Линейно-квадратичный гауссовский регулятор
- Автор метода
- Rudolf Kalman
- Год
- 1960
- Тип
- algorithm
- Семейство
- Stochastic Control
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Линейно-квадратичный гауссовский (LQG) регулятор сочетает линейно-квадратичный регулятор (LQR) с фильтром Калмана для управления стохастическими системами с шумом измерений и технологическим шумом.
Разработанный Калманом и позднее формализованный Атансом и другими, LQG является естественным стохастическим расширением LQR и остается золотым стандартом для оптимального линейного управления в условиях шума, с приложениями, охватывающими космические аппараты, автопилоты самолетов и управление промышленными процессами.
Интуиция метода
LQG решает задачу управления линейной системой, которая подвержена гауссовскому шуму, где доступны только частичные и зашумленные измерения состояния. Решение разделяется на две части: оценщик состояния (фильтр Калмана), который восстанавливает состояние по зашумленным измерениям, и оптимальный регулятор (LQR), который действует на оцененное состояние. Этот принцип разделения — фильтр Калмана и LQR вычисляются независимо, а затем объединяются — примечателен: оптимальное LQG-решение просто применяет усиление LQR к оцененному Калманом состоянию. Это элегантное разложение обеспечивает модульную разработку и анализ.
История
Калман опубликовал алгоритм фильтрации в 1960 году и вскоре после этого расширил его до стохастической LQ-задачи. Атанс представил всестороннее рассмотрение в 1971 году, установив принцип разделения и свойства робастности. Квакернаак и Сиван опубликовали исчерпывающий учебник в 1972 году, охватывающий как теорию, так и приложения. Введение расширенного фильтра Калмана (EKF) Бьюси и другими в середине 1960-х годов расширило LQG на нелинейные системы. LQG остается центральным в современной теории управления и вдохновил на создание связанных методов, таких как H-бесконечное управление и робастное управление.
Когда применять
Используйте LQG, когда у вас есть линейная система, подверженная гауссовскому технологическому шуму и шуму измерений, когда полное измерение состояния недоступно или дорого, и когда вам требуется оптимальное управление в условиях неопределенности. LQG идеально подходит для таких приложений, как управление ориентацией космического аппарата, инерциальная навигация и промышленные системы с неопределенными возмущениями. Избегайте LQG, если система сильно нелинейна (используйте расширенные или беззапаховые варианты фильтра Калмана), если шум негауссовский или если измерения поступают через нерегулярные интервалы.
Ограничения и замечания
- Предполагает гауссовский шум; реальные возмущения часто являются негауссовскими с выбросами или мультимодальными распределениями.
- Требует точного знания ковариаций технологического шума и шума измерений (Q, R); неправильно заданная статистика шума ухудшает производительность.
- Линейное предположение; нелинейные системы требуют аппроксимаций (EKF, UKF), которые теряют гарантии оптимальности.
- Предполагает линейные измерения; нелинейные зависимости измерений требуют расширенных или беззапаховых вариантов.
- Не может обрабатывать жесткие ограничения; только мягкие квадратичные штрафы.
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Доказательно оптимален для линейных систем с гауссовским шумом; минимизирует ожидаемую квадратичную стоимость.
- Принцип разделения: фильтр Калмана и LQR могут быть спроектированы независимо, что упрощает анализ и отладку.
- Обеспечивает как оптимальную оценку состояния, так и оптимальное управление с обратной связью в единой структуре.
- Свойства робастности, унаследованные как от фильтра Калмана (подавление шума), так и от LQR (запасы устойчивости).
- Возможна реализация в реальном времени; обновление фильтра Калмана и применение усиления LQR имеют сложность O(n^3) и O(n^2) соответственно.
Применение
- Аэрокосмическая отрасль: оценка и управление ориентацией космических аппаратов, инерциальные навигационные системы, проектирование автопилотов для самолетов.
- Робототехника: слияние данных датчиков в мобильных роботах, SLAM (одновременная локализация и картирование) с шумом измерений.
- Автомобильная промышленность: слияние одометрии с GPS, управление двигателем, адаптивное демпфирование подвески.
- Энергетические системы: управление частотой нагрузки, оценка состояния в интеллектуальных сетях с данными PMU (устройство измерения фазоров).
- Химические процессы: контроль температуры и состава реактора, оптимизация ректификационных колонн в условиях шума измерений.
Как это работает
Как это работает
Шаг 1 — Запустите фильтр Калмана для рекурсивной оценки состояния системы по зашумленным измерениям, используя модель системы и ковариации шума.
Шаг 2 — Вычислите оптимальное усиление обратной связи LQR, используя динамику системы и квадратичные матрицы стоимости.
Шаг 3 — В каждый момент дискретизации измеряйте зашумленный выход и обновляйте оценку фильтра Калмана.
Шаг 4 — Примените управляющее воздействие u = −K * x_hat (где x_hat — оцененное состояние) и повторите с новыми измерениями.
Частые ошибки
- Настройка ковариаций шума Q и R методом проб и ошибок вместо их оценки по данным; это приводит к субоптимальной фильтрации или чрезмерному усилению шума.
- Игнорирование принципа разделения и попытка совместной оптимизации оценки и управления, что приводит к излишней сложности.
- Неправильная инициализация оценки состояния фильтра Калмана; плохие начальные условия могут замедлить сходимость.
- Предположение о наблюдаемости и управляемости системы без проверки; в противном случае фильтр Калмана или LQR могут быть нестабильными.
Часто задаваемые вопросы
Что такое принцип разделения и почему он так важен?
Принцип разделения утверждает, что для LQG оптимальный оценщик состояния (фильтр Калмана) и оптимальный регулятор (LQR) могут быть спроектированы независимо, и их объединение является оптимальным. Это означает, что вы можете сначала спроектировать фильтр Калмана, игнорируя управление, затем спроектировать контроллер LQR, игнорируя шум, и применить оба вместе без потери оптимальности. Это упрощает проектирование и обеспечивает модульную разработку системы.
Как оценить ковариацию технологического шума Q и ковариацию шума измерений R?
Наиболее принципиальный подход заключается в оценке Q и R по данным с использованием методов максимального правдоподобия или согласования ковариаций. В качестве альтернативы, начните с грубых оценок, основанных на спецификациях датчиков и величинах возмущений, затем настройте эмпирически, отслеживая остатки фильтра (они должны быть белыми и некоррелированными). Если остатки коррелированы, увеличьте Q или R; если фильтр расходится, уменьшите их.
Что произойдет, если моя система нелинейна?
Для слабо нелинейных систем линеаризуйте вокруг номинальной траектории и используйте расширенный фильтр Калмана (EKF) в сочетании с LQR, разработанным для линеаризованной системы. Для сильно нелинейных систем рассмотрите беззапаховый фильтр Калмана (UKF) или частичные фильтры, хотя они теряют гарантию оптимальности. Модельное предиктивное управление с нелинейными моделями является еще одной альтернативой.
Могу ли я использовать LQG с нестационарными системами?
Да, как фильтр Калмана, так и LQR имеют нестационарные варианты. Нестационарный фильтр Калмана решает уравнение Риккати в обратном времени от конечной стоимости. Нестационарный LQR также решает уравнение Риккати в обратном времени. Оба они более вычислительно затратны, чем стационарные версии, но позволяют обрабатывать отслеживание траектории и медленно изменяющуюся динамику.
Похожие методы
Источники
Kalman, R. E. (1960). A new approach to linear filtering and prediction problems. Journal of Basic Engineering, 82(1), 35-45.
Открыть ссылку DOIСкопировано.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.
Открыть ссылку DOIСкопировано.Kwakernaak, H., & Sivan, R. (1972). Linear Optimal Control Systems. Wiley-Interscience.
Открыть ссылку на публикациюСкопировано.