Skip to content
Назад к результатам поиска

Линейный квадратичный регулятор

Автор метода
Rudolf Kalman
Год
1960
Тип
algorithm
Семейство
Optimal Control

Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском

Размер шрифта

Что он делает?

Линейный квадратичный регулятор (LQR) — это классический алгоритм оптимального управления, который вычисляет линейный закон обратной связи для минимизации квадратичной функции стоимости для линейной динамической системы.

Введенный Калманом в 1960 году, LQR предоставляет доказуемо оптимальное решение в замкнутой форме для линейных систем и остается фундаментальным в теории управления, робототехнике и аэрокосмических приложениях благодаря своей теоретической элегантности и вычислительной эффективности.

Интуиция метода

LQR решает задачу управления линейной системой к нулю (или отслеживания уставки), одновременно наказывая как отклонение от желаемого состояния, так и затрачиваемое усилие (величину управляющего воздействия). Ключевая идея заключается в том, что для линейных систем с квадратичными стоимостями оптимальный закон управления является линейным по текущему состоянию: u = −Kx, где K — матрица коэффициентов обратной связи, вычисляемая оффлайн. Алгоритм сначала решает дифференциальное уравнение Риккати, решаемое в обратном времени (или алгебраическое уравнение Риккати для установившегося режима), чтобы найти оптимальную функцию стоимости до конца, а затем выводит линейный коэффициент обратной связи. Это разделяет оффлайн-вычисление коэффициентов и онлайн-управление, обеспечивая чрезвычайно быструю реализацию в реальном времени.

История

Работа Калмана 1960 года представила задачу линейного квадратичного оптимального управления и ее решение через уравнение Риккати. Брайсон и Хо расширили теорию в конце 1960-х годов и опубликовали основополагающий учебник в 1969 году. Дискретная версия была разработана Калманом и другими в ту же эпоху, что позволило реализовать цифровую реализацию. С тех пор LQR стал основой современной теории управления, с расширениями для стохастических систем (линейно-квадратичный гауссовский, LQG) и расширениями для нелинейных систем (дифференциальные игры, NMPC).

Когда применять

Используйте LQR, когда ваша система линейна (или хорошо аппроксимируется линеаризацией), когда цель естественно сочетает ошибку состояния и управляющее усилие, и когда вам нужно доказуемо оптимальное решение с быстрыми вычислениями. LQR превосходно подходит для таких задач, как стабилизация перевернутого маятника, управление ориентацией летательных аппаратов или оптимизация траекторий космических аппаратов. Он менее подходит для систем с жесткими ограничениями (вместо этого используйте MPC) или сильно нелинейной динамикой.

Ограничения и замечания

  • Ограничено линейными системами; реальные системы часто нелинейны и требуют линеаризации.
  • Не обрабатывает явно жесткие ограничения на состояние или управление; квадратичные штрафы являются только мягкими ограничениями.
  • Проектирование функции стоимости (выбор Q и R) требует инженерного суждения и настройки.
  • Свойства робастности коэффициента Калмана предполагают точность модели; несоответствие модели ухудшает производительность.

Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.

Сильные стороны

  • Предоставляет доказуемо оптимальный закон обратной связи для линейных систем с квадратичной стоимостью.
  • Оффлайн-вычисление коэффициентов; онлайн-управление — это просто умножение матрицы на вектор (чрезвычайно быстро).
  • Гарантии запаса по усилению и фазового запаса; присущие свойства робастности (бесконечный запас по усилению на выходе).
  • Простота вычисления; доступно множество численных алгоритмов (разложение Шура, методы собственных значений).
  • Естественно обрабатывает многомерные системы и отделяет проектирование управления от ограничений датчиков и исполнительных механизмов.

Применение

  • Аэрокосмическая отрасль: управление ориентацией самолетов и космических аппаратов, оптимизация траекторий для марсоходов и лунных посадочных модулей.
  • Робототехника: балансировка двуногих ходунов, отслеживание траектории манипуляторов, стабилизация квадрокоптеров.
  • Производство: управление движением прецизионного оборудования (станки с ЧПУ), гашение вибраций в механических системах.
  • Энергетические системы: стабилизация частоты и напряжения электросети, оптимизация управления генераторами в микросетях.
  • Автомобильная промышленность: управление подвеской, противобуксовочная система и помощь при рулевом управлении в транспортных средствах.

Как это работает

Как это работает

1

Определить динамику линейной системы (матрицы A, B), горизонт прогнозирования и матрицы квадратичной стоимости (Q для состояния, R для управления).

2

Решить непрерывное или дискретное алгебраическое уравнение Риккати, чтобы получить симметричную положительно определенную матрицу решения P.

3

Вычислить оптимальную матрицу коэффициентов обратной связи K = R^(-1) * B^T * P, используя решение Риккати.

4

Применить линейный закон обратной связи u(t) = −K x(t) к системе на каждом шаге управления.

Частые ошибки

  • Линеаризация вокруг неустойчивого равновесия или зависящей от времени уставки может сделать решение LQR недействительным.
  • Произвольное назначение весов Q и R без понимания их физического смысла приводит к плохой производительности управления.
  • Забывание о том, что LQR является оффлайн-вычислением; изменения в Q, R или параметрах системы требуют повторного решения уравнения Риккати.

Часто задаваемые вопросы

Как выбрать весовые матрицы Q и R?

Систематический подход заключается в том, чтобы начать с Q как диагональной матрицы, где каждый диагональный элемент пропорционален 1/max_allowed_state_i^2, а R пропорционален 1/max_allowed_input_i^2. Затем настройте эмпирически: увеличьте Q для более точного регулирования состояния, увеличьте R для снижения управляющего усилия. Компромиссы между перерегулированием и временем установления возникают при изменении этих весов.

Что такое алгебраическое уравнение Риккати и почему оно важно?

Алгебраическое уравнение Риккати (ARE) — это матричное квадратное уравнение, которое возникает при решении задачи LQR с бесконечным горизонтом. Его решение P кодирует оптимальную стоимость до конца из любого состояния. Решение ARE является вычислительным узким местом LQR; современные алгоритмы (например, через разложение Шура) делают это за время O(n^3), где n — размерность состояния.

Может ли LQR обрабатывать системы, зависящие от времени?

Да, LQR, зависящий от времени, решает дифференциальное уравнение Риккати (DRE), решаемое в обратном времени. Однако это требует решения обыкновенного дифференциального уравнения, что более вычислительно затратно, чем случай установившегося режима. LQR, зависящий от времени, полезен для отслеживания траектории или систем с медленно меняющимися параметрами.

Почему LQR имеет гарантированные запасы робастности?

Оптимальный закон обратной связи LQR гарантирует бесконечный запас по усилению (допускает произвольные мультипликативные ошибки на выходе) и 50% запас по фазе на выходе. Эти запасы устойчивости возникают из структуры оптимального решения и не требуют отдельной проверки, в отличие от ПИД или других эвристических регуляторов.

Похожие методы

Источники

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

    Открыть ссылку на публикацию
    Скопировано.
  2. Bryson, A. E., & Ho, Y. C. (1969). Applied Optimal Control: Optimization, Estimation and Control. Blaisdell Publishing.

    Открыть ссылку на публикацию
    Скопировано.
  3. Lewis, F. L., Vrabie, D., & Syrmos, V. L. (2012). Optimal Control (3rd ed.). John Wiley & Sons.

    Открыть ссылку DOI
    Скопировано.