1. LQR控制算法概述
线性二次调节器（Linear Quadratic Regulator，LQR）是现代控制理论中最为经典和实用的状态反馈控制方法之一。作为一名从事嵌入式控制系统开发多年的工程师，我经常在各种实际项目中应用LQR算法，从无人机飞控到工业机械臂，都能看到它的身影。
1.1 LQR的核心思想
LQR的核心可以用一个简单的驾驶场景来理解：想象你正在高速公路上驾驶汽车，需要保持在车道中央行驶。这个过程中你需要平衡两个相互矛盾的需求：
- 快速纠正偏离（对应状态误差最小化）
- 保持驾驶平稳（对应控制能量最小化）
LQR的精妙之处在于，它通过数学方法自动找到了这两个需求之间的最优平衡点。与传统的PID控制相比，LQR具有以下显著优势：
- 多变量统一处理：能自然处理多输入多输出(MIMO)系统的耦合关系
- 性能可量化：通过代价函数明确量化控制目标
- 稳定性保证：闭环系统具有天然的稳定性
- 参数整定科学：避免了PID那种"试凑"式的调参
1.2 LQR的数学基础
LQR建立在状态空间模型之上，系统动态描述为：
code复制ẋ(t) = Ax(t) + Bu(t)
其中：
- x(t) ∈ Rⁿ是状态向量
- u(t) ∈ Rᵐ是控制输入
- A ∈ Rⁿˣⁿ是系统矩阵
- B ∈ Rⁿˣᵐ是输入矩阵
LQR的目标是设计状态反馈控制律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
Q和R分别是状态和控制输入的权重矩阵，它们决定了我们对"状态误差"和"控制能量"的重视程度。
2. LQR的详细数学推导
2.1 代价函数的构建
让我们深入理解代价函数J的物理意义。这个积分函数包含两个关键部分：
-
状态惩罚项xᵀQx：
- Q是半正定矩阵(Q≥0)
- 该项惩罚状态偏离平衡点的程度
- 对角线元素Qᵢᵢ对应状态xᵢ的惩罚权重
-
控制惩罚项uᵀRu：
- R是正定矩阵(R>0)
- 该项惩罚控制能量消耗
- 对角线元素Rⱼⱼ对应控制输入uⱼ的惩罚权重
在实际工程中，Q和R的选择遵循以下原则：
- 希望严格控制的状态变量对应较大的Q值
- 昂贵或受限的执行器对应较大的R值
2.2 最优控制问题的求解
为了求解这个优化问题，我们引入哈密顿函数和协态变量λ(t)：
-
构造哈密顿函数：
code复制H = 1/2(xᵀQx + uᵀRu) + λᵀ(Ax + Bu) -
最优性条件：
- 状态方程：∂H/∂λ = ẋ = Ax + Bu
- 协态方程：-∂H/∂x = λ̇ = -Qx - Aᵀλ
- 控制方程：∂H/∂u = 0 ⇒ Ru + Bᵀλ = 0
-
最优控制律：
从控制方程可得：code复制u* = -R⁻¹Bᵀλ
2.3 黎卡提方程的推导
这里出现了一个关键问题：最优控制u*依赖于协态λ，而λ又与状态x相关。为了建立直接的状态反馈，我们假设存在线性关系：
code复制λ(t) = Px(t)
将这个假设代入前述方程，经过一系列推导（对λ=Px求导并代入状态和协态方程），我们最终得到连续时间代数黎卡提方程(ARE)：
code复制AᵀP + PA - PBR⁻¹BᵀP + Q = 0
这个矩阵方程的解P是一个对称正定矩阵，它包含了系统的最优控制信息。有了P之后，最优反馈增益矩阵K可以表示为：
code复制K = R⁻¹BᵀP
在实际工程中，我们通常使用MATLAB的lqr函数或Python的control.lqr函数来求解这个方程，避免了手动求解的复杂性。
3. LQR的工程实现
3.1 Simulink仿真实现
让我们以直流电机速度控制为例，展示LQR的实际应用。电机参数如下：
- 电阻R=2.0Ω
- 电感L=0.5H
- 转矩常数Kt=0.02N·m/A
- 反电动势常数Ke=0.02V·s/rad
- 转动惯量J=0.002kg·m²
- 摩擦系数B=0.0001N·m·s/rad
状态空间模型为：
code复制A = [-R/L -Ke/L
Kt/J -B/J]
B = [1/L
0]
在Simulink中搭建模型的步骤如下：
-
创建状态空间模块：
- 使用State-Space模块，填入A,B,C,D矩阵
- C = [0 1]（输出为转速ω）
- D = 0
-
设计LQR控制器：
matlab复制Q = diag([0, 100]); % 重视转速误差 R = 1; % 控制能量权重 K = lqr(A, B, Q, R); -
实现状态反馈：
- 使用Gain模块实现u = -Kx
- 添加前馈增益Nbar消除稳态误差：
matlab复制Nbar = -1/(C*inv(A-B*K)*B);
-
构建完整系统：
- 参考输入通过Nbar缩放后加入
- 状态反馈信号相减
- 使用Scope观察转速和电流响应
3.2 权重矩阵的选择技巧
选择合适的Q和R矩阵是LQR设计中最具挑战性的部分。以下是几种实用的方法：
-
Bryson法则：
code复制Qᵢᵢ = 1/(最大允许xᵢ)² Rⱼⱼ = 1/(最大允许uⱼ)²这种方法提供了良好的归一化起点。
-
闭环极点配置法：
先确定期望的闭环极点位置，然后调整Q和R直到获得接近的极点配置。 -
迭代调整法：
- 从Q=I, R=ρI开始(ρ是标量)
- 逐步调整ρ直到获得满意的响应
- 然后微调Q的对角线元素
3.3 实际工程中的注意事项
-
状态可测性：
- LQR需要所有状态变量可测量
- 对于不可测状态，需要设计状态观测器
-
执行器饱和：
- 理论上的最优控制可能要求超出执行器能力的控制输入
- 实际实现时需要加入饱和限制
-
模型不确定性：
- LQR性能依赖于模型的准确性
- 对于参数变化大的系统，考虑鲁棒控制或自适应控制
-
离散化实现：
- 数字控制器需要离散化处理
- 使用
c2d函数转换连续模型为离散模型 - 求解离散黎卡提方程(DARE)
4. LQR的进阶应用
4.1 积分增强型LQR
为了消除稳态误差，可以在状态向量中加入误差积分项：
code复制xₙ₊₁ = ∫(r - y)dt
增广后的系统矩阵变为：
code复制Ã = [A 0
-C 0]
B̃ = [B
0]
然后针对增广系统设计LQR，得到的控制律自然包含积分项。
4.2 输出调节器问题
当输出y=Cx而非全部状态需要调节时，可以修改代价函数为：
code复制J = ∫(yᵀQy + uᵀRu)dt = ∫(xᵀCᵀQCx + uᵀRu)dt
这相当于使用Q̃ = CᵀQC。
4.3 跟踪问题
对于参考信号跟踪，可以采用前馈-反馈复合控制：
code复制u = -Kx + Nbar·r
其中Nbar的计算如前所述，或者使用误差积分方法。
5. 与其他控制方法的比较
5.1 LQR vs PID
-
多变量处理：
- PID：需要为每个输入-输出对单独设计，难以处理耦合
- LQR：自然处理多变量耦合
-
参数整定：
- PID：依赖经验和试凑
- LQR：基于系统模型和明确的目标函数
-
性能保证：
- PID：无法保证全局最优
- LQR：保证代价函数最小化
5.2 LQR vs MPC
-
计算复杂度：
- LQR：离线计算，在线简单矩阵乘法
- MPC：在线优化，计算量大
-
约束处理：
- LQR：难以显式处理约束
- MPC：可以显式处理各种约束
-
适用场景：
- LQR：适用于线性无约束或软约束系统
- MPC：适用于有复杂约束的非线性系统
6. 实际应用案例
6.1 倒立摆控制
倒立摆是经典的LQR应用案例。系统状态通常包括：
- 小车位置x
- 小车速度ẋ
- 摆杆角度θ
- 摆杆角速度θ̇
LQR能够很好地平衡"保持摆杆直立"和"限制小车移动"这两个相互矛盾的目标。
6.2 四旋翼无人机
四旋翼有6个自由度（位置x,y,z和姿态ϕ,θ,ψ），通过4个电机控制，是典型的欠驱动系统。LQR可以：
- 解耦姿态和位置控制
- 处理多变量耦合
- 平衡响应速度与能量消耗
6.3 柔性机械臂
对于带有柔性模态的机械臂，LQR可以：
- 同时控制刚体运动和抑制振动
- 通过调整Q矩阵权重平衡运动速度和振动抑制
7. 常见问题与调试技巧
7.1 系统不稳定
可能原因：
- 模型不准确（A,B矩阵错误）
- Q或R选择不当
- 状态不可观
解决方法：
- 验证模型准确性
- 尝试增大R或减小Q
- 检查状态可观性
7.2 响应过慢
可能原因：
- Q权重太小
- R权重太大
解决方法：
- 增大Q中对关键状态的权重
- 减小R值
7.3 控制输入饱和
可能原因：
- 执行器能力不足
- R权重太小
解决方法：
- 增加执行器能力
- 增大R值
- 加入饱和补偿
8. 从理论到实践的思考
在实际工程中应用LQR时，有几个关键点需要特别注意：
-
模型准确性：LQR的性能高度依赖于系统模型的准确性。在建模阶段投入足够的时间是值得的。
-
状态估计：对于不可直接测量的状态，需要设计合适的状态观测器。卡尔曼滤波器是常见选择。
-
实时性考虑：在资源受限的嵌入式系统中，矩阵运算可能需要优化。可以考虑预先计算K矩阵，或者使用定点数运算。
-
鲁棒性测试：在仿真阶段充分测试系统在不同工况和参数变化下的表现，确保足够的鲁棒性。
-
渐进式实现：可以先在仿真环境中验证，然后逐步过渡到实物测试，降低风险。