni di incertezza. L'LQG è ideale per applicazioni come il controllo d'assetto di veicoli spaziali, la navigazione inerziale e i sistemi industriali con disturbi incerti. Evitare l'LQG se il sistema è fortemente non lineare (utilizzare varianti del filtro di Kalman esteso o unscented), se il rumore non è Gaussiano, o se le misurazioni arrivano a intervalli irregolari.
Limiti e considerazioni
- Assume rumore Gaussiano; i disturbi reali sono spesso non Gaussiani con outlier o distribuzioni multimodali.
- Richiede una conoscenza accurata delle covarianze del rumore di processo e di misura (Q, R); statistiche del rumore specificate in modo errato degradano le prestazioni.
- Assunzione lineare; i sistemi non lineari richiedono approssimazioni (EKF, UKF) che perdono le garanzie di ottimalità.
- Assume misurazioni lineari; relazioni di misurazione non lineari richiedono varianti estese o unscented.
- Non può gestire vincoli rigidi; solo penalità quadratiche morbide.
Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.
Punti di forza
- Provabilmente ottimale per sistemi lineari con rumore Gaussiano; minimizza il costo quadratico atteso.
- Principio di separazione: il Filtro di Kalman e l'LQR possono essere progettati indipendentemente, semplificando l'analisi e il debug.
- Fornisce sia la stima ottimale dello stato che il controllo ottimale in retroazione in un quadro unificato.
- Proprietà di robustezza ereditate sia dal Filtro di Kalman (rigetto del rumore) che dall'LQR (margini di stabilità).
- Implementazione in tempo reale fattibile; sia l'aggiornamento del filtro di Kalman che l'applicazione del guadagno LQR sono rispettivamente O(n^3) e O(n^2).
Applicazioni
- Aerospaziale: Stima e controllo dell'assetto di veicoli spaziali, sistemi di navigazione inerziale, progettazione di autopiloti per aerei.
- Robotica: Fusione di sensori in robot mobili, SLAM (Simultaneous Localization and Mapping) con rumore di misura.
- Automotive: Fusione dell'odometria con GPS, controllo del motore, smorzamento adattivo delle sospensioni.
- Sistemi di potenza: Controllo della frequenza di carico, stima dello stato nelle reti intelligenti con dati PMU (phasor measurement unit).
- Processi chimici: Controllo della temperatura e della composizione dei reattori, ottimizzazione delle colonne di distillazione sotto rumore di misura.
Come funziona
Come funziona
Eseguire un Filtro di Kalman per stimare ricorsivamente lo stato del sistema da misurazioni rumorose utilizzando il modello di sistema e le covarianze del rumore.
Calcolare il guadagno di retroazione LQR ottimale utilizzando la dinamica del sistema e le matrici di costo quadratico.
Ad ogni istante di campionamento, misurare l'uscita rumorosa e aggiornare la stima del Filtro di Kalman.
Applicare l'ingresso di controllo u = −K * x_hat (dove x_hat è lo stato stimato) e ripetere con nuove misurazioni.
Errori comuni
- Regolazione delle covarianze del rumore Q e R per tentativi ed errori invece di stimarle dai dati; ciò porta a filtraggio subottimale o amplificazione eccessiva del rumore.
- Ignorare il principio di separazione e cercare di ottimizzare congiuntamente stima e controllo, portando a complessità non necessaria.
- Inizializzare in modo errato la stima dello stato del Filtro di Kalman; condizioni iniziali scadenti possono rallentare la convergenza.
- Assumere che il sistema sia osservabile e controllabile senza verifica; in caso contrario, il Filtro di Kalman o l'LQR potrebbero essere instabili.
Domande frequenti
Cos'è il principio di separazione e perché è così importante?
Il principio di separazione afferma che per l'LQG, l'estimatore di stato ottimale (Filtro di Kalman) e il controllore ottimale (LQR) possono essere progettati indipendentemente, e la loro combinazione è ottimale. Ciò significa che si può prima progettare un Filtro di Kalman ignorando il controllo, poi progettare un controllore LQR ignorando il rumore, e applicarli entrambi insieme senza perdita di ottimalità. Ciò semplifica la progettazione e consente uno sviluppo modulare del sistema.
Come si stima la covarianza del rumore di processo Q e la covarianza del rumore di misura R?
L'approccio più rigoroso è stimare Q e R dai dati utilizzando metodi di massima verosimiglianza o di corrispondenza delle covarianze. In alternativa, iniziare con stime approssimative basate sulle specifiche dei sensori e sulle magnitudini dei disturbi, quindi regolare empiricamente monitorando i residui del filtro (dovrebbero essere bianchi e non correlati). Se i residui sono correlati, aumentare Q o R; se il filtro diverge, ridurli.
Cosa succede se il mio sistema è non lineare?
Per sistemi lievemente non lineari, linearizzare attorno alla traiettoria nominale e utilizzare il Filtro di Kalman Esteso (EKF) combinato con l'LQR progettato per il sistema linearizzato. Per sistemi fortemente non lineari, considerare il Filtro di Kalman Unscented (UKF) o i filtri particellari, sebbene questi perdano la garanzia di ottimalità. Il Controllo Predittivo basato su Modello con modelli non lineari è un'altra alternativa.
Posso usare l'LQG con sistemi tempo-varianti?
Sì, sia il Filtro di Kalman che l'LQR hanno varianti tempo-varianti. Il Filtro di Kalman tempo-variante risolve un'equazione di Riccati all'indietro nel tempo da un costo terminale. L'LQR tempo-variante risolve anch'esso un'equazione di Riccati all'indietro nel tempo. Entrambi sono computazionalmente più costosi delle versioni stazionarie ma consentono la gestione del tracciamento di traiettorie e delle dinamiche lentamente tempo-varianti.
Metodi correlati
Fonti
Kalman, R. E. (1960). A new approach to linear filtering and prediction problems. Journal of Basic Engineering, 82(1), 35-45.
Apri il riferimento DOICopiato.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.
Apri il riferimento DOICopiato.Kwakernaak, H., & Sivan, R. (1972). Linear Optimal Control Systems. Wiley-Interscience.
Apri il riferimento della pubblicazioneCopiato.