1. LQR控制算法概述
线性二次调节器(Linear Quadratic Regulator,简称LQR)是现代控制理论中最为经典和实用的状态反馈控制算法之一。我第一次接触LQR是在研究生阶段的机器人控制课程上,当时就被它优雅的数学形式和强大的控制性能所吸引。经过这些年在工业机器人领域的实践应用,我越发体会到这个算法的精妙之处。
LQR本质上是一种最优控制算法,它通过最小化一个包含状态变量和控制输入的二次型代价函数,来设计系统的最优反馈控制律。与PID控制等传统方法相比,LQR能够系统地考虑多变量系统的耦合特性,提供全局最优的控制策略。在无人机飞行控制、机器人运动规划、汽车自动驾驶等领域都有广泛应用。
提示:LQR虽然数学推导较为复杂,但实际应用中已经有成熟的工具库支持,工程师不必每次都从头推导,理解其核心思想更为重要。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. LQR算法原理详解
2.1 基本问题描述
考虑一个线性时不变系统:
code复制ẋ(t) = Ax(t) + Bu(t)
其中x∈Rⁿ是状态向量,u∈Rᵐ是控制输入,A和B是适当维数的系统矩阵。LQR的目标是找到控制律u(t)=-Kx(t),使得以下二次型代价函数最小化:
code复制J = ∫[xᵀQx + uᵀRu]dt
这里Q和R是设计者选择的权重矩阵,分别表示对状态误差和控制量的重视程度。
2.2 Riccati方程求解
通过变分法可以推导出,最优反馈增益矩阵K的解为:
code复制K = R⁻¹BᵀP
其中P是Riccati代数方程的解:
code复制AᵀP + PA - PBR⁻¹BᵀP + Q = 0
这个方程看似复杂,但在MATLAB或Python中都有现成的求解函数。例如在Python中可以使用scipy.linalg.solve_continuous_are函数。
2.3 权重矩阵选择
Q和R的选择是LQR设计的关键,它们决定了系统的动态响应特性。一般来说:
- Q中对角线上较大的值表示对应的状态变量需要更严格的控制
- R中对角线上较大的值表示希望减小对应的控制输入
- 通常先设R为单位矩阵,调整Q直到获得满意的响应
3. LQR算法实现步骤
3.1 系统建模与线性化
在实际应用中,我们通常需要:
- 建立系统的非线
