線形二次ガウス (Linear Quadratic Gaussian)
- 提唱者
- Rudolf Kalman
- 年
- 1960
- 種類
- algorithm
- 系統
- Stochastic Control
この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む
何をする手法か?
線形二次ガウス (LQG) コントローラは、線形二次レギュレータ (LQR) とカルマンフィルタを組み合わせ、測定ノイズおよびプロセスノイズを伴う確率的システムを扱います。カルマンによって開発され、後にアサンスらによって形式化されたLQGは、LQRの自然な確率的拡張であり、ノイズ下での最適線形制御のゴールドスタンダードであり続けており、宇宙船、航空機の自動操縦装置、および工業プロセス制御にまで応用が及んでいます。
手法の背後にある直感
LQGは、ガウスノイズによって汚染された線形システムを制御する問題を解決します。このシステムでは、状態の部分的かつノイズのある測定値のみが入手可能です。この解は2つの部分に分かれます。1つはノイズのある測定値から状態を再構築する状態推定器(カルマンフィルタ)、もう1つは推定された状態に作用する最適コントローラ(LQR)です。この分離原理――カルマンフィルタとLQRは独立に計算され、その後結合される――は驚くべきものです。最適なLQG解は、単にLQRゲインをカルマン推定状態に適用するだけです。このエレガントな分解により、モジュール化された設計と解析が可能になります。
歴史学
カルマンは1960年にフィルタリングアルゴリズムを発表し、その後すぐに確率的LQ問題に拡張しました。アサンスは1971年に包括的な扱いを提供し、分離原理とロバストネス特性を確立しました。クワーケナークとシヴァンは1972年に理論と応用の両方を網羅した決定版の教科書を出版しました。1960年代半ばにブーシーらによって拡張カルマンフィルタ(EKF)が導入され、LQGは非線形システムに拡張されました。LQGは現代制御理論の中心であり続けており、H-無限制御やロバスト制御などの関連手法に影響を与えています。
使うべき場面
ガウスプロセスノイズと測定ノイズの影響を受ける線形システムがあり、完全な状態測定が利用できないか高価であり、不確実性下での最適制御が必要な場合にLQGを使用します。LQGは、宇宙船の姿勢制御、慣性航法、および不確実な外乱を伴う工業システムなどのアプリケーションに理想的です。システムが強く非線形である場合(拡張カルマンフィルタまたは無香カルマンフィルタのバリアントを使用)、ノイズが非ガウスである場合、または測定値が不規則な間隔で到着する場合、LQGは避けてください。
限界と注意点
- ガウスノイズを仮定します。実際の外乱は、外れ値や多峰性分布を伴う非ガウスであることがよくあります。
- プロセスノイズと測定ノイズの共分散 (Q, R) の正確な知識が必要です。不正確なノイズ統計は性能を低下させます。
- 線形性を仮定します。非線形システムでは、最適性の保証を失う近似(EKF、UKF)が必要です。
- 線形測定を仮定します。非線形測定関係には、拡張または無香のバリアントが必要です。
- ハード制約を扱えません。ソフトな二次ペナルティのみです。
出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。
強み
- ガウスノイズを伴う線形システムに対して証明された最適性。期待二次コストを最小化します。
- 分離原理:カルマンフィルタとLQRは独立に設計でき、解析とデバッグを簡素化します。
- 統一されたフレームワークで、最適な状態推定と最適なフィードバック制御の両方を提供します。
- カルマンフィルタ(ノイズ除去)とLQR(安定余裕)の両方から継承されたロバストネス特性。
- リアルタイム実装が可能。カルマンフィルタの更新とLQRゲインの適用は、それぞれO(n^3)およびO(n^2)です。
応用
- 航空宇宙:宇宙船の姿勢推定と制御、慣性航法システム、航空機の自動操縦装置設計。
- ロボット工学:移動ロボットにおけるセンサーフュージョン、測定ノイズを伴うSLAM(同時位置推定と地図作成)。
- 自動車:GPSとのオドメトリフュージョン、エンジン制御、アダプティブサスペンションダンピング。
- 電力システム:負荷周波数制御、PMU(フェーザ測定ユニット)データを用いたスマートグリッドの状態推定。
- 化学プロセス:反応器の温度および組成制御、測定ノイズ下での蒸留塔の最適化。
使い方
使い方
システムのモデルとノイズ共分散を使用して、ノイズのある測定値からシステム状態を再帰的に推定するためにカルマンフィルタを実行します。
システムのダイナミクスと二次コスト行列を使用して、最適なLQRフィードバックゲインを計算します。
各サンプリング時間で、ノイズのある出力を測定し、カルマンフィルタ推定を更新します。
制御入力 u = −K * x_hat (ここで x_hat は推定された状態)を適用し、新しい測定値で繰り返します。
よくある落とし穴
- データから推定する代わりに、試行錯誤でノイズ共分散 Q および R を調整します。これにより、フィルタリングが最適でなくなったり、ノイズ増幅が過剰になったりします。
- 分離原理を無視して、推定と制御を同時に最適化しようとします。これにより、不必要な複雑さが増します。
- カルマンフィルタの状態推定値を不正確に初期化します。初期条件が悪いと、収束が遅くなる可能性があります。
- システムが観測可能かつ制御可能であると検証せずに仮定します。そうでない場合、カルマンフィルタまたはLQRは不安定になる可能性があります。
よくある質問
分離原理とは何ですか、そしてなぜそれがそれほど重要なのでしょうか?
分離原理とは、LQGにおいて、最適な状態推定器(カルマンフィルタ)と最適なコントローラ(LQR)は独立に設計でき、それらを結合することが最適であるということです。これは、まず制御を無視してカルマンフィルタを設計し、次にノイズを無視してLQRコントローラを設計し、最適性の損失なしに両方を一緒に適用できることを意味します。これにより設計が簡素化され、モジュール化されたシステム開発が可能になります。
プロセスノイズ共分散 Q と測定ノイズ共分散 R をどのように推定しますか?
最も原則的なアプローチは、最尤法または共分散マッチング法を使用してデータから Q と R を推定することです。あるいは、センサー仕様と外乱の大きさに基づいておおよその推定値から始め、フィルタ残差(白く無相関であるべき)を監視することによって経験的に調整します。残差が相関している場合は Q または R を増やし、フィルタが発散する場合は減らします。
システムが非線形の場合はどうなりますか?
軽度に非線形なシステムの場合は、公称軌線の周りで線形化し、線形化されたシステム用に設計されたLQRと組み合わせて拡張カルマンフィルタ(EKF)を使用します。強く非線形なシステムの場合は、無香カルマンフィルタ(UKF)またはパーティクルフィルタを検討しますが、これらは最適性の保証を失います。非線形モデルを用いたモデル予測制御も別の選択肢です。
時間変化するシステムでLQGを使用できますか?
はい、カルマンフィルタとLQRの両方に時間変化するバリアントがあります。時間変化するカルマンフィルタは、終端コストから時間を逆方向にリッカチ方程式を解きます。時間変化するLQRも同様に時間を逆方向にリッカチ方程式を解きます。どちらも定常状態バージョンよりも計算コストが高くなりますが、軌跡追従やゆっくりと時間変化するダイナミクスを扱うことができます。
関連する手法
参考文献
Kalman, R. E. (1960). A new approach to linear filtering and prediction problems. Journal of Basic Engineering, 82(1), 35-45.
DOI 文献を開くコピーしました。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.
DOI 文献を開くコピーしました。Kwakernaak, H., & Sivan, R. (1972). Linear Optimal Control Systems. Wiley-Interscience.
出版物の文献を開くコピーしました。