Regulator Kwadraturowo-Liniowy (LQR)
- Autor metody
- Rudolf Kalman
- Rok
- 1960
- Typ
- algorithm
- Rodzina
- Stochastic Control
Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku
Do czego służy?
Regulator Kwadraturowo-Liniowy (LQR) w połączeniu z Filtrem Kalmana tworzy regulator Liniowo-Kwadraturowo-Gaussowski (LQG), który obsługuje systemy stochastyczne z szumem pomiarowym i szumem procesowym.
Opracowany przez Kalmana, a później sformalizowany przez Athansa i innych, LQG jest naturalnym stochastycznym rozszerzeniem LQR i pozostaje złotym standardem optymalnego sterowania liniowego w warunkach szumu, ze zastosowaniami obejmującymi statki kosmiczne, autopiloty samolotów i kontrolę procesów przemysłowych.
Intuicja stojąca za metodą
LQG rozwiązuje problem sterowania systemem liniowym, który jest zanieczyszczony szumem gaussowskim, gdzie dostępne są tylko częściowe i zaszumione pomiary stanu. Rozwiązanie dzieli się na dwie części: estymator stanu (Filtr Kalmana), który rekonstruuje stan z zaszumionych pomiarów, oraz optymalny regulator (LQR), który działa na oszacowany stan. Ta zasada separacji – Filtr Kalmana i LQR są obliczane niezależnie, a następnie łączone – jest niezwykła: optymalne rozwiązanie LQG polega po prostu na zastosowaniu wzmocnienia LQR do stanu oszacowanego przez Filtr Kalmana. Ta elegancka dekompozycja umożliwia modułowe projektowanie i analizę.
Historia
Kalman opublikował algorytm filtrowania w 1960 roku i krótko po tym rozszerzył go na stochastyczny problem LQ. Athans przedstawił kompleksowe opracowanie w 1971 roku, ustanawiając zasadę separacji i właściwości odporności. Kwakernaak i Sivan opublikowali definitywny podręcznik w 1972 roku, obejmujący zarówno teorię, jak i zastosowania. Wprowadzenie Rozszerzonego Filtra Kalmana (EKF) przez Bucy'ego i innych w połowie lat 60. rozszerzyło LQG na systemy nieliniowe. LQG pozostaje centralnym elementem nowoczesnej teorii sterowania i zainspirował powiązane metody, takie jak sterowanie H-nieskończoność i sterowanie odporne.
Kiedy stosować
Użyj LQG, gdy masz system liniowy poddany gaussowskiemu szumowi procesowemu i pomiarowemu, gdy pełny pomiar stanu jest niedostępny lub kosztowny, i gdy potrzebujesz optymalnego sterowania w warunkach niepewności. LQG jest idealny do zastosowań takich jak sterowanie orientacją statków kosmicznych, nawigacja inercyjna i systemy przemysłowe z niepewnymi zakłóceniami. Unikaj LQG, jeśli system jest silnie nieliniowy (użyj rozszerzonych lub unscented wariantów Filtra Kalmana), jeśli szum jest nieliniowy, lub jeśli pomiary docierają w nieregularnych odstępach czasu.
Ograniczenia i uwagi
- Zakłada szum gaussowski; rzeczywiste zakłócenia są często nieliniowe z wartościami odstającymi lub rozkładami wielomodalnymi.
- Wymaga dokładnej znajomości kowariancji szumu procesowego i pomiarowego (Q, R); błędnie określone statystyki szumu pogarszają wydajność.
- Założenie liniowości; systemy nieliniowe wymagają aproksymacji (EKF, UKF), które tracą gwarancje optymalności.
- Zakłada liniowe pomiary; nieliniowe zależności pomiarowe wymagają rozszerzonych lub unscented wariantów.
- Nie może obsługiwać twardych ograniczeń; tylko miękkie kary kwadraturowe.
Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.
Mocne strony
- Dowodnie optymalny dla systemów liniowych z szumem gaussowskim; minimalizuje oczekiwany koszt kwadraturowy.
- Zasada separacji: Filtr Kalmana i LQR mogą być projektowane niezależnie, co upraszcza analizę i debugowanie.
- Zapewnia zarówno optymalną estymację stanu, jak i optymalne sterowanie sprzężeniem zwrotnym w zunifikowanej ramie.
- Właściwości odporności odziedziczone zarówno po Filtrze Kalmana (tłumienie szumów), jak i LQR (marginesy stabilności).
- Wykonalna implementacja w czasie rzeczywistym; zarówno aktualizacja Filtra Kalmana, jak i zastosowanie wzmocnienia LQR mają złożoność odpowiednio O(n^3) i O(n^2).
Zastosowania
- Lotnictwo: Estymacja i sterowanie orientacją statków kosmicznych, systemy nawigacji inercyjnej, projektowanie autopilota dla samolotów.
- Robotyka: Fuzja sensorów w robotach mobilnych, SLAM (Simultaneous Localization and Mapping) z szumem pomiarowym.
- Motoryzacja: Fuzja odometrii z GPS, sterowanie silnikiem, adaptacyjne tłumienie zawieszenia.
- Systemy energetyczne: Sterowanie częstotliwością obciążenia, estymacja stanu w inteligentnych sieciach z danymi PMU (phasor measurement unit).
- Procesy chemiczne: Sterowanie temperaturą i składem reaktora, optymalizacja kolumn destylacyjnych przy szumie pomiarowym.
Jak to działa
Jak to działa
Uruchom Filtr Kalmana w celu rekursywnego estymowania stanu systemu z zaszumionych pomiarów, wykorzystując model systemu i kowariancje szumu.
Oblicz optymalne wzmocnienie sprzężenia zwrotnego LQR, używając dynamiki systemu i macierzy kosztów kwadraturowych.
W każdym kroku czasowym próbkowania zmierz zaszumiony sygnał wyjściowy i zaktualizuj estymatę Filtra Kalmana.
Zastosuj sygnał sterujący u = −K * x_hat (gdzie x_hat jest oszacowanym stanem) i powtórz z nowymi pomiarami.
Częste pułapki
- Dostrajanie kowariancji szumu Q i R metodą prób i błędów zamiast estymowania ich z danych; prowadzi to do suboptymalnego filtrowania lub nadmiernego wzmocnienia szumu.
- Ignorowanie zasady separacji i próba wspólnej optymalizacji estymacji i sterowania, co prowadzi do niepotrzebnej złożoności.
- Nieprawidłowe zainicjowanie estymaty stanu Filtra Kalmana; złe warunki początkowe mogą spowolnić zbieżność.
- Zakładanie, że system jest obserwowalny i sterowalny bez weryfikacji; jeśli nie, Filtr Kalmana lub LQR mogą być niestabilne.
Najczęściej zadawane pytania
Czym jest zasada separacji i dlaczego jest tak ważna?
Zasada separacji stwierdza, że dla LQG optymalny estymator stanu (Filtr Kalmana) i optymalny regulator (LQR) mogą być projektowane niezależnie, a ich połączenie jest optymalne. Oznacza to, że można najpierw zaprojektować Filtr Kalmana ignorując sterowanie, następnie zaprojektować regulator LQR ignorując szum, i zastosować oba razem bez utraty optymalności. Upraszcza to projektowanie i umożliwia modułowy rozwój systemu.
Jak oszacować kowariancję szumu procesowego Q i kowariancję szumu pomiarowego R?
Najbardziej zasadne podejście polega na estymowaniu Q i R z danych przy użyciu metod największej wiarygodności lub dopasowania kowariancji. Alternatywnie, zacznij od przybliżonych oszacowań opartych na specyfikacjach czujników i wielkościach zakłóceń, a następnie dostrój empirycznie, monitorując reszty filtru (powinny być białe i nieskorelowane). Jeśli reszty są skorelowane, zwiększ Q lub R; jeśli filtr dywerguje, zmniejsz je.
Co się stanie, jeśli mój system jest nieliniowy?
Dla systemów łagodnie nieliniowych, linearyzuj wokół nominalnej trajektorii i użyj Rozszerzonego Filtra Kalmana (EKF) w połączeniu z LQR zaprojektowanym dla zlinearyzowanego systemu. Dla systemów silnie nieliniowych rozważ Unscented Kalman Filter (UKF) lub filtry cząsteczkowe, chociaż tracą one gwarancję optymalności. Model Predictive Control z nieliniowymi modelami jest inną alternatywą.
Czy mogę używać LQG z systemami zmiennymi w czasie?
Tak, Filtr Kalmana i LQR mają warianty zmienne w czasie. Zmienny w czasie Filtr Kalmana rozwiązuje równanie Riccatiego wstecz w czasie od kosztu końcowego. Zmienny w czasie LQR również rozwiązuje równanie Riccatiego wstecz w czasie. Oba są bardziej kosztowne obliczeniowo niż wersje stacjonarne, ale umożliwiają obsługę śledzenia trajektorii i powoli zmieniającej się dynamiki.
Pokrewne metody
Źródła
Kalman, R. E. (1960). A new approach to linear filtering and prediction problems. Journal of Basic Engineering, 82(1), 35-45.
Otwórz odnośnik DOISkopiowano.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.
Otwórz odnośnik DOISkopiowano.Kwakernaak, H., & Sivan, R. (1972). Linear Optimal Control Systems. Wiley-Interscience.
Otwórz odnośnik do publikacjiSkopiowano.