LQR算法核心思想

于 2024-09-30 03:09:56 发布
阅读量171 收藏 6
点赞数 3
文章标签： 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_74923758/article/details/142645634
版权

本章以倒立摆为解决目的

什么是线性二次型控制器（LQR）

开环系统

即状态变量的倒数 = 系统的状态空间矩阵A * 系统状态变量x

A状态矩阵：描述系统本身物理特性的一个矩阵，它是由系统本身的机械结构、物理结构决定的，无法改变。

系统状态变量x：用四个变量描述了倒立摆整个系统的运动状态

闭环系统：

B状态矩阵也是由系统本身的物理特性决定的。

u就是反馈项，u = - kx

由于这个式子

整个闭环算法中最重要的就是求出最佳的K，来使得系统稳定。

如何求最优K是核心问题，LQR实际上提供了求解最优K的方法

通过代价函数来求K

可以看到里面还有Q和R，这两个与系统的收敛有关。

Q是系统状态变量的权重，也叫权重矩阵

根据这个来看，比如Q11就是倒立摆角度的权重，Q22就是角速度的权重，Q33就是飞轮角度的权重、Q44就是飞轮角速度的权重。

如果希望道理摆角度收敛的更快（更快稳定），可以给Q11的权重增加

R的话，可以理解为决定系统输出量大小的项。一般而言R都设为1,不去改变它。

结合这两个式子

R越大，u的输出越小；R越小，u的输出越大。

一句话，要想求出K，就需要A矩阵、B矩阵、Q矩阵、R矩阵（一般为1）

其实只需要三个

A矩阵和B矩阵得通过建模得到！！！

物理建模 --- 建立动力学模型（为了A矩阵和B矩阵）

这个是动量轮动力摆系统，可以用牛顿第二定律来分析力，但是我们用更常用的求法

利用拉格朗日方程：

因为拉格朗日方程不需要列出系统具体的力是怎样平衡的

它只需要列出系统的动能减去势能得到算子，然后争对这个算子对系统不同的广义坐标求偏导，最后得到系统的广义力

通过图可分析：

这个θ是摆杆的摆角

这个φ是动量轮自身的转动角度

有两个广义坐标就可以列出两个拉格朗日方程：

这个是θ的导数，偏导。同理φ。

我们开始详细讲

MATLAB

求A、B矩阵

可以看到Q阵把第三项的权重设小

最后求出K，

由于是通过电压来控制电机的力矩，电压总不可能去到300多，所以应该适当缩放

从结果也能看出第三项小到可以忽略不计。 

 

看最核心的代码：

 

拿铁不拿铁
关注
轨迹规划 | 图解最优控制LQR算法(附ROS C++/Python/Matlab仿真)
FRIGIDWINTER的博客
04-08 6807
若系统动力学特性可以用一组线性微分方程表示，且性能指标为状态变量和控制变量的二次型函数，则此类最优控制问题称为线性二次型问题。LQR是求解线性二次型问题常用的求解方法之一。本文详细推导离散黎卡提迭代方程，以及基于差速轮式移动机器人的LQR算法，并给出基于ROS C++/Python/Matlab三种语言的算法仿真实现加深理解
基于运动学的LQR轨迹跟踪控制算法在MATLABSimulink平台上的高级实现与优化研究.docx
08-12
该算法的核心思想是通过线性化系统的动态模型，并基于最优控制理论设计控制输入，以实现对目标轨迹的精确跟踪。 LQR控制器的设计涉及系统的状态空间建模，其中系统的状态通常由位置和朝向角等参数构成。通过选择合适...
基于LQR算法的机器人轨迹跟踪控制详解
慕羽★的博客
08-10 2307
本文详细介绍了基于线性二次型调节器（LQR）算法的机器人轨迹跟踪控制方法。首先，文章通过建立基于运动学模型的离散状态方程，来描述机器人的当前状态与目标状态之间的关系，并利用此模型进行状态误差的计算。接着，通过设定状态量和控制量的权重矩阵（Q和R），使用LQR算法求解控制输入u，旨在最小化状态偏差和控制成本，以实现精确的轨迹跟踪。此外，文章还分析了LQR算法在ros_motion_planning运动规划库中的实现，通过源代码详解了误差量化、状态方程动态矩阵的建立、反馈控制增益的计算以及最终控制向量的生成等关
智能驾驶车辆横向控制算法
热门推荐
肥嘟嘟的左卫门
05-06 2万+
基于车辆模型的横向控制方法 1. 简介 1.1. 无人驾驶车辆 1.2. 横向控制和纵向控制 1.3. 横向控制 1.3.1. 无模型横向控制 1.3.2. 基于模型横向控制 2. 基于车辆运动学模型的控制方法 2.1. 车辆运动学模型 2.2. 纯跟踪控制算法 2.3. 后轮反馈控制算法 2.4. 前轮反馈控制算法 3. 基于车辆动力学模型的横向控制 3.1. 车辆线性二自由度动力学模型 3.2. 车辆路径跟踪偏差状态方程的构建 3.3. LQR 横向控制算法的求解 4. 总结 1. 简介 1.1.
浅谈线性二次型调节器（LQR）算法（一）
m0_37835056的博客
08-16 3935
浅谈最优控制中的线性二次型调节器LQR算法
自动驾驶：控制算法概述
博学而笃志，切问而近思。
10-16 1253
自动驾驶：控制算法概述
自动驾驶控制算法——基础控制算法原理
liumengxie的博客
04-01 1927
PP纯跟踪、前轮反馈、LQR控制算法
轨迹跟踪控制算法-纯跟踪法、前轮反馈控制法、LQR
wulin的博客
04-08 5044
纯跟踪法 基于当前车辆后轮中心位置，在参考路径上相ld的距离匹配一个预瞄点。 假设车辆后轮中心点可以按照一定的转弯半径R行驶至预瞄点，然后根据预瞄距离、转弯半径，车辆坐标系下预瞄点的朝向角之间的几何关系来确定前轮转角。 定义横向误差为车辆当前姿态和预瞄点在横向上的误差。 跟踪效果将由ld决定。 前轮反馈控制法（Stanley） 前轮反馈控制其核心思想是基于前轮中心的路径跟踪偏差量对方向盘转向控制量进行计算。 是一种基于横向跟踪误差为前轴中心到最近路径点的距离的非线性反馈函数，并且能实现横向跟踪误差指数收敛于
对于遗传算法的基础梳理
qq_35989942的博客
06-06 2977
这是我本科生阶段学习遗传算法基础后整理而成的一篇小paper，主要介绍了遗传算法的来源、原理、主要思想和伪代码实现。 遗传算法的浅层分析 内容摘要: 简要说明了遗传算法的基本思想及实现步骤，探究了其相对于传统算法的优缺点，并提出了针对于缺点的改进方式。最后介绍了遗传算法在未来工程与科研中的实际应用方向与场景。 关键词：自然选择模拟 鲁棒性 应用广 前景广阔 ...
【DR_CAN控制理论学习】最优控制中的DP与LQR
weixin_57968446的博客
08-13 606
根据b站DR_CAN最优化控制课程所整理的笔记与个人感悟
LQR_someonexw7_LQR控制_lqrmatlab_LQR编程_lqr_源码
10-04
LQR算法的核心思想是将控制问题转化为求解一个二次型优化问题。在MATLAB环境中，实现LQR控制通常涉及以下步骤： 1. **建立状态空间模型**：首先，你需要用MATLAB的`ss`函数或者直接定义系统矩阵（状态转移矩阵A，...
倒立摆的LQR控制器算法的设计与仿真.docx
07-08
线性二次型最优控制（LQR）的核心思想是在满足一定约束条件下，通过优化一个二次型性能指标，找到最佳的控制策略。这个性能指标通常包括状态变量和控制变量的平方和，用以衡量系统的稳定性、响应速度和精度。LQR控制...
LQR.rar_lqr_resty6x
09-20
LQR算法的核心思想是通过设计一个状态反馈控制器，使得系统在给定的时间内从任意初始状态达到期望的稳态，同时将过程中某个性能指标（如能量消耗、状态偏差平方和等）最小化。LQR控制器的设计包括两个关键步骤：一是...
189. 轮转数组（C++）
weixin_45813121的博客
09-25 440
给定一个整数数组nums，将数组中的元素向右轮转k个位置，其中k是非负数。
Python实现Phong着色模型算法
qq_42568323的博客
09-24 1320
通过本文的介绍，我们详细阐述了Phong着色模型的基本原理，并使用Python实现了相关的算法。通过定义向量、光源、材质和着色器等类，我们可以灵活地计算光照和着色效果，为更复杂的三维图形渲染打下基础。Phong着色模型是计算机图形学中的经典光照模型，尽管随着技术的发展，出现了更复杂的光照模型（如Blinn-Phong、物理基础渲染等），但其简洁明了的特点仍然使其在许多应用中得以广泛使用。希望通过本次学习，读者能够深入理解Phong着色模型，并能够在实际项目中应用该算法。
完全二叉树和堆排序
最新发布
2301_80412275的博客
09-25 512
在满足第一个条件的前提下，最后一层的节点从左到右填充，没有空隙。
算法训练营打卡Day14
Zoe_igxgx的博客
09-25 236
题目1.226.翻转二叉树题目2.101. 对称二叉树。
时间序列分析算法
qq_58353992的博客
09-24 913
通信领域：网络流量预测、服务器负载预测等。
lqr控制算法 matlab代码
07-24
### 回答1： LQR(Linear Quadratic Regulator)控制算法是一种广泛应用于控制系统设计的经典控制算法。该算法通过最小化系统状态的二次性能指标来设计控制器，在满足系统稳定性的前提下，实现对系统的最佳控制。 LQR控制算法的Matlab代码如下所示： ```Matlab % 定义系统的状态空间表示 A = [1, 1; 0, 1]; % 系统的状态转移矩阵 B = [0; 1]; % 输入矩阵 C = [1, 0]; % 输出矩阵 D = 0; % 前馈矩阵 % 定义系统的权重矩阵 Q = [1, 0; 0, 1]; % 状态误差的权重矩阵 R = 1; % 控制输入的权重矩阵 % 使用lqr函数计算最优控制器增益矩阵 K = lqr(A, B, Q, R); % 定义系统初始状态和目标状态 x0 = [0; 0]; % 初始状态 x_des = [1; 0]; % 目标状态 % 定义控制器输出 u = -K * (x - x_des); % 计算控制输入 % 使用ode45函数模拟系统响应 [t, x] = ode45(@(t, x) (A - B * K) * x, tspan, x0); % 绘制系统的状态响应曲线 plot(t, x(:, 1), 'r', t, x(:, 2), 'b'); xlabel('时间'); ylabel('系统状态'); legend('状态1', '状态2'); ``` 以上代码中，我们首先定义系统的状态空间表示，并根据系统的权重矩阵定义目标控制性能。然后使用lqr函数计算最优控制器增益矩阵K。接着我们定义系统的初始状态和目标状态，并通过计算控制器输出来实现对系统的最佳控制。最后使用ode45函数模拟系统的状态响应，并绘制系统状态的变化曲线。 ### 回答2： LQR（线性二次调节）控制算法是一种广泛应用于控制系统设计中的优化控制方法。其基本思想是通过设计一个最优的状态反馈控制器来使得系统满足一定的性能指标。 在Matlab中，可以使用控制工具箱中的lqr函数来实现LQR控制算法。下面是lqr函数的基本使用方法： ```matlab % 定义系统的状态方程 A = [A1, A2, ..., An]; B = [B1, B2, ..., Bn]; C = [C1, C2, ..., Cn]; D = [D1, D2, ..., Dn]; sys = ss(A, B, C, D); % 定义LQR控制器的权重矩阵 Q = [Q1, Q2, ..., Qn]; R = [R1, R2, ..., Rm]; % 计算LQR增益矩阵K K = lqr(sys, Q, R); % 将LQR增益矩阵K应用于系统 sys_with_control = ss(A - B * K, B, C, D); % 模拟系统的响应 t = 0:dt:T; % 时间向量，dt为采样时间步长，T为总仿真时间 u = ...; % 输入信号向量 [y, t, x] = lsim(sys_with_control, u, t, x0); % 绘制系统的响应曲线 plot(t, y); xlabel('时间'); ylabel('输出'); title('系统响应'); ``` 在代码中，需要首先定义系统的状态方程，即A、B、C和D矩阵。然后，通过选择合适的权重矩阵Q和R，利用lqr函数计算出最优的LQR增益矩阵K。将该增益矩阵应用于系统后，可以使用lsim函数模拟系统的响应，并通过plot函数绘制出输出的响应曲线。 需要注意的是，在使用LQR控制算法时，权重矩阵Q和R的选择对于控制效果非常重要。可以通过调整权重矩阵来实现对系统性能的不同要求，例如快速响应、稳定性等。 总之，通过以上的Matlab代码，可以实现LQR控制算法，并对系统进行优化控制。具体的参数和权重矩阵的选择需要根据具体的控制系统进行调整。 ### 回答3： LQR(Linear Quadratic Regulator)控制算法是一种优化控制算法，通过调整控制器的参数来最小化系统状态和控制输入之间的误差。其基本思想是基于线性系统模型，使用二次代价函数来定义系统的性能评估指标，并通过最小化这个指标来设计控制器。 LQR控制算法的核心是利用系统的状态空间模型和增广控制器来构建一个代价函数，然后通过求解代价函数的最小值问题来确定最优的控制器参数。这个最小值问题可以通过Riccati方程的求解来实现。 在MATLAB中，可以利用控制系统工具箱提供的lqr()函数来实现LQR控制器的设计。该函数的基本语法如下： [K, S, E] = lqr(A, B, Q, R) 其中，A和B分别为系统的状态空间模型的矩阵形式，Q和R是用户定义的代价权重矩阵。 函数的输出结果有三个，K为最优控制器的增益矩阵，S为Riccati方程的解，E为系统特征值的向量。 具体步骤如下： 1. 定义系统的状态空间模型矩阵A和B，以及代价权重矩阵Q和R； 2. 调用lqr()函数，输入参数为A、B、Q和R； 3. 获取输出的最优控制器增益矩阵K、Riccati方程的解S和系统特征值的向量E； 4. 将K作为闭环控制器的增益矩阵，实现对系统的控制。 总结而言，LQR控制算法可以通过MATLAB中的lqr()函数来实现，具体步骤包括定义系统的状态空间模型和代价权重矩阵，然后通过函数调用获取最优控制器的增益矩阵和解。最后，将增益矩阵应用于闭环控制系统中，实现对系统的控制。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值