笔记92：连续状态空间方程转化为离散状态空间方程的详细推导 + 离散LQR控制器详细推导

1）离散LQR的推导原理：

---

拉格朗日乘子法都是在等式约束下用的；

对这个性能函数J运用拉格朗日乘子法后，得到的函数是二次型函数（即转化为了最优化控制问题），二次型函数只有一个极值点而且是极小值点，那么极小值就是最小值；

使用Frenet坐标系中的车辆动力学方程作为约束条件；

---

a

a

a

a

a

a

2）离散状态空间方程推导：

---

注：这里的推导省略了一个求逆的运算，因为dt就是采样周期，而采样周期一般取值很小所以这里可以忽略不计，减少计算量；

---

a

a

a

a

a

a

3）DLQR的求解方程推导：

---

注：本质上是求的值使得性能函数取得最小值；

解释：因为中的所有的值都是受决定的，因为本来和的值是存在一个关系，这个关系由离散动力学方程描述出来，所以当指定了的值的时候，该动力学方程就成为了一个确定的微分方程了，求解这个微分方程就可以将求解出来，所以真正的未知数只有一个（是已知初始条件），所以用拉格朗日乘子法求的最小值本质上就是求一系列适合的的值，使得代价函数的值最小；

得到新的性能函数：加入了拉格朗日乘子之后

得到性能函数的偏导数：

最终得到：

求解的递推式：

为什么要求的递推式：是因为由2式知要想求，则必须要先知道，求出以后LQR问题就解决了；

将求的递推式改为求的递推式：

里卡提（Riccati）方程（一个迭代公式）有一个很好的性质：

---

a

a

a

a

a

a

4）DLQR算法总结：

---

a

对LQR算法本质的总结：

• 利用性能函数J作为目标；
• 利用Frenet上的动力学方程作为（等式）约束条件；
• 使用拉格朗日乘子法计算J的极小值点处U的值（在这一步中经过数学推导，可以不用计算复杂的拉格朗日乘子法，直接用现成的里卡提公式就可以计算出极小值点处U的值）

---