第四节：线性二次型调节器（LQR）——从理论到实战

各位同学，今天我们来聊聊LQR。说实话，我在做机器人控制的前三年，基本都在跟PID打交道。直到有一次做四旋翼的精准悬停，PID怎么调都抖得厉害——嗯，就是那种“明明理论能行，实际就是不行”的尴尬。后来导师丢给我一句话：“试试LQR吧。”这一试，就打开了新世界的大门。

4.1 LQR到底在解决什么问题？

先别急着看公式。你想想看，一个控制系统最核心的目标是什么？说白了就两条：让状态稳定到目标值，以及别花太多力气。

PID只盯着误差，不管“力气”花得值不值。LQR不一样，它把这两个目标写进了一个数学表达式里——这就是所谓的代价函数。

4.2 理论推导——其实没那么可怕

我们考虑一个线性系统：

ẋ = Ax + Bu

目标是找到控制律 u = -Kx，使得下面的代价函数最小：

J = ∫(xᵀQx + uᵀRu) dt

这里Q和R就是权重矩阵。Q惩罚状态偏差，R惩罚控制量。我个人习惯把Q设成对角阵，每个对角元对应一个状态的权重——比如位置偏差权重给100，速度偏差给10，这样系统会更“在意”位置精度。

推导的关键一步，是假设存在一个矩阵P，满足：

AᵀP + PA - PBR⁻¹BᵀP + Q = 0

这就是著名的Riccati方程。解出P之后，最优反馈增益就是：

K = R⁻¹BᵀP

我在项目中遇到过一个问题：Riccati方程用MATLAB的lqr()函数一秒钟就解出来了，但自己手写迭代求解时，数值稳定性是个大坑。曾经有一次，我迭代了500步还没收敛，最后发现是初始矩阵给得太离谱——嗯，这里要注意，初始P矩阵最好给单位阵的倍数。

4.3 权重矩阵设计——Q和R的“玄学”

说实话，Q和R的设计没有标准答案。我见过新手一上来就把Q设成单位阵，R设成0.1，结果控制量直接饱和——电机烧了。这不是段子，是我亲眼见过的。

我的经验是：

• 先定R：R代表你愿意花多少“力气”。R越小，控制越猛，但容易震荡。我一般从1开始试。
• 再调Q：Q的对角元代表你对各个状态的重视程度。比如倒立摆，角度偏差比位置偏差更致命，所以角度对应的Q值要更大。
• Bryson法则：一个经典的经验公式——Qii = 1/(最大允许偏差)²，R = 1/(最大控制量)²。这个起点通常不错。

状态/控制	最大允许值	权重建议
位置偏差	0.1 m	Q₁₁ = 100
速度偏差	0.5 m/s	Q₂₂ = 4
控制电压	12 V	R = 1/144 ≈ 0.007

4.4 状态反馈控制——LQR的“眼睛”

LQR假设所有状态都可测量。但现实很骨感——你往往只能测到位置，测不到速度。怎么办？

两个办法：

1. 用状态观测器（比如卡尔曼滤波器）估计不可测状态。这是正统做法。
2. 用差分近似：比如位置差分得到速度。简单粗暴，但噪声会被放大。

我个人更推荐第一种。曾经在一个移动机器人项目里，我用差分法算速度，结果地面稍微有点不平，速度信号全是毛刺，LQR直接失控。后来换成卡尔曼滤波，稳如老狗。

# Python示例：LQR状态反馈
import control as ct
import numpy as np

A = np.array([[0, 1], [0, 0]])  # 双积分系统
B = np.array([[0], [1]])
Q = np.diag([100, 10])
R = np.array([[1]])

K, S, E = ct.lqr(A, B, Q, R)
print("最优反馈增益 K =", K)
# 控制律: u = -K @ x

4.5 LQR vs PID——到底选哪个？

这个问题我经常被问到。我的回答是：看场景。

对比项	PID	LQR
调参难度	3个参数，凭经验	Q和R矩阵，有理论指导
多变量控制	需要解耦，麻烦	天然支持MIMO
最优性	不保证最优	二次型最优
鲁棒性	较强（积分作用）	较弱（无积分项）
实现复杂度	低，几行代码	中等，需要矩阵运算

我的建议是：

• 单输入单输出、要求不高 → PID，省事
• 多输入多输出、要求精准 → LQR，值得
• 想要两者优点？试试LQR+积分（LQI），既有最优性又有稳态精度