Przejdź do treści
Wróć do wyników wyszukiwania

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

Rozmiar czcionki

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

1

Zdefiniuj dynamikę systemu liniowego (macierze A, B), horyzont predykcji oraz macierze kosztu kwadratowego (Q dla stanu, R dla wejścia).

2

Rozwiąż ciągłe lub dyskretne algebraiczne równanie Riccatiego, aby uzyskać symetryczną, dodatnio określoną macierz rozwiązania P.

3

Oblicz optymalną macierz wzmocnienia sprzężenia zwrotnego K = R^(-1) * B^T * P, używając rozwiązania Riccatiego.

4

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

  1. Kalman, R. E. (1960). Contributions to the theory of optimal control. Boletin de la Sociedad Matematica Mexicana, 5(2), 102-119.

    Otwórz odnośnik do publikacji
    Skopiowano.
  2. Bryson, A. E., & Ho, Y. C. (1969). Applied Optimal Control: Optimization, Estimation and Control. Blaisdell Publishing.

    Otwórz odnośnik do publikacji
    Skopiowano.
  3. Lewis, F. L., Vrabie, D., & Syrmos, V. L. (2012). Optimal Control (3rd ed.). John Wiley & Sons.

    Otwórz odnośnik DOI
    Skopiowano.