第八章卡尔曼滤波与LQG控制摘要.ppt

* * 1）ZOH 2）隐含了采样步长T * 1）ZOH 2）隐含了采样步长T 同济大学汽车学院 目 录 引言 钟再敏 现代控制理论基础6 离散时间状态观测器与LQG控制 Discrete Time Observers and LQG Control 同济大学 汽车学院 College of Automotive, Tongji University 连续系统的离散化 给定LTI系统 LTI系统的输入u为离散控制量，采样周期为T，采样期间ZOH零阶保持，则采样保持期间的系统相应可以计算得到： 其中： 进而： 连续系统的离散化 框图表示为： Z变换表示为： 引入状态反馈控制： 可以得到： 3.6 连续系统的时间离散化 3.6.1 近似离散化 考虑系统 当采样周期 很小时，有 其中： 3.6.2 线性时不变系统状态方程的离散化 考虑系统： 其状态方程的解为： 假设： (1) 等采样周期T： 则有： 令 则 令 则线性时不变系统离散状态方程为： 令 连续系统离散化的几点说明： (1) 近似离散化是一般离散化的特例 (2) 定常系统离散化是时变系统离散化的特例 (3) 一般说来，没有精确离散化 (4) 离散化是有条件的，“连续化”是无条件的 (5) 连续系统的结论可以在离散系统中找到对应， 反之则未必 解：(1) 近似离散化: 离散化， 例3.6.1把状态方程 所以近似离散化状态方程为: 即 时间 k 过去 ←--- 现在时刻 ---→ 将来 已知 求现在时刻的值——滤波 ？ 求过去时间段某一点的值——数据平滑、插值、拟合 ？ 求将来时间段某一点的值——估计、预测 ？ 拟合、滤波与估计 离散化状态观测器 预测： 滤波： 离散化状态观测器与闭环控制 带有离散状态观测器的闭环反馈控制系统： Kalman滤波器-最优估计 如何设计状态观测器的增益系数，考虑噪声环境下 测量噪声v(k) 和过程噪声w(k)为零均值高斯噪声,即 Kalman滤波的原理是选择观测器增益Ke, 使得如下方差最小: 测量噪声方差Rv一般由传感器指标决定 过程噪声方差Rw主要考虑未知扰动和模型误差 Kalman滤波器-最优估计的瞬态解 瞬态增益系数的解如下 测量更新 时间更新 Kalman滤波器-最优估计的两步更新过程 由测量得到新息 做最优估计 测量更新,由新息和历史数据进行估计 时间更新,为下一步最优估计作准备 P(k)--误差估计阵 Kk—卡尔曼增益阵 P(k|k-1)-- 一步测量误差阵 卡尔曼增益Kk的求法 卡尔曼滤波的特点： 适用于平稳/非平稳时间序列的滤波； 递推形式，便于实时； Kk与观测无关，可离线计算出来； 由于存在两个延迟环节，因此需要给出P0和X(0)（实验表明，可任取）； Kk在滤波收敛之后，不再发生改变。 滤波方程中各参数的含义： P(k) ----- 滤波误差方差阵 P(k|k-1) ----- 一步预测误差方差阵 Kk ------ 卡尔曼滤波增益 若设H=1，则基本滤波方程变成： 卡尔曼滤波方程中各参数的含义 Kalman滤波器-稳态解与LQG Kalman滤波器稳态解 估计的Hamilton矩阵为: 为Hamilton矩阵的特征根 MATLAB命令为: Kalman滤波器- LQG应用实例 LQG=Linear Quadratic Gaussian Regulator 采样周期: 状态变量: two_mass_sys.m * * 1）ZOH 2）隐含了采样步长T * 1）ZOH 2）隐含了采样步长T * * 1）ZOH 2）隐含了采样步长T * 1）ZOH 2）隐含了采样步长T * 1）ZOH 2）隐含了采样步长T * 1）ZOH 2）隐含了采样步长T * 1）ZOH 2）隐含了采样步长T * 同济大学汽车学院 * * 1）ZOH 2）隐含了采样步长T * 1）ZOH 2）隐含了采样步长T * * 1）ZOH 2）隐含了采样步长T * 1）ZOH 2）隐含了采样步长T * 1）ZOH 2）隐含了采样步长T * 1）ZOH 2）隐含了采样步长T * 1）ZOH 2）隐含了采样步长T * * * 1）ZOH 2）隐含了采样步长T * 1）ZOH 2）隐含了采样步长T