Skip to content
Voltar aos resultados

Regulador Linear Quadrático

Proposto por
Rudolf Kalman
Ano
1960
Tipo
algorithm
Família
Optimal Control

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

O Regulador Linear Quadrático (LQR) é um algoritmo clássico de controle ótimo que calcula uma lei de feedback linear para minimizar uma função de custo quadrática para um sistema dinâmico linear.

Introduzido por Kalman em 1960, o LQR fornece uma solução comprovadamente ótima e em forma fechada para sistemas lineares e permanece fundamental na teoria de controle, robótica e aplicações aeroespaciais devido à sua elegância teórica e eficiência computacional.

A intuição por trás do método

O LQR resolve o problema de levar um sistema linear a zero (ou rastrear uma referência) enquanto penaliza tanto o desvio do estado desejado quanto o esforço (magnitude da entrada de controle). A principal percepção é que, para sistemas lineares com custos quadráticos, a lei de controle ótima é linear no estado atual: u = −Kx, onde K é a matriz de ganho de feedback calculada offline. O algoritmo primeiro resolve uma equação diferencial de Riccati no tempo reverso (ou equação algébrica de Riccati para regime permanente) para encontrar a função de custo-a-percorrer ótima, e então deriva o ganho de feedback linear. Isso separa o cálculo offline dos ganhos do controle online, permitindo uma implementação em tempo real extremamente rápida.

História

O artigo de Kalman de 1960 introduziu o problema de Controle Ótimo Linear Quadrático e sua solução via equação de Riccati. Bryson e Ho expandiram a teoria no final da década de 1960 e publicaram o livro-texto seminal em 1969. A versão em tempo discreto foi desenvolvida por Kalman e outros na mesma época, possibilitando a implementação digital. O LQR tornou-se desde então fundamental na teoria de controle moderna, com extensões para sistemas estocásticos (Linear Quadratic Gaussian, LQG) e extensões para sistemas não lineares (Jogos Diferenciais, NMPC).

Quando usar

Use o LQR quando seu sistema for linear (ou bem aproximado por linearização), quando o objetivo combinar naturalmente o erro de estado e o esforço de controle, e quando você precisar de uma solução comprovadamente ótima com computação rápida. O LQR se destaca em problemas como estabilizar um pêndulo invertido, controlar a atitude de aeronaves ou otimizar trajetórias de espaçonaves. É menos adequado para sistemas com restrições rígidas (use MPC em vez disso) ou dinâmicas fortemente não lineares.

Limitações e considerações

  • Restrito a sistemas lineares; sistemas reais são frequentemente não lineares e exigem linearização.
  • Não lida explicitamente com restrições rígidas de estado ou entrada; as penalidades quadráticas são apenas restrições suaves.
  • O projeto da função de custo (escolha de Q e R) requer julgamento de engenharia e ajuste.
  • As propriedades de robustez do ganho de Kalman assumem que o modelo é preciso; a incompatibilidade do modelo degrada o desempenho.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Fornece a lei de feedback comprovadamente ótima para sistemas lineares com custo quadrático.
  • Cálculo offline dos ganhos; o controle online é apenas uma multiplicação matriz-vetor (extremamente rápido).
  • Garantias de margem de ganho e margem de fase; propriedades de robustez inerentes (margem de ganho infinita na saída).
  • Fácil de calcular; muitos algoritmos numéricos estão disponíveis (decomposição de Schur, métodos de autovalores).
  • Lida naturalmente com sistemas multivariáveis e desacopla o projeto de controle das restrições de sensores e atuadores.

Aplicações

  • Aeroespacial: Controle de atitude de aeronaves e espaçonaves, otimização de trajetória para rovers de Marte e módulos lunares.
  • Robótica: Equilíbrio de robôs bípedes, rastreamento de trajetória de braços manipuladores, estabilização de drones quadricópteros.
  • Manufatura: Controle de movimento de equipamentos de precisão (máquinas CNC), amortecimento de vibrações em sistemas mecânicos.
  • Sistemas de energia: Estabilização da frequência e tensão da rede elétrica, otimização do controle de geradores em microrredes.
  • Automotivo: Controle de suspensão, controle de tração e assistência de direção em veículos.

Como funciona

Como funciona

1

Defina a dinâmica do sistema linear (matrizes A, B), o horizonte de previsão e as matrizes de custo quadráticas (Q para o estado, R para a entrada).

2

Resolva a equação algébrica de Riccati em tempo contínuo ou discreto para obter a matriz de solução P simétrica e definida positiva.

3

Calcule a matriz de ganho de feedback ótima K = R^(-1) * B^T * P usando a solução de Riccati.

4

Aplique a lei de feedback linear u(t) = −K x(t) ao sistema em cada etapa de controle.

Erros comuns

  • A linearização em torno de um equilíbrio instável ou referência variável no tempo pode tornar a solução LQR inválida.
  • Definir os pesos Q e R arbitrariamente sem entender seu significado físico leva a um desempenho de controle ruim.
  • Esquecer que o LQR é um cálculo offline; mudanças em Q, R ou parâmetros do sistema exigem a resolução da equação de Riccati.

Perguntas frequentes

Como escolho as matrizes de ponderação Q e R?

Uma abordagem sistemática é começar com Q como uma matriz diagonal, com cada entrada diagonal proporcional a 1/max_allowed_state_i^2, e R proporcional a 1/max_allowed_input_i^2. Em seguida, ajuste empiricamente: aumente Q para apertar a regulação do estado, aumente R para reduzir o esforço de controle. Trade-offs entre overshoot e tempo de acomodação surgem à medida que você ajusta esses pesos.

O que é a equação algébrica de Riccati e por que ela é importante?

A equação algébrica de Riccati (ARE) é uma equação quadrática matricial que surge ao resolver o problema LQR de horizonte infinito. Sua solução P codifica o custo-a-percorrer ótimo de qualquer estado. Resolver a ARE é o gargalo computacional do LQR; algoritmos modernos (por exemplo, via decomposição de Schur) fazem isso em tempo O(n^3), onde n é a dimensão do estado.

O LQR pode lidar com sistemas variantes no tempo?

Sim, o LQR variante no tempo resolve uma equação diferencial de Riccati (DRE) para trás no tempo. No entanto, isso requer a resolução de uma EDO, o que é mais computacionalmente caro do que o caso de regime permanente. O LQR variante no tempo é útil para rastreamento de trajetória ou sistemas com parâmetros que variam lentamente.

Por que o LQR tem margens de robustez garantidas?

A lei de feedback ótima do LQR garante margem de ganho infinita (tolerar erros de saída multiplicativos arbitrários) e margem de fase de 50% na saída. Essas margens de estabilidade vêm da estrutura da solução ótima e não precisam ser verificadas separadamente, ao contrário de PID ou outros controladores heurísticos.

Métodos relacionados

Fontes

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

    Abrir referência da publicação
    Copiado.
  2. Bryson, A. E., & Ho, Y. C. (1969). Applied Optimal Control: Optimization, Estimation and Control. Blaisdell Publishing.

    Abrir referência da publicação
    Copiado.
  3. Lewis, F. L., Vrabie, D., & Syrmos, V. L. (2012). Optimal Control (3rd ed.). John Wiley & Sons.

    Abrir referência DOI
    Copiado.