Regolatore Lineare Quadratico
- Introdotto da
- Rudolf Kalman
- Anno
- 1960
- Tipo
- algorithm
- Famiglia
- Optimal Control
Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese
A cosa serve?
Il Regolatore Lineare Quadratico (LQR) è un classico algoritmo di controllo ottimo che calcola una legge di retroazione lineare per minimizzare una funzione di costo quadratica per un sistema dinamico lineare.
Introdotto da Kalman nel 1960, l'LQR fornisce una soluzione in forma chiusa e provabilmente ottima per sistemi lineari e rimane fondamentale nella teoria del controllo, nella robotica e nelle applicazioni aerospaziali grazie alla sua eleganza teorica ed efficienza computazionale.
L’intuizione alla base del metodo
L'LQR risolve il problema di portare un sistema lineare a zero (o tracciare un riferimento) penalizzando sia la deviazione dallo stato desiderato sia lo sforzo (magnitudine dell'ingresso di controllo). L'intuizione chiave è che per sistemi lineari con costi quadratici, la legge di controllo ottima è lineare nello stato corrente: u = −Kx, dove K è la matrice di guadagno di retroazione calcolata offline. L'algoritmo risolve prima un'equazione differenziale di Riccati a tempo retrogrado (o un'equazione algebrica di Riccati per lo stato stazionario) per trovare la funzione di costo ottimo residuo, quindi deriva il guadagno di retroazione lineare. Questo separa il calcolo offline dei guadagni dal controllo online, consentendo un'implementazione in tempo reale estremamente rapida.
Storia
Il lavoro di Kalman del 1960 introdusse il problema del Controllo Ottimo Lineare Quadratico e la sua soluzione tramite l'equazione di Riccati. Bryson e Ho ampliarono la teoria alla fine degli anni '60 e pubblicarono il testo fondamentale nel 1969. La versione a tempo discreto fu sviluppata da Kalman e altri nella stessa epoca, consentendo l'implementazione digitale. L'LQR è da allora diventato fondamentale nella teoria del controllo moderna, con estensioni a sistemi stocastici (Linear Quadratic Gaussian, LQG) ed estensioni a sistemi non lineari (Differential Games, NMPC).
Quando usarlo
Utilizzare l'LQR quando il sistema è lineare (o ben approssimato da linearizzazione), quando l'obiettivo combina naturalmente l'errore di stato e lo sforzo di controllo, e quando è necessaria una soluzione provabilmente ottima con calcolo rapido. L'LQR eccelle per problemi come la stabilizzazione di un pendolo invertito, il controllo dell'assetto di aeromobili o l'ottimizzazione delle traiettorie di veicoli spaziali. È meno adatto per sistemi con vincoli rigidi (utilizzare invece l'MPC) o dinamiche fortemente non lineari.
Limiti e considerazioni
- Limitato ai sistemi lineari; i sistemi reali sono spesso non lineari e richiedono linearizzazione.
- Non gestisce esplicitamente vincoli rigidi sullo stato o sull'ingresso; le penalità quadratiche sono solo vincoli morbidi.
- La progettazione della funzione di costo (scelta di Q e R) richiede giudizio ingegneristico e messa a punto.
- Le proprietà di robustezza del guadagno di Kalman assumono che il modello sia accurato; il disallineamento del modello degrada le prestazioni.
Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.
Punti di forza
- Fornisce la legge di retroazione ottima provata per sistemi lineari con costo quadratico.
- Calcolo offline dei guadagni; il controllo online è solo una moltiplicazione matrice-vettore (estremamente rapida).
- Margini di guadagno e di fase garantiti; proprietà di robustezza intrinseche (margine di guadagno infinito all'uscita).
- Semplice da calcolare; sono disponibili molti algoritmi numerici (decomposizione di Schur, metodi agli autovalori).
- Gestisce naturalmente sistemi multivariabili e disaccoppia la progettazione del controllo dai vincoli di sensori e attuatori.
Applicazioni
- Aerospaziale: Controllo dell'assetto di aeromobili e veicoli spaziali, ottimizzazione della traiettoria per rover marziani e lander lunari.
- Robotica: Bilanciamento di camminatori bipedi, tracciamento della traiettoria di bracci manipolatori, stabilizzazione di droni quadricotteri.
- Manifatturiero: Controllo del movimento di apparecchiature di precisione (macchine CNC), smorzamento delle vibrazioni in sistemi meccanici.
- Sistemi energetici: Stabilizzazione della frequenza e della tensione della rete elettrica, ottimizzazione del controllo dei generatori nelle microreti.
- Automobilistico: Controllo delle sospensioni, controllo della trazione e assistenza allo sterzo nei veicoli.
Come funziona
Come funziona
Definire la dinamica del sistema lineare (matrici A, B), l'orizzonte di predizione e le matrici di costo quadratico (Q per lo stato, R per l'ingresso).
Risolvere l'equazione algebrica di Riccati a tempo continuo o discreto per ottenere la matrice soluzione P simmetrica e definita positiva.
Calcolare la matrice di guadagno di retroazione ottima K = R^(-1) * B^T * P utilizzando la soluzione di Riccati.
Applicare la legge di retroazione lineare u(t) = −K x(t) al sistema ad ogni passo di controllo.
Errori comuni
- La linearizzazione attorno a un equilibrio instabile o a un riferimento variabile nel tempo può rendere invalida la soluzione LQR.
- Impostare arbitrariamente i pesi Q e R senza comprenderne il significato fisico porta a scarse prestazioni di controllo.
- Dimenticare che l'LQR è un calcolo offline; modifiche a Q, R o ai parametri di sistema richiedono la risoluzione dell'equazione di Riccati.
Domande frequenti
Come scelgo le matrici di ponderazione Q e R?
Un approccio sistematico consiste nell'iniziare con Q come matrice diagonale con ciascuna voce diagonale proporzionale a 1/max_stato_consentito_i^2, e R proporzionale a 1/max_ingresso_consentito_i^2. Quindi, mettere a punto empiricamente: aumentare Q per migliorare la regolazione dello stato, aumentare R per ridurre lo sforzo di controllo. Compromessi tra overshoot e tempo di assestamento emergono regolando questi pesi.
Cos'è l'equazione algebrica di Riccati e perché è importante?
L'equazione algebrica di Riccati (ARE) è un'equazione matriciale quadratica che emerge nella risoluzione del problema LQR a orizzonte infinito. La sua soluzione P codifica il costo ottimo residuo da qualsiasi stato. La risoluzione dell'ARE è il collo di bottiglia computazionale dell'LQR; algoritmi moderni (ad es., tramite decomposizione di Schur) lo fanno in tempo O(n^3), dove n è la dimensione dello stato.
Può l'LQR gestire sistemi variabili nel tempo?
Sì, l'LQR variabile nel tempo risolve un'equazione differenziale di Riccati (DRE) all'indietro nel tempo. Tuttavia, ciò richiede la risoluzione di un'ODE, che è più costosa computazionalmente rispetto al caso stazionario. L'LQR variabile nel tempo è utile per il tracciamento di traiettorie o per sistemi con parametri che variano lentamente.
Perché l'LQR ha margini di robustezza garantiti?
La legge di retroazione ottima dell'LQR garantisce un margine di guadagno infinito (tolleranza a errori moltiplicativi arbitrari all'uscita) e un margine di fase del 50% all'uscita. Questi margini di stabilità derivano dalla struttura della soluzione ottima e non necessitano di essere verificati separatamente, a differenza dei controllori PID o di altri controllori euristici.
Metodi correlati
Fonti
Kalman, R. E. (1960). Contributions to the theory of optimal control. Boletin de la Sociedad Matematica Mexicana, 5(2), 102-119.
Apri il riferimento della pubblicazioneCopiato.Bryson, A. E., & Ho, Y. C. (1969). Applied Optimal Control: Optimization, Estimation and Control. Blaisdell Publishing.
Apri il riferimento della pubblicazioneCopiato.Lewis, F. L., Vrabie, D., & Syrmos, V. L. (2012). Optimal Control (3rd ed.). John Wiley & Sons.
Apri il riferimento DOICopiato.