Linear Quadratic Gaussian
- Proposto por
- Rudolf Kalman
- Ano
- 1960
- Tipo
- algorithm
- Família
- Stochastic Control
Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês
O que ele faz?
O controlador Linear Quadratic Gaussian (LQG) combina o Linear Quadratic Regulator (LQR) com um Filtro de Kalman para lidar com sistemas estocásticos com ruído de medição e ruído de processo.
Desenvolvido por Kalman e posteriormente formalizado por Athans e outros, o LQG é a extensão estocástica natural do LQR e permanece o padrão ouro para controle linear ótimo sob ruído, com aplicações que abrangem espaçonaves, piloto automático de aeronaves e controle de processos industriais.
A intuição por trás do método
O LQG resolve o problema de controlar um sistema linear que é corrompido por ruído Gaussiano, onde apenas medições parciais e ruidosas do estado estão disponíveis. A solução se divide em duas partes: um estimador de estado (Filtro de Kalman) que reconstrói o estado a partir de medições ruidosas, e um controlador ótimo (LQR) que atua sobre o estado estimado. Este princípio de separação — o Filtro de Kalman e o LQR são calculados independentemente, depois combinados — é notável: a solução ótima LQG é simplesmente aplicar o ganho LQR ao estado estimado pelo Kalman. Esta elegante decomposição permite design e análise modulares.
História
Kalman publicou o algoritmo de filtragem em 1960 e o estendeu para o problema estocástico LQ logo depois. Athans forneceu um tratamento abrangente em 1971, estabelecendo o princípio de separação e as propriedades de robustez. Kwakernaak e Sivan publicaram um livro definitivo em 1972 cobrindo teoria e aplicações. A introdução do Filtro de Kalman Estendido (EKF) por Bucy e outros em meados da década de 1960 estendeu o LQG para sistemas não lineares. O LQG permanece central na teoria de controle moderna e inspirou métodos relacionados como controle H-infinito e controle robusto.
Quando usar
Use LQG quando você tem um sistema linear sujeito a ruído de processo e medição Gaussiano, quando a medição de estado completa não está disponível ou é cara, e quando você precisa de controle ótimo sob incerteza. O LQG é ideal para aplicações como controle de atitude de espaçonaves, navegação inercial e sistemas industriais com distúrbios incertos. Evite LQG se o sistema for fortemente não linear (use variantes de filtro de Kalman estendido ou unscented), se o ruído for não Gaussiano, ou se as medições chegarem em intervalos irregulares.
Limitações e considerações
- Assume ruído Gaussiano; distúrbios reais são frequentemente não Gaussianos com outliers ou distribuições multimodais.
- Requer conhecimento preciso das covariâncias de ruído de processo e medição (Q, R); estatísticas de ruído mal especificadas degradam o desempenho.
- Suposição linear; sistemas não lineares requerem aproximações (EKF, UKF) que perdem as garantias de otimalidade.
- Assume medições lineares; relações de medição não lineares requerem variantes estendidas ou unscented.
- Não pode lidar com restrições rígidas; apenas penalidades quadráticas suaves.
As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.
Pontos fortes
- Provavelmente ótimo para sistemas lineares com ruído Gaussiano; minimiza o custo quadrático esperado.
- Princípio de separação: o Filtro de Kalman e o LQR podem ser projetados independentemente, simplificando a análise e a depuração.
- Fornece tanto a estimação ótima de estado quanto o controle ótimo de realimentação em um framework unificado.
- Propriedades de robustez herdadas tanto do Filtro de Kalman (rejeição de ruído) quanto do LQR (margens de estabilidade).
- Implementação em tempo real factível; tanto a atualização do filtro de Kalman quanto a aplicação do ganho LQR são O(n^3) e O(n^2) respectivamente.
Aplicações
- Aeroespacial: Estimativa e controle de atitude de espaçonaves, sistemas de navegação inercial, projeto de piloto automático para aeronaves.
- Robótica: Fusão de sensores em robôs móveis, SLAM (Localização e Mapeamento Simultâneos) com ruído de medição.
- Automotivo: Fusão de odometria com GPS, controle de motor, amortecimento adaptativo de suspensão.
- Sistemas de energia: Controle de frequência de carga, estimação de estado em redes inteligentes com dados PMU (unidade de medição fasorial).
- Processos químicos: Controle de temperatura e composição de reatores, otimização de colunas de destilação sob ruído de medição.
Como funciona
Como funciona
Execute um Filtro de Kalman para estimar recursivamente o estado do sistema a partir de medições ruidosas usando o modelo do sistema e as covariâncias de ruído.
Calcule o ganho de realimentação LQR ótimo usando a dinâmica do sistema e as matrizes de custo quadrático.
A cada instante de amostragem, meça a saída ruidosa e atualize a estimativa do Filtro de Kalman.
Aplique a entrada de controle u = −K * x_hat (onde x_hat é o estado estimado) e repita com novas medições.
Erros comuns
- Ajuste das covariâncias de ruído Q e R por tentativa e erro em vez de estimá-las a partir de dados; isso leva a filtragem subótima ou amplificação excessiva de ruído.
- Ignorar o princípio de separação e tentar otimizar conjuntamente estimação e controle, levando a complexidade desnecessária.
- Inicializar incorretamente a estimativa de estado do Filtro de Kalman; más condições iniciais podem desacelerar a convergência.
- Assumir que o sistema é observável e controlável sem verificação; se não for, o Filtro de Kalman ou o LQR podem ser instáveis.
Perguntas frequentes
Qual é o princípio de separação e por que ele é tão importante?
O princípio de separação afirma que, para LQG, o estimador de estado ótimo (Filtro de Kalman) e o controlador ótimo (LQR) podem ser projetados independentemente, e combiná-los é ótimo. Isso significa que você pode primeiro projetar um Filtro de Kalman ignorando o controle, depois projetar um controlador LQR ignorando o ruído, e aplicar ambos juntos sem perda de otimalidade. Isso simplifica o projeto e permite o desenvolvimento modular do sistema.
Como estimo a covariância de ruído de processo Q e a covariância de ruído de medição R?
A abordagem mais principiada é estimar Q e R a partir de dados usando métodos de máxima verossimilhança ou correspondência de covariância. Alternativamente, comece com estimativas aproximadas baseadas em especificações de sensores e magnitudes de distúrbios, depois ajuste empiricamente monitorando os resíduos do filtro (eles devem ser brancos e não correlacionados). Se os resíduos forem correlacionados, aumente Q ou R; se o filtro divergir, reduza-os.
O que acontece se meu sistema for não linear?
Para sistemas levemente não lineares, linearize em torno da trajetória nominal e use o Filtro de Kalman Estendido (EKF) combinado com LQR projetado para o sistema linearizado. Para sistemas fortemente não lineares, considere o Filtro de Kalman Unscented (UKF) ou filtros de partículas, embora estes percam a garantia de otimalidade. Controle Preditivo Baseado em Modelo com modelos não lineares é outra alternativa.
Posso usar LQG com sistemas variantes no tempo?
Sim, o Filtro de Kalman e o LQR têm variantes variantes no tempo. O Filtro de Kalman variante no tempo resolve uma equação de Riccati para trás no tempo a partir de um custo terminal. O LQR variante no tempo também resolve uma equação de Riccati para trás no tempo. Ambos são computacionalmente mais caros do que as versões de estado estacionário, mas permitem o tratamento de rastreamento de trajetória e dinâmicas lentamente variantes no tempo.
Métodos relacionados
Fontes
Kalman, R. E. (1960). A new approach to linear filtering and prediction problems. Journal of Basic Engineering, 82(1), 35-45.
Abrir referência DOICopiado.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.
Abrir referência DOICopiado.Kwakernaak, H., & Sivan, R. (1972). Linear Optimal Control Systems. Wiley-Interscience.
Abrir referência da publicaçãoCopiado.