Con ruido: LQG, dualidad con Kalman y los límites de Doyle · Control óptimo y LQR: llegar con el mínimo esfuerzo · CO.DE Academy
Lección 7 de 9· Control y estimación
Con ruido: LQG, dualidad con Kalman y los límites de Doyle
0 de 9 lecciones · 0 %
01 / 03
En los videos
7.1 LQG: control con estimación: el sensor solo mide la posición, con σ=0.5 m; derivar dispara el error de velocidad, el filtro de Kalman lo reconstruye y la misma ganancia LQR actúa sobre la estimación: es el LQG y funciona por el principio de separación.
7.2 La dualidad con Kalman: las ecuaciones de Riccati del control y de la estimación tienen la misma forma; controlar es alcanzar y estimar es ver, y un solo solucionador entrega las dos ganancias.
7.3 Los límites de LQG: el contraejemplo de Doyle (1978): con el filtro en el lazo la distancia a −1 cae a 0.0067 y la ventana de ganancia se reduce a [0.94,1.007]; la recuperación de lazo devuelve robustez a cambio de un filtro más ruidoso.
Estado que no se mide
El LQR necesita posición y velocidad, pero un sensor de acoplamiento (un lidar, una cámara) mide distancia, con ruido, y nada mide la velocidad directamente. Restar dos medidas seguidas y dividir entre T amplifica el ruido: con σ=0.5 m y T=0.5 s, la velocidad así obtenida tiene un error típico de 2σ/T=1.41 m/s (1.28 medido en el video). Es inservible. La solución es un estimador: el filtro de Kalman del curso de estimación.
El filtro de Kalman y el LQG
El modelo de la nave incluye empujes que nadie conoce (ruido de proceso, aceleración blanca de densidad 0.05, W=0.05[[T3/3,T2/2],[T2/2,T]]) y un sensor zk=[10]xk+vk con V=0.25 m². El filtro alterna predecir con el modelo, medir y corregir con la innovación:
En régimen la ganancia de corrección vale [0.43,0.24]⊤ y la desviación típica teórica del error de velocidad, 0.28 m/s (0.31 medida en el video): cinco veces mejor que derivar. El LQG cierra el lazo con la misma K=[1.63,1.88] de la lección 4 aplicada a la estimación: u=−Kx^.
Deducción del principio de separación. Sea e=x−x^− el error del predictor. Con u=−Kx^ y escribiendo todo en las variables (x,e), el lazo cerrado queda triangular por bloques:
[xe]k+1=[A−BK0∗A−LpC][xe]k+(ruidos),
con Lp=AL la ganancia del predictor. El bloque inferior no depende de K (el error de estimación no sabe qué decide el control) y los autovalores de una matriz triangular por bloques son la unión de los de sus bloques diagonales. Por tanto, los polos del LQG son los del control más los del filtro, y cada uno se diseña por separado. En el video el sistema aumentado los reproduce con una diferencia de 10−15. Estimar tiene costo: 38.1 con estado exacto contra 52.4 con el estimado, en la misma corrida de ruido.
La dualidad
Las dos ecuaciones de Riccati tienen la misma forma. La del control usa (A,B,Q,R) y se itera hacia atrás; la de estimación usa (A⊤,C⊤,W,V) y se itera hacia adelante:
El diccionario: A↔A⊤, B↔C⊤, Q↔W, R↔V, P↔Σ−, K↔Lp⊤. Controlar es alcanzar (rango de [BAB]); estimar es ver (rango de [C;CA]). Si se empuja solo la posición y se mide solo la velocidad, los dos rangos caen a 1. La consecuencia práctica es un solo solucionador: el mismo código de Riccati entrega el controlador y el filtro.
Óptimo no es robusto: Doyle 1978
La planta del contraejemplo es inestable, G(s)=1/(s−1)2: A=[[1,1],[0,1]], B=[0,1]⊤, C=[10], con Q=q[[1,1],[1,1]], R=1, W=σ[[1,1],[1,1]], V=1, y q=σ=100. Ambas Riccati tienen solución cerrada: K=f[1,1] y L=d[1,1]⊤ con f=2+4+q=12.20 y d=2+4+σ=12.20. Los polos del control son las raíces de s2+(f−2)s+1: −10.10 y −0.10.
El LQR (estado medido) cumple ∣1+L∣≥1 y es estable para ganancias desde 0.164 hasta infinito. El LQG, en cambio, tiene distancia mínima a −1 de 0.0067, margen de fase de 0.65° y solo es estable entre 0.938 y 1.007 veces su ganancia nominal: un 5 % más en el actuador y diverge. Los polos nominales son buenos; los márgenes no existen.
Recuperación de lazo (LTR). Se diseña el filtro como si hubiera ruido extra en la entrada de la planta: W→W+ρ2BB⊤. Con ρ grande, la ganancia de lazo del LQG tiende a la del LQR en las frecuencias útiles. Con ρ=1000 la distancia sube a 0.63 y la ventana se ensancha hasta 2.71; el precio es un filtro que confía más en la medida: el error real de velocidad pasa de 4.9 a 114 m/s.
Playground · python
1 de 6
En el ejemplo de Doyle, los polos nominales del LQG son la unión de −10.10, −0.10 y los del filtro, todos estables. ¿Qué conclusión es correcta?
Qué deja fuera este modelo
Ruidos blancos y gaussianos, modelo exacto. El filtro es óptimo solo con esas hipótesis; con ruidos de color o parámetros mal conocidos hay que aumentar el estado o robustecer el diseño.
Doyle es un ejemplo extremo. Muchos LQG reales tienen márgenes razonables; la lección es que hay que medirlos, no suponerlos. En la lección 9 el lazo completo de la nave baja de 71.8° a 35.5°.
Recuperación de lazo solo en la entrada. LTR funciona bien en plantas de fase mínima; con ceros en el semiplano derecho la recuperación es limitada.
Sin control robusto formal.H∞ y μ-síntesis tratan la incertidumbre de frente; quedan fuera de este curso.
La lección 8 cambia de pregunta: en vez de un costo cuadrático, ¿cómo se llega lo más rápido posible, o con el menor combustible?
Laboratorio interactivo
Doyle 1978 y la recuperación de lazo
Cierre de la lección
Lo que sigue: video
Sigue el recorrido de la lección paso a paso.
Crea una cuenta gratis para continuar
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».