Regulator liniowo-kwadratowy
- Autor metody
- Rudolf Kalman
- Rok
- 1960
- Typ
- algorithm
- Rodzina
- Optimal Control
Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku
Do czego służy?
Regulator liniowo-kwadratowy (LQR) to klasyczny algorytm sterowania optymalnego, który oblicza liniowe prawo sprzężenia zwrotnego w celu minimalizacji kwadratowej funkcji kosztu dla liniowego systemu dynamicznego.
Wprowadzony przez Kalmana w 1960 roku, LQR zapewnia udowodnione optymalne rozwiązanie w postaci zamkniętej dla systemów liniowych i pozostaje fundamentalny w teorii sterowania, robotyce i zastosowaniach lotniczych ze względu na swoją teoretyczną elegancję i wydajność obliczeniową.
Intuicja stojąca za metodą
LQR rozwiązuje problem sterowania systemem liniowym do zera (lub śledzenia referencji) przy jednoczesnym karaniu zarówno odchylenia od pożądanego stanu, jak i wysiłku (wielkości sygnału sterującego). Kluczowym spostrzeżeniem jest to, że dla systemów liniowych z kosztami kwadratowymi, optymalne prawo sterowania jest liniowe względem bieżącego stanu: u = −Kx, gdzie K jest macierzą wzmocnienia sprzężenia zwrotnego obliczaną offline. Algorytm najpierw rozwiązuje równanie różniczkowe Riccatiego w czasie wstecznym (lub algebraiczne równanie Riccatiego dla stanu ustalonego), aby znaleźć optymalną funkcję kosztu do przejścia, a następnie wyprowadza liniowe wzmocnienie sprzężenia zwrotnego. Pozwala to oddzielić obliczenia wzmocnień offline od sterowania online, umożliwiając niezwykle szybką implementację w czasie rzeczywistym.
Historia
Praca Kalmana z 1960 roku wprowadziła problem liniowego kwadratowego sterowania optymalnego i jego rozwiązanie za pomocą równania Riccatiego. Bryson i Ho rozszerzyli teorię pod koniec lat 60. i opublikowali przełomowy podręcznik w 1969 roku. Dyskretna wersja została opracowana przez Kalmana i innych w tym samym okresie, umożliwiając implementację cyfrową. LQR stał się od tego czasu podstawą nowoczesnej teorii sterowania, z rozszerzeniami na systemy stochastyczne (Liniowo-Kwadratowy Gaussowski, LQG) i rozszerzeniami na systemy nieliniowe (Gry Różniczkowe, NMPC).
Kiedy stosować
Użyj LQR, gdy Twój system jest liniowy (lub dobrze aproksymowany przez linearyzację), gdy cel naturalnie łączy błąd stanu i wysiłek sterowania, i gdy potrzebujesz udowodnionego optymalnego rozwiązania z szybkim obliczeniem. LQR doskonale sprawdza się w problemach takich jak stabilizacja odwróconego wahadła, sterowanie postawą samolotu czy optymalizacja trajektorii statków kosmicznych. Jest mniej odpowiedni dla systemów z twardymi ograniczeniami (zamiast tego użyj MPC) lub silnie nieliniową dynamiką.
Ograniczenia i uwagi
- Ograniczony do systemów liniowych; rzeczywiste systemy są często nieliniowe i wymagają linearyzacji.
- Nie obsługuje jawnie twardych ograniczeń na stan lub wejście; kary kwadratowe są tylko miękkimi ograniczeniami.
- Projekt funkcji kosztu (wybór Q i R) wymaga oceny inżynierskiej i dostrajania.
- Właściwości odporności wzmocnienia Kalmana zakładają dokładność modelu; niedopasowanie modelu pogarsza wydajność.
Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.
Mocne strony
- Dostarcza udowodnione optymalne prawo sprzężenia zwrotnego dla systemów liniowych z kosztem kwadratowym.
- Obliczenia wzmocnień offline; sterowanie online to tylko mnożenie macierzy przez wektor (niezwykle szybkie).
- Gwarancje marginesu wzmocnienia i marginesu fazy; wrodzone właściwości odporności (nieskończony margines wzmocnienia na wyjściu).
- Proste do obliczenia; dostępnych jest wiele algorytmów numerycznych (rozkład według Schura, metody wartości własnych).
- Naturalnie obsługuje systemy wielowymiarowe i rozdziela projekt sterowania od ograniczeń czujników i siłowników.
Zastosowania
- Lotnictwo: Sterowanie postawą samolotów i statków kosmicznych, optymalizacja trajektorii dla łazików marsjańskich i lądowników księżycowych.
- Robotyka: Balansowanie dwunożnych robotów, śledzenie trajektorii ramion manipulatorów, stabilizacja dronów quadrotor.
- Produkcja: Sterowanie ruchem precyzyjnych urządzeń (maszyny CNC), tłumienie drgań w systemach mechanicznych.
- Systemy energetyczne: Stabilizacja częstotliwości i napięcia sieci elektroenergetycznej, optymalizacja sterowania generatorami w mikrosieciach.
- Motoryzacja: Sterowanie zawieszeniem, kontrola trakcji i wspomaganie kierownicy w pojazdach.
Jak to działa
Jak to działa
Zdefiniuj dynamikę systemu liniowego (macierze A, B), horyzont predykcji oraz macierze kosztu kwadratowego (Q dla stanu, R dla wejścia).
Rozwiąż ciągłe lub dyskretne algebraiczne równanie Riccatiego, aby uzyskać symetryczną, dodatnio określoną macierz rozwiązania P.
Oblicz optymalną macierz wzmocnienia sprzężenia zwrotnego K = R^(-1) * B^T * P, używając rozwiązania Riccatiego.
Zastosuj liniowe prawo sprzężenia zwrotnego u(t) = −K x(t) do systemu na każdym kroku sterowania.
Częste pułapki
- Linearyzacja wokół niestabilnej równowagi lub zmiennego w czasie punktu odniesienia może unieważnić rozwiązanie LQR.
- Arbitralne ustawienie wag Q i R bez zrozumienia ich fizycznego znaczenia prowadzi do słabej wydajności sterowania.
- Zapominanie, że LQR jest obliczeniem offline; zmiany w Q, R lub parametrach systemu wymagają ponownego rozwiązania równania Riccatiego.
Najczęściej zadawane pytania
Jak wybrać macierze wagowe Q i R?
Systematyczne podejście polega na rozpoczęciu od Q jako macierzy diagonalnej, gdzie każdy element diagonalny jest proporcjonalny do 1/max_dozwolony_stan_i^2, a R proporcjonalny do 1/max_dozwolone_wejście_i^2. Następnie dostrajać empirycznie: zwiększyć Q, aby zaostrzyć regulację stanu, zwiększyć R, aby zmniejszyć wysiłek sterowania. Kompromisy między przeregulowaniem a czasem ustalania pojawiają się w miarę dostosowywania tych wag.
Czym jest algebraiczne równanie Riccatiego i dlaczego jest ważne?
Algebraiczne równanie Riccatiego (ARE) to macierzowe równanie kwadratowe, które pojawia się przy rozwiązywaniu problemu LQR o nieskończonym horyzoncie. Jego rozwiązanie P koduje optymalny koszt do przejścia z dowolnego stanu. Rozwiązanie ARE jest wąskim gardłem obliczeniowym LQR; nowoczesne algorytmy (np. poprzez rozkład według Schura) wykonują to w czasie O(n^3), gdzie n jest wymiarem stanu.
Czy LQR może obsługiwać systemy zmienne w czasie?
Tak, LQR zmienny w czasie rozwiązuje różniczkowe równanie Riccatiego (DRE) w czasie wstecznym. Wymaga to jednak rozwiązania ODE, co jest bardziej kosztowne obliczeniowo niż przypadek stanu ustalonego. LQR zmienny w czasie jest przydatny do śledzenia trajektorii lub systemów o powoli zmieniających się parametrach.
Dlaczego LQR ma gwarantowane marginesy odporności?
Optymalne prawo sprzężenia zwrotnego LQR gwarantuje nieskończony margines wzmocnienia (toleruje dowolne multiplikatywne błędy wyjściowe) i 50% margines fazy na wyjściu. Te marginesy stabilności wynikają ze struktury optymalnego rozwiązania i nie wymagają oddzielnego sprawdzania, w przeciwieństwie do kontrolerów PID lub innych heurystycznych kontrolerów.
Pokrewne metody
Źródła
Kalman, R. E. (1960). Contributions to the theory of optimal control. Boletin de la Sociedad Matematica Mexicana, 5(2), 102-119.
Otwórz odnośnik do publikacjiSkopiowano.Bryson, A. E., & Ho, Y. C. (1969). Applied Optimal Control: Optimization, Estimation and Control. Blaisdell Publishing.
Otwórz odnośnik do publikacjiSkopiowano.Lewis, F. L., Vrabie, D., & Syrmos, V. L. (2012). Optimal Control (3rd ed.). John Wiley & Sons.
Otwórz odnośnik DOISkopiowano.