从LQR到LQG：最优控制理论的核心基石与工程实践

1. 最优控制理论的基础概念想象一下你在驾驶一辆汽车既要保持车速稳定又要避免频繁踩油门和刹车导致乘客不适。这就是最优控制理论要解决的核心问题——如何在满足系统动态约束的同时找到最佳的控制策略。**LQR线性二次调节器和LQG线性二次高斯**就是解决这类问题的两把利器。最优控制理论中最经典的框架就是线性二次型问题。简单来说当系统动态可以用线性微分方程描述且性能指标是状态的二次函数时这类问题就有了系统性的解法。我第一次接触这个概念时最惊讶的是如此复杂的控制问题竟然能用这么优雅的数学工具解决。在实际工程中LQR和LQG应用极为广泛。从航天器的姿态控制到工业机器人的轨迹规划甚至经济系统的调控都能看到它们的身影。我曾在无人机飞控项目中亲身体验过LQR的威力——通过精心设计代价函数我们让无人机在强风干扰下依然能保持稳定的悬停。2. LQR确定性系统的最优控制2.1 LQR的基本原理LQR处理的是确定性的线性系统控制问题。它的核心思想可以概括为找到一个控制律使得系统在从初始状态到终态的过程中付出的代价最小。这里的代价通常包括两部分状态偏离期望值的程度比如飞机偏离预定高度控制量的大小比如舵机偏转角度用数学语言描述代价函数通常写成J ∫(xᵀQx uᵀRu)dt其中Q和R就是工程师需要设计的权重矩阵。我在实际项目中发现Q和R的选择直接影响控制效果——Q太大会导致系统响应过于激进R太大则会使系统反应迟缓。2.2 LQR的求解与应用LQR问题的求解最终归结为解一个叫Riccati方程的矩阵方程。幸运的是现代工具如MATLAB已经内置了lqr()函数让这个求解过程变得非常简单[K,S,e] lqr(A,B,Q,R);这行代码就能计算出最优反馈增益矩阵K。我在教学生时经常强调虽然数学推导看起来很复杂但实际应用时可以把它当作一个黑盒工具。不过LQR有个重要限制它假设所有状态变量都可测量。这在现实中往往不成立比如飞机飞行时我们可能无法直接测量所有状态。这就引出了LQG问题。3. 从LQR到LQG处理现实中的不确定性3.1 为什么要引入LQG现实世界充满噪声和不确定性。传感器测量有误差系统模型也不完全准确。LQG就是在LQR基础上增加了对随机干扰和不完全观测的处理能力。可以说LQR是理想世界的控制器而LQG是现实世界的解决方案。我记得第一次在项目中遇到状态不可测的问题时团队考虑过两种方案要么增加昂贵的高精度传感器要么采用状态估计技术。LQG提供的正是后者的系统化方法。3.2 LQG的三大组成部分LQG控制器实际上由三部分组成系统模型描述系统动态的线性方程卡尔曼滤波器最优状态估计器LQR控制器基于估计状态的最优控制这种结构体现了一个重要原理——分离原理。它告诉我们状态估计和状态反馈可以分开设计而且整体仍然保持最优性。这个原理极大简化了复杂系统的设计过程。4. LQG的工程实现与MATLAB实践4.1 构建完整的LQG控制器在MATLAB中实现LQG控制器出奇地简单。假设我们已经有了系统模型sys只需要reg lqg(sys,QXU,QWV);其中QXU是LQR部分的权重矩阵QWV描述了过程噪声和测量噪声的特性。我在多个机器人控制项目中都采用这种标准流程效果非常可靠。4.2 参数调试的实用技巧调试LQG控制器时有几个经验值得分享先调LQR部分确保在状态完全可测时系统表现良好然后调卡尔曼滤波器重点关注状态估计的准确性最后整体测试微调噪声参数这个过程往往需要多次迭代。我记得在开发四旋翼控制器时花了整整一周时间才找到最合适的噪声参数。但一旦调好系统在各种扰动下都表现出色。5. LQR与LQG的对比与应用选择5.1 何时用LQR何时用LQG选择控制策略时需要考虑几个关键因素状态可测性所有状态都可测时LQR足够噪声水平低噪声环境可能不需要完整的LQG实现复杂度LQG计算量通常更大在资源受限的嵌入式系统中我有时会采用简化版的LQG比如使用固定增益的卡尔曼滤波器以节省计算资源。5.2 实际应用中的变通方案完全按照教科书实现LQG有时并不现实。在工业项目中我经常遇到这些变通情况系统非线性较强时在工作点附近线性化噪声特性未知时通过实验数据估计计算能力有限时降低状态维度这些实践经验往往比理论推导更能解决实际问题。控制工程终究是一门实践科学理论提供指导但最终要靠工程判断来达成最佳平衡。