Doğrusal Karesel Gauss
- Ortaya koyan
- Rudolf Kalman
- Yıl
- 1960
- Tür
- algorithm
- Aile
- Stochastic Control
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Doğrusal Karesel Gauss (LQG) denetleyicisi, stokastik sistemleri ölçüm gürültüsü ve işlem gürültüsü ile ele almak için Doğrusal Karesel Düzenleyiciyi (LQR) bir Kalman Filtresi ile birleştirir.
Kalman tarafından geliştirilen ve daha sonra Athans ve diğerleri tarafından biçimlendirilen LQG, LQR'nin doğal stokastik uzantısıdır ve gürültü altındaki optimal doğrusal kontrol için altın standart olmaya devam etmektedir; uzay aracı, uçak otopilotu ve endüstriyel proses kontrolü gibi alanlarda uygulamaları bulunmaktadır.
Yöntemin mantığı
LQG, Gauss gürültüsüyle bozulmuş, yalnızca durumun kısmi ve gürültülü ölçümlerinin mevcut olduğu doğrusal bir sistemi kontrol etme problemini çözer. Çözüm iki bölüme ayrılır: gürültülü ölçümlerden durumu yeniden yapılandıran bir durum tahmincisi (Kalman Filtresi) ve tahmin edilen duruma etki eden optimal bir denetleyici (LQR). Bu ayrım ilkesi — Kalman Filtresi ve LQR bağımsız olarak hesaplanır, sonra birleştirilir — dikkat çekicidir: optimal LQG çözümü, LQR kazancını Kalman tahmin edilen durumuna uygulamaktır. Bu zarif ayrıştırma, modüler tasarım ve analize olanak tanır.
Tarih
Kalman, filtreleme algoritmasını 1960'ta yayınladı ve kısa süre sonra stokastik LQ problemine genişletti. Athans, 1971'de ayrım ilkesini ve sağlamlık özelliklerini ortaya koyarak kapsamlı bir inceleme sağladı. Kwakernaak ve Sivan, 1972'de hem teoriyi hem de uygulamaları kapsayan kesin bir ders kitabı yayınladılar. Bucy ve diğerleri tarafından 1960'ların ortalarında Genişletilmiş Kalman Filtresinin (EKF) tanıtılması, LQG'yi doğrusal olmayan sistemlere genişletti. LQG, modern kontrol teorisinin merkezinde yer almaya devam etmekte ve H-sonsuz kontrol ve sağlam kontrol gibi ilgili yöntemlere ilham vermiştir.
Ne zaman kullanılır?
Doğrusal bir sisteme Gauss işlem ve ölçüm gürültüsüne maruz kaldığınızda, tam durum ölçümünün mevcut olmadığında veya pahalı olduğunda ve belirsizlik altında optimal kontrol gerektiğinde LQG kullanın. LQG, uzay aracı tutum kontrolü, ataletsel navigasyon ve belirsiz bozulmalara sahip endüstriyel sistemler gibi uygulamalar için idealdir. Sistem güçlü bir şekilde doğrusal değilse (genişletilmiş veya unscented Kalman filtresi varyantlarını kullanın), gürültü Gauss değilse veya ölçümler düzensiz aralıklarla geliyorsa LQG'den kaçının.
Sınırlar ve dikkat edilmesi gerekenler
- Gauss gürültüsünü varsayar; gerçek bozulmalar genellikle aykırı değerler veya çok modlu dağılımlarla Gauss olmayanlardır.
- İşlem ve ölçüm gürültüsü kovaryanslarının (Q, R) doğru bilgisini gerektirir; yanlış belirtilen gürültü istatistikleri performansı düşürür.
- Doğrusal sistem varsayımı; doğrusal olmayan sistemler, optimalite garantilerini kaybeden yaklaşımlar (EKF, UKF) gerektirir.
- Doğrusal ölçümleri varsayar; doğrusal olmayan ölçüm ilişkileri, genişletilmiş veya unscented varyantları gerektirir.
- Sert kısıtlamaları işleyemez; yalnızca yumuşak karesel cezalar uygular.
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Gauss gürültülü doğrusal sistemler için kanıtlanmış şekilde optimaldir; beklenen karesel maliyeti en aza indirir.
- Ayrım ilkesi: Kalman Filtresi ve LQR bağımsız olarak tasarlanabilir, bu da analizi ve hata ayıklamayı basitleştirir.
- Tek bir çerçevede hem optimal durum tahmini hem de optimal geri besleme kontrolü sağlar.
- Hem Kalman Filtresinden (gürültü reddi) hem de LQR'den (kararlılık marjları) miras alınan sağlamlık özellikleri.
- Gerçek zamanlı uygulama mümkündür; hem Kalman filtresi güncellemesi hem de LQR kazanç uygulaması sırasıyla O(n^3) ve O(n^2)'dir.
Uygulama alanları
- Havacılık ve Uzay: Uzay aracı tutum tahmini ve kontrolü, ataletsel navigasyon sistemleri, uçak otopilot tasarımı.
- Robotik: Mobil robotlarda sensör füzyonu, ölçüm gürültüsü ile SLAM (Eş Zamanlı Konumlandırma ve Haritalama).
- Otomotiv: GPS ile odometri füzyonu, motor kontrolü, adaptif süspansiyon sönümleme.
- Güç sistemleri: Yük frekans kontrolü, PMU (fazör ölçüm birimi) verileriyle akıllı şebekelerde durum tahmini.
- Kimyasal işlemler: Reaksiyon sıcaklığı ve bileşim kontrolü, ölçüm gürültüsü altında damıtma kolonu optimizasyonu.
Nasıl çalışır?
Nasıl çalışır?
Sistem modelini ve gürültü kovaryanslarını kullanarak gürültülü ölçümlerden sistem durumunu özyinelemeli olarak tahmin etmek için bir Kalman Filtresi çalıştırın.
Sistem dinamiklerini ve karesel maliyet matrislerini kullanarak optimal LQR geri besleme kazancını hesaplayın.
Her örnekleme zamanında, gürültülü çıktıyı ölçün ve Kalman Filtresi tahminini güncelleyin.
Kontrol girdisini u = −K * x_hat (burada x_hat tahmin edilen durumdur) uygulayın ve yeni ölçümlerle tekrarlayın.
Sık yapılan hatalar
- Verilerden ziyade deneme yanılma yoluyla gürültü kovaryansları Q ve R'yi ayarlama; bu, suboptimal filtrelemeye veya aşırı gürültü yükseltmesine yol açar.
- Ayrım ilkesini göz ardı ederek tahmin ve kontrolü birlikte optimize etmeye çalışma, bu da gereksiz karmaşıklığa yol açar.
- Kalman Filtresi durum tahminini yanlış başlatma; kötü başlangıç koşulları yakınsamayı yavaşlatabilir.
- Sistemin gözlemlenebilir ve kontrol edilebilir olduğunu doğrulamadan varsayma; değilse, Kalman Filtresi veya LQR kararsız olabilir.
Sık sorulan sorular
Ayrım ilkesi nedir ve neden bu kadar önemlidir?
Ayrım ilkesi, LQG için optimal durum tahmincisinin (Kalman Filtresi) ve optimal denetleyicinin (LQR) bağımsız olarak tasarlanabileceğini ve bunların birleştirilmesinin optimal olduğunu belirtir. Bu, önce kontrolü göz ardı ederek bir Kalman Filtresi tasarlayabileceğiniz, ardından gürültüyü göz ardı ederek bir LQR denetleyicisi tasarlayabileceğiniz ve her ikisini de kayıp olmadan birlikte uygulayabileceğiniz anlamına gelir. Bu, tasarımı basitleştirir ve modüler sistem geliştirmeyi sağlar.
İşlem gürültüsü kovaryansı Q ve ölçüm gürültüsü kovaryansı R'yi nasıl tahmin ederim?
En prensipli yaklaşım, maksimum olabilirlik veya kovaryans eşleştirme yöntemlerini kullanarak verilerden Q ve R'yi tahmin etmektir. Alternatif olarak, sensör spesifikasyonlarına ve bozulma büyüklüklerine dayalı kaba tahminlerle başlayın, ardından filtre artıklarını izleyerek ampirik olarak ayarlayın (bunlar beyaz ve ilişkisiz olmalıdır). Artıklar ilişkiliyse, Q veya R'yi artırın; filtre ıraksa, bunları azaltın.
Sistemim doğrusal değilse ne olur?
Hafif doğrusal olmayan sistemler için, nominal yörünge etrafında doğrusallaştırın ve doğrusal hale getirilmiş sistem için tasarlanmış LQR ile birleştirilmiş Genişletilmiş Kalman Filtresini (EKF) kullanın. Güçlü doğrusal olmayan sistemler için, Unscented Kalman Filtresini (UKF) veya parçacık filtrelerini düşünün, ancak bunlar optimalite garantisini kaybeder. Doğrusal olmayan modellerle Model Öngörülü Kontrol başka bir alternatiftir.
Zamana bağlı sistemlerle LQG kullanabilir miyim?
Evet, hem Kalman Filtresi hem de LQR'nin zamana bağlı varyantları vardır. Zamana bağlı Kalman Filtresi, bir terminal maliyetten geriye doğru bir Riccati denklemini çözer. Zamana bağlı LQR de geriye doğru bir Riccati denklemini çözer. Her ikisi de sabit durum versiyonlarından daha hesaplama yoğundur ancak yörünge takibini ve yavaş zamana bağlı dinamikleri işlemeyi mümkün kılar.
İlgili yöntemler
Kaynaklar
Kalman, R. E. (1960). A new approach to linear filtering and prediction problems. Journal of Basic Engineering, 82(1), 35-45.
DOI kaynağını açKopyalandı.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.
DOI kaynağını açKopyalandı.Kwakernaak, H., & Sivan, R. (1972). Linear Optimal Control Systems. Wiley-Interscience.
Yayın kaynağını açKopyalandı.