臭鼠标1. 控制理论双雄：LQR与MPC的核心定位
我第一次接触LQR（线性二次调节器）和MPC（模型预测控制）是在研究生阶段的智能车辆控制课程。教授在黑板上写下这两个缩写时，整个教室突然安静下来——它们代表着控制理论从经典到现代的重要跨越。LQR诞生于20世纪60年代航天领域的迫切需求，而MPC则因80年代化工过程控制的复杂约束而兴起。如今在自动驾驶、机器人、智能家居等领域，这两种方法已成为工程师解决实际控制问题的标准工具包。
理解它们的差异就像区分狙击枪和霰弹枪：LQR是精准的数学艺术品，通过精巧的代价函数设计实现最优控制；MPC则是实用的瑞士军刀，用滚动时域的方式处理多变量强耦合系统。在无人机悬停控制中，LQR能给出优雅的状态反馈矩阵；而当面对智能车需要同时考虑速度、转向和障碍物避让时，MPC的约束处理能力就大放异彩。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. LQR控制算法深度解析
2.1 线性二次型问题的数学本质
LQR的核心是解决形如J=∫(xᵀQx + uᵀRu)dt的最优化问题。去年为实验室的倒立摆项目调试参数时，我花了三周时间才真正理解Q和R矩阵的物理意义。Q矩阵中对角线上的元素实际上是在告诉系统："这个状态变量有多重要"。比如在车辆悬架控制中，将车身垂直加速度对应的Q值设为10，而悬架位移设为1，意味着系统会更优先抑制颠簸感。
R矩阵则控制着执行器的"代价"。某次在四旋翼无人机项目中，我把电机控制量的权重设得过低，结果仿真时电机转速疯狂波动——R矩阵就像家长给孩子的零花钱限额，太小会导致控制量滥用。一个实用的调试技巧是从Q=diag([1,1...])和R=1开始，观察系统响应后按10倍步长调整。
2.2 黎卡提方程的求解实践
解代数黎卡提方程(P)是LQR实现的要害。在Python中，使用scipy.linalg.solve_continuous_are比直接调用are函数更稳定。记得有次用Matlab的care函数解算6自由度机械臂问题时，因忽略算法默认的精度参数导致奇异矩阵错误。后来发现将平衡参数balancing设为'none'才能稳定求解。
对于离散系统，一个容易踩的坑是采样时间的选择。根据香农定理，采样频率至少应是系统带宽的2倍，但实际工程中建议取10倍。我曾用50Hz采样率控制带宽为3Hz的温控系统，结果出现明显的量化振荡。改为