Skip to content
Torna ai risultati

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

Dimensione del carattere

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

1

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.

2

Calcolare il guadagno di retroazione LQR ottimale utilizzando la dinamica del sistema e le matrici di costo quadratico.

3

Ad ogni istante di campionamento, misurare l'uscita rumorosa e aggiornare la stima del Filtro di Kalman.

4

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

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

    Apri il riferimento DOI
    Copiato.
  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.

    Apri il riferimento DOI
    Copiato.
  3. Kwakernaak, H., & Sivan, R. (1972). Linear Optimal Control Systems. Wiley-Interscience.

    Apri il riferimento della pubblicazione
    Copiato.