Adquiriendo señal…
Adquiriendo señal…
Lección 1 de 9· Control y estimación
0 de 9 lecciones · 0 %
Toda la serie sigue a una sola nave. En el tramo final de un acoplamiento debe recorrer unos metros y detenerse en la meta, y cada m/s de cambio de velocidad sale de un tanque que no se rellena. Empujar fuerte la lleva antes pero gasta; empujar poco ahorra pero llega tarde o no llega. Ninguna de las dos cosas es «la buena»: lo que se busca es el mejor compromiso, y para encontrarlo hace falta convertir «qué tan mal lo hacemos» en un número. A ese número se le llama costo , y el curso entero consiste en aprender a minimizarlo: primero con lápiz (este módulo), después con la ecuación de Riccati (módulos 3–5), y al final en una órbita real alrededor de la Tierra (módulo 9).
El mismo problema aparece en acoplamientos con la estación a 400 km, en maniobras de actitud de un satélite y en el descenso de un módulo lunar: cambian los números, no la idea.
La nave parte del reposo y debe recorrer m en s con aceleración constante . Su posición final es
El costo mezcla el error de llegada y el esfuerzo, con un peso de ejemplo:
Deducción del óptimo. es una parábola en que abre hacia arriba (su coeficiente cuadrático es positivo), así que su único punto crítico es el mínimo global. Derivando,
Sustituyendo: la nave llega a m, se queda corta 1.6 m, y el costo vale . La mayor parte es esfuerzo. Comparemos con dos alternativas: con llega a 4 m y cuesta ; con llega justo a 8 m pero cuesta . Llegar exacto no es lo óptimo con estos pesos: no es mala puntería, es el compromiso.
Con dos empujes (uno por tramo) el costo es una superficie. El ejemplo de la lección 1.2 usa una cuadrática con mínimo conocido:
Su gradiente es : apunta cuesta arriba y es perpendicular a las curvas de nivel. El descenso de gradiente repite .
Deducción del paso máximo. Llamando , la iteración es . Si es autovector de con autovalor , la componente del error en esa dirección se multiplica por en cada paso. Converge si y solo si para todos los autovalores, es decir,
Los autovalores de salen de : y . El paso crítico es . Con , desde , el costo baja de 5.59 a 0.600 en 12 pasos y la norma del gradiente cae de 4.29 a unas milésimas; con cada rebote es más largo que el anterior y el costo sube.
Condiciones de óptimo. En un mínimo el gradiente se anula, ; para una cuadrática eso es el sistema lineal , que se resuelve directo. Pero gradiente nulo no basta: la hessiana decide. Dos autovalores positivos, mínimo; uno de cada signo, silla; dos negativos, máximo. Aquí 1.08 y 3.52 son positivos: es un valle, alargado (cociente 3.3), y por eso el descenso zigzaguea.
En problemas no convexos puede haber varios valles. El ejemplo de la serie (esquivar un escombro) tiene un mínimo global de 0.49 y uno local de 1.49: el descenso que arranca a la derecha se queda en el local. El punto de partida decide.
Dos propulsores deben entregar juntos m/s; el segundo cuesta el doble: con .
Deducción. En el óptimo restringido, moverse a lo largo de la recta no puede bajar ; eso exige que no tenga componente a lo largo de la recta, o sea que sea paralelo a : . Con y :
En general , , y : el multiplicador es el precio de la restricción, cuánto sube el costo mínimo por cada m/s extra.
Una trayectoria entera. Llevar la nave del reposo en 0 m al reposo en 20 m en 10 s con mínima energía tiene dos restricciones (posición y velocidad finales) y, por tanto, dos multiplicadores. La solución es una rampa: , de a m/s², con . Acelerar y frenar a 0.8 m/s² cuesta , un tercio más; un seno, 7.89. Quinientas alternativas al azar no bajan de 6.19.
Ejemplo resuelto. Si se piden 6.5 m/s en vez de 6, : sube 4.17, unos 8.3 por m/s, cerca de (el exceso es la curvatura de ).
Con α = 0.6 en el ejemplo de la hessiana H (autovalores 1.08 y 3.52), el descenso de gradiente…
En la siguiente lección dejamos de elegir números sueltos: la nave pasa a tener un estado —posición y velocidad— y el empuje se calcula a partir de él.
Cierre de la lección
Sigue el recorrido de la lección paso a paso.
Con una cuenta desbloqueas el cuestionario, el foro de dudas y el tutor con IA de esta lección, además del registro de progreso y el certificado verificable al terminar «Control óptimo y LQR: llegar con el mínimo esfuerzo».