Doğrusal Karesel Gauss
Linear Quadratic Gaussian · Ayrıca şöyle bilinir: LQG, LQR with Kalman Filter
Doğrusal Karesel Gauss (LQG) denetleyicisi, stokastik sistemleri ölçüm gürültüsü ve işlem gürültüsü ile ele almak için Doğrusal Karesel Düzenleyiciyi (LQR) bir Kalman Filtresi ile birleştirir. Kalman tarafından geliştirilen ve daha sonra Athans ve diğerleri tarafından biçimlendirilen LQG, LQR'nin doğal stokastik uzantısıdır ve gürültü altındaki optimal doğrusal kontrol için altın standart olmaya devam etmektedir; uzay aracı, uçak otopilotu ve endüstriyel proses kontrolü gibi alanlarda uygulamaları bulunmaktadır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Doğrusal bir sisteme Gauss işlem ve ölçüm gürültüsüne maruz kaldığınızda, tam durum ölçümünün mevcut olmadığında veya pahalı olduğunda ve belirsizlik altında optimal kontrol gerektiğinde LQG kullanın. LQG, uzay aracı tutum kontrolü, ataletsel navigasyon ve belirsiz bozulmalara sahip endüstriyel sistemler gibi uygulamalar için idealdir. Sistem güçlü bir şekilde doğrusal değilse (genişletilmiş veya unscented Kalman filtresi varyantlarını kullanın), gürültü Gauss değilse veya ölçümler düzensiz aralıklarla geliyorsa LQG'den kaçının.
Güçlü yönler & sınırlılıklar
- Gauss gürültülü doğrusal sistemler için kanıtlanmış şekilde optimaldir; beklenen karesel maliyeti en aza indirir.
- Ayrım ilkesi: Kalman Filtresi ve LQR bağımsız olarak tasarlanabilir, bu da analizi ve hata ayıklamayı basitleştirir.
- Tek bir çerçevede hem optimal durum tahmini hem de optimal geri besleme kontrolü sağlar.
- Hem Kalman Filtresinden (gürültü reddi) hem de LQR'den (kararlılık marjları) miras alınan sağlamlık özellikleri.
- Gerçek zamanlı uygulama mümkündür; hem Kalman filtresi güncellemesi hem de LQR kazanç uygulaması sırasıyla O(n^3) ve O(n^2)'dir.
- Gauss gürültüsünü varsayar; gerçek bozulmalar genellikle aykırı değerler veya çok modlu dağılımlarla Gauss olmayanlardır.
- İşlem ve ölçüm gürültüsü kovaryanslarının (Q, R) doğru bilgisini gerektirir; yanlış belirtilen gürültü istatistikleri performansı düşürür.
- Doğrusal sistem varsayımı; doğrusal olmayan sistemler, optimalite garantilerini kaybeden yaklaşımlar (EKF, UKF) gerektirir.
- Doğrusal ölçümleri varsayar; doğrusal olmayan ölçüm ilişkileri, genişletilmiş veya unscented varyantları gerektirir.
- Sert kısıtlamaları işleyemez; yalnızca yumuşak karesel cezalar uygular.
SSS
Ayrım ilkesi nedir ve neden bu kadar önemlidir?
Ayrım ilkesi, LQG için optimal durum tahmincisinin (Kalman Filtresi) ve optimal denetleyicinin (LQR) bağımsız olarak tasarlanabileceğini ve bunların birleştirilmesinin optimal olduğunu belirtir. Bu, önce kontrolü göz ardı ederek bir Kalman Filtresi tasarlayabileceğiniz, ardından gürültüyü göz ardı ederek bir LQR denetleyicisi tasarlayabileceğiniz ve her ikisini de kayıp olmadan birlikte uygulayabileceğiniz anlamına gelir. Bu, tasarımı basitleştirir ve modüler sistem geliştirmeyi sağlar.
İşlem gürültüsü kovaryansı Q ve ölçüm gürültüsü kovaryansı R'yi nasıl tahmin ederim?
En prensipli yaklaşım, maksimum olabilirlik veya kovaryans eşleştirme yöntemlerini kullanarak verilerden Q ve R'yi tahmin etmektir. Alternatif olarak, sensör spesifikasyonlarına ve bozulma büyüklüklerine dayalı kaba tahminlerle başlayın, ardından filtre artıklarını izleyerek ampirik olarak ayarlayın (bunlar beyaz ve ilişkisiz olmalıdır). Artıklar ilişkiliyse, Q veya R'yi artırın; filtre ıraksa, bunları azaltın.
Sistemim doğrusal değilse ne olur?
Hafif doğrusal olmayan sistemler için, nominal yörünge etrafında doğrusallaştırın ve doğrusal hale getirilmiş sistem için tasarlanmış LQR ile birleştirilmiş Genişletilmiş Kalman Filtresini (EKF) kullanın. Güçlü doğrusal olmayan sistemler için, Unscented Kalman Filtresini (UKF) veya parçacık filtrelerini düşünün, ancak bunlar optimalite garantisini kaybeder. Doğrusal olmayan modellerle Model Öngörülü Kontrol başka bir alternatiftir.
Zamana bağlı sistemlerle LQG kullanabilir miyim?
Evet, hem Kalman Filtresi hem de LQR'nin zamana bağlı varyantları vardır. Zamana bağlı Kalman Filtresi, bir terminal maliyetten geriye doğru bir Riccati denklemini çözer. Zamana bağlı LQR de geriye doğru bir Riccati denklemini çözer. Her ikisi de sabit durum versiyonlarından daha hesaplama yoğundur ancak yörünge takibini ve yavaş zamana bağlı dinamikleri işlemeyi mümkün kılar.
Kaynaklar
- Kalman, R. E. (1960). A new approach to linear filtering and prediction problems. Journal of Basic Engineering, 82(1), 35-45. DOI: 10.1115/1.3662552 ↗
- Athans, M. (1971). The role and use of the stochastic linear-quadratic-gaussian problem in control system design. IEEE Transactions on Automatic Control, 16(6), 529-552. DOI: 10.1109/TAC.1971.1099818 ↗
- Kwakernaak, H., & Sivan, R. (1972). Linear Optimal Control Systems. Wiley-Interscience. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Linear Quadratic Gaussian. ScholarGate. https://scholargate.app/tr/control-theory/linear-quadratic-gaussian
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Genişletilmiş Kalman Filtresi (EKF)Kontrol teorisi↔ karşılaştır
- Kalman FiltresiBayesçi↔ karşılaştır
- Lineer Kuadratik Regülatör (LQR)Kontrol teorisi↔ karşılaştır