它有什么作用?
线性二次高斯(LQG)控制器结合了线性二次调节器(LQR)和卡尔曼滤波器,用于处理具有测量噪声和过程噪声的随机系统。LQG由卡尔曼开发,后由Athans等人正式化,是噪声下最优线性控制的自然随机扩展,在航天器、飞机自动驾驶仪和工业过程控制等领域仍是黄金标准。
方法背后的直觉
LQG解决了控制受高斯噪声干扰的线性系统的问题,其中只有状态的部分有噪声测量可用。该解分为两部分:一个状态估计器(卡尔曼滤波器),用于从有噪声的测量中重建状态;以及一个作用于估计状态的最优控制器(LQR)。这种分离原理——卡尔曼滤波器和LQR独立计算,然后组合——非常显著:最优LQG解就是将LQR增益应用于卡尔曼估计的状态。这种优雅的分解实现了模块化设计和分析。
历史学
卡尔曼于1960年发表了滤波算法,并 shortly after 将其扩展到随机LQ问题。Athans在1971年进行了全面处理,确立了分离原理和鲁棒性。Kwakernaak和Sivan在1972年出版了一本关于理论和应用的权威教科书。Bucy等人于20世纪60年代中期引入了扩展卡尔曼滤波器(EKF),将LQG扩展到非线性系统。LQG仍然是现代控制理论的核心,并启发了H-infinity控制和鲁棒控制等相关方法。
何时使用
当您拥有一个受高斯过程和测量噪声影响的线性系统,并且无法获得完整状态测量或测量成本高昂,同时您需要不确定性下的最优控制时,请使用LQG。LQG非常适合航天器姿态控制、惯性导航和具有不确定干扰的工业系统等应用。如果系统强非线性(请使用扩展或无迹卡尔曼滤波器变体)、噪声非高斯或测量间隔不规则,则应避免使用LQG。
局限与注意事项
- 假设噪声为高斯噪声;实际干扰通常是非高斯噪声,带有异常值或多峰分布。
- 需要精确的过程噪声和测量噪声协方差(Q, R)信息;不正确的噪声统计数据会降低性能。
- 线性假设;非线性系统需要近似(EKF, UKF),这会丢失最优性保证。
- 假设测量是线性的;非线性测量关系需要扩展或无迹变体。
- 无法处理硬约束;仅能处理软二次惩罚。
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 对于具有高斯噪声的线性系统,可证明是最优的;可最小化期望二次成本。
- 分离原理:卡尔曼滤波器和LQR可以独立设计,简化了分析和调试。
- 在一个统一的框架内提供了最优状态估计和最优反馈控制。
- 继承了卡尔曼滤波器(噪声抑制)和LQR(稳定性裕度)的鲁棒性。
- 可实现实时运行;卡尔曼滤波器更新和LQR增益应用分别为 O(n^3) 和 O(n^2)。
应用
- 航空航天:航天器姿态估计与控制、惯性导航系统、飞机自动驾驶仪设计。
- 机器人学:移动机器人的传感器融合、具有测量噪声的SLAM(同时定位与地图构建)。
- 汽车:GPS里程计融合、发动机控制、自适应悬架阻尼。
- 电力系统:负荷频率控制、具有PMU(相量测量单元)数据的智能电网状态估计。
- 化学过程:反应器温度和成分控制、测量噪声下的蒸馏塔优化。
使用方式
使用方式
运行卡尔曼滤波器,利用系统模型和噪声协方差从有噪声的测量中递归估计系统状态。
计算最优LQR反馈增益,使用系统动力学和二次成本矩阵。
在每个采样时刻,测量有噪声的输出并更新卡尔曼滤波器估计。
应用控制输入 u = −K * x_hat(其中 x_hat 是估计的状态),并使用新的测量重复此过程。
常见陷阱
- 通过试错调整噪声协方差Q和R,而不是从数据中估计它们;这会导致次优滤波或过度噪声放大。
- 忽略分离原理,试图联合优化估计和控制,导致不必要的复杂性。
- 错误地初始化卡尔曼滤波器状态估计;不良的初始条件会减慢收敛速度。
- 假设系统可观测且可控但未经验证;如果不是,卡尔曼滤波器或LQR可能不稳定。
常见问题
什么是分离原理?为什么它如此重要?
分离原理指出,对于LQG,最优状态估计器(卡尔曼滤波器)和最优控制器(LQR)可以独立设计,并将它们组合起来是最优的。这意味着您可以先设计一个忽略控制的卡尔曼滤波器,然后设计一个忽略噪声的LQR控制器,并将两者结合使用而不会损失最优性。这简化了设计,并实现了模块化系统开发。
如何估计过程噪声协方差Q和测量噪声协方差R?
最原则性的方法是使用最大似然或协方差匹配方法从数据中估计Q和R。或者,根据传感器规格和干扰幅度进行粗略估计,然后通过监视滤波器残差(它们应该是白噪声且不相关)进行经验调整。如果残差相关,则增加Q或R;如果滤波器发散,则减小它们。
如果我的系统是非线性的会怎样?
对于轻微非线性系统,围绕标称轨迹进行线性化,并使用扩展卡尔曼滤波器(EKF)结合为线性化系统设计的LQR。对于强非线性系统,可以考虑无迹卡尔曼滤波器(UKF)或粒子滤波器,尽管这些会丢失最优性保证。具有非线性模型的模型预测控制是另一种选择。
我可以使用LQG处理时变系统吗?
是的,卡尔曼滤波器和LQR都有时变变体。时变卡尔曼滤波器从终端成本向后求解Riccati方程。时变LQR也向后求解Riccati方程。两者都比稳态版本计算成本更高,但能够处理轨迹跟踪和缓慢时变动力学。
相关方法
参考文献
Kalman, R. E. (1960). A new approach to linear filtering and prediction problems. Journal of Basic Engineering, 82(1), 35-45.
打开 DOI 文献已复制。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.
打开 DOI 文献已复制。Kwakernaak, H., & Sivan, R. (1972). Linear Optimal Control Systems. Wiley-Interscience.
打开出版物文献已复制。