企业官网建设流程全解析

从无人机到机械臂：LQG控制如何实现抗噪与极致稳定

想象一下，你正操控一架无人机在强风中拍摄高空镜头。传感器告诉你它正在倾斜，但数据里混杂着电磁干扰和机械振动带来的噪声。此时，控制系统必须像经验丰富的飞行员一样，从混乱的信息中分辨真实姿态，并作出精准调整——这正是LQG控制在现代工程中的魔法。

1. 控制系统的噪声战场：为什么需要LQG？

任何现实中的动态系统都面临两类敌人：过程噪声（如风力扰动）和测量噪声（如传感器误差）。以四旋翼无人机为例：

• 过程噪声：突风、电机响应不一致、负载变化
• 测量噪声：陀螺仪漂移、GPS定位误差、信号延迟

传统LQR控制器虽然能提供最优控制策略，但它假设我们能直接获取完全准确的状态信息——这就像要求飞行员在飓风中仅凭肉眼判断风速和角度。当状态观测存在噪声时，LQR的性能会急剧下降，甚至导致系统失稳。

关键区别：LQR假设"看得清"，LQG解决"看不清"的现实场景

2. LQG的双重武器：卡尔曼滤波与LQR的协同

LQG的核心创新在于将控制问题分解为两个独立但协作的环节：

2.1 状态估计：卡尔曼滤波器的预测艺术

# 简化的卡尔曼滤波预测步骤示例 def kalman_predict(x_est, P_est, F, Q): x_pred = F @ x_est # 状态预测 P_pred = F @ P_est @ F.T + Q # 误差协方差预测 return x_pred, P_pred

卡尔曼滤波器通过预测-更新循环，动态权衡模型预测与传感器测量的可信度。其精妙之处在于：

• 自适应权重：噪声大时更相信模型，噪声小时更相信测量
• 记忆效应：利用历史数据提高当前估计精度
• 实时计算：适合嵌入式系统实现

2.2 最优控制：LQR的精准执行

当获得状态估计后，LQR控制器通过求解Riccati方程给出最优控制律：

u(t) = -K·x_est(t)

其中增益矩阵K由系统动力学和成本函数共同决定。

典型成本函数构成：

3. 实战对比：LQR与LQG的性能差异

通过MATLAB仿真可以直观看到两者在噪声环境下的表现差异：

无人机高度控制场景参数

% 系统模型 A = [0 1; -9.8 -0.2]; B = [0; 1]; C = [1 0]; % 噪声特性 Q_noise = diag([0.1 0.5]); % 过程噪声协方差 R_noise = 0.3; % 测量噪声方差

性能对比表

4. 工程实现中的关键技巧

4.1 噪声协方差矩阵的调参艺术

实际工程中，Q和R矩阵的确定往往需要：

1. 离线辨识：通过实验数据估计噪声统计特性
2. 在线适应：采用自适应滤波技术动态调整
3. 经验法则：
   • 测量噪声大 → 增大R相对值
   • 模型不确定高 → 增大Q相对值

4.2 计算效率优化

对于机械臂等实时性要求高的系统，可采用：

• 预先计算增益：离线求解Riccati方程
• 降阶观测器：减少状态维度
• 定点数实现：适合FPGA部署

// 嵌入式系统常用的定点数卡尔曼滤波实现 typedef struct { int32_t x[2]; // 状态估计 uint16_t P[2][2]; // 误差协方差 int16_t K[2]; // 卡尔曼增益 } KalmanFilter;

5. 前沿演进：当LQG遇见现代控制

虽然LQG诞生于1960年代，但通过与新技术结合依然焕发活力：

• 鲁棒LQG：考虑模型不确定性边界
• 非线性扩展：基于局部线性化的应用
• 学习增强：用神经网络优化噪声模型

在自动驾驶领域，特斯拉的路径规划算法就融合了LQG框架与深度学习，实现了在复杂环境中的稳定控制。而波士顿动力的机器人则通过改进的LQG处理关节摩擦和地面反作用力等非线性因素。