LQR与MPC控制算法：原理对比与工程实践

1. 控制理论中的两大核心算法：LQR与MPC入门解析

在自动控制领域，线性二次调节器（LQR）和模型预测控制（MPC）是两种经典且广泛应用的控制算法。作为控制工程师，我经常需要在轨迹跟踪、机器人控制、车辆悬架等场景中应用这两种方法。本文将结合我多年的工程实践经验，带您深入理解这两种控制策略的核心原理和实际应用。

LQR以其数学优美和计算高效著称，特别适合线性系统的稳态控制；而MPC则因其处理约束的能力和多步预测的优势，在复杂动态系统中表现突出。理解这两种方法的异同点，对于选择适合特定应用场景的控制策略至关重要。我们将从基础理论出发，逐步深入到实际实验环节，让您不仅能掌握数学推导，更能获得可直接复用的工程实现经验。

2. LQR控制算法详解

2.1 LQR基本原理与数学推导

线性二次调节器（Linear Quadratic Regulator）的核心思想是通过最小化一个二次型代价函数来设计最优控制器。这个代价函数通常表示为：

J = ∫(xᵀQx + uᵀRu)dt

其中x是系统状态，u是控制输入，Q和R分别是状态和控制输入的权重矩阵。Q矩阵决定了我们对系统状态偏离期望值的重视程度，而R矩阵则反映了我们对控制能量的关注程度。

在设计LQR控制器时，我们需要解决代数Riccati方程：

AᵀP + PA - PBR⁻¹BᵀP + Q = 0

这个方程的解P用于计算最优反馈控制律：

u = -Kx = -R⁻¹BᵀPx

实际工程中，Q和R的选择往往需要多次调试。我的经验是从单位矩阵开始，然后根据系统响应逐步调整：如果状态收敛太慢，增大Q的对角元素；如果控制量过大，则增大R的值。

2.2 LQR实现步骤与参数整定

实现一个完整的LQR控制器通常包含以下步骤：

1. 建立系统状态空间模型：
   ẋ = Ax + Bu
   y = Cx + Du

2. 确定Q和R权重矩阵：

   • Q通常是对角矩阵，对角元素表示各状态变量的重要程度
   • R的大小影响控制输入的幅值

3. 求解Riccati方程得到P矩阵

4. 计算反馈增益矩阵K = R⁻¹BᵀP

5. 实现闭环控制u = -Kx

在MATLAB中，可以简单地使用lqr函数实现：

matlab复制[K, S, e] = lqr(A, B,