最优控制问题

汤姆_布利柏

已于 2023-11-25 16:37:27 修改

阅读量199

点赞数

文章标签：算法

于 2023-11-09 21:09:38 首次发布

本文链接：https://blog.csdn.net/weixin_46072670/article/details/134313492

版权

　　控制算法LQR与MPC中涉及到最优控制，最优控制是解决控制问题的基础，是了解控制目标的核心。最优控制需要了解到状态控制方程，控制器的设计等等。

　　最优控制（Optimal Control）：在约束条件（比如方向盘转角的限制）下达到最优的系统表现。

　　用数学的方式描述最优化问题，如上图控制器就是要设计的内容，设计的控制器能够得到使得输入误差减小的控制量u，然后通过系统的状态空间方程 $\dot{X}=AX+BU$ 能够得出施加控制量u之后系统的状态变量该是多少（比如车的方向盘转角），然后建立输出y与状态变量（比如车的方向盘转角）的关系（比如 $Y=CX$ ）得到输出的位置再传回目标位置得到误差e。

　　对于单输入单输出系统（SISO）来说，可以建立目标代价函数 $J=\int_{0}^{t}(qe^{2}+ru^{2})dt$ ；对于多输入多输出系统（MIMO）来说，可以建立目标代价函数 $J=\int_{0}^{t}(E^{T}QE+U^{T}RU)dt$ 。从轨迹追踪的角度去分析，设计的控制器可以使得系统跟踪能力非常强；从输入的角度来说，总体来说的输入越小，对于物理条件来说能耗就是最低的，可以用很小的能耗达到系统的表现。

　　最优化的过程就是设计一个控制器（输入误差e输出控制量u）使得代价函数J取得最小值，即实际问题就是追踪上目标位置。q/Q 和 r/R 是可以调节的参数，如果把 q/Q 设计的比 r/R 大很多，就说明在做最优化的过程中更加看重误差e，如果让 r/R 比 q/Q 大很多，就说明在最优化的过程中就更加看重输入u。

　　来看一个二维系统，系统的状态变量是二维的，系统的输出也是二维的：

$\frac{d}{dt}\begin{bmatrix} x_{1}\\ x_{2} \end{bmatrix}=A\begin{bmatrix} x_{1}\\ x_{2} \end{bmatrix}+B\begin{bmatrix} u_{1}\\ u_{2} \end{bmatrix}$

$\begin{bmatrix} y_{1}\\ y_{2} \end{bmatrix}=\begin{bmatrix} x_{1}\\ x_{2} \end{bmatrix}$

$\begin{bmatrix} r_{1}\\ r_{2} \end{bmatrix}=\begin{bmatrix} 0\\ 0\end{bmatrix}$

　　那么：

$E=\begin{bmatrix} e_{1}\\ e_{2} \end{bmatrix}=\begin{bmatrix} y_{1}-r_{1}\\ y_{2}-r_{2} \end{bmatrix}=\begin{bmatrix} x_{1}\\ x_{2} \end{bmatrix}$

$E^{T}QE=\begin{bmatrix} x_{1}\\ x_{2} \end{bmatrix}^{T}\begin{bmatrix} q_{1} & 0\\ 0 & q_{2} \end{bmatrix}\begin{bmatrix} x_{1}\\ x_{2} \end{bmatrix}=q_{1}x_{1}^{2}+q_{2}x_{2}^{2}$

$U^{T}RU=\begin{bmatrix} u_{1}\\ u_{2} \end{bmatrix}^{T}\begin{bmatrix} r_{1} & 0\\ 0 & r_{2} \end{bmatrix}\begin{bmatrix} u_{1}\\ u_{2} \end{bmatrix}=r_{1}u_{1}^{2}+r_{2}u_{2}^{2}$

　　其中 $q_{1}$ 、 $q_{2}$ 、 $r_{1}$ 、 $r_{2}$ 是权重系数。

总结：最优控制问题就是先将问题给数学化，通过问题来得到系统的状态空间方程，然后设计控制器（这个控制器就可以用LQR或者MPC）能够得到通过输入误差（系统的变量与目标变量的差）来得到控制量u，得到的控制量u能够使设计的代价函数J最小。

汤姆_布利柏

关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
1
评论
最优控制问题

总结：最优控制问题就是先将问题给数学化，通过问题来得到系统的状态空间方程，然后设计控制器（这个控制器就可以用LQR或者MPC）能够得到通过输入误差（系统的变量与目标变量的差）来得到控制量u，得到的控制量u能够使设计的代价函数J最小。
复制链接

扫一扫