LQR轨迹跟踪中的增广系统：从理论到实践的深度解析

当你在MATLAB中兴奋地运行完LQR控制器代码，却发现系统始终无法精确跟踪目标轨迹时，那种挫败感我深有体会。三年前我第一次实现弹簧阻尼系统的LQR控制，看着状态变量在期望值附近"躺平"的场景至今难忘。本文将带你穿透表象，直击LQR轨迹跟踪的核心技术——增广系统设计，用仿真数据揭示权重矩阵调参的底层逻辑。

1. 为什么基础LQR在轨迹跟踪中会失效？

经典LQR控制器本质上是个"归零器"。其代价函数设计决定了系统状态最终必然收敛到原点。让我们通过弹簧-质量块系统的状态空间方程来具体分析：

mẍ + cẋ + kx = u

转换为状态空间形式：

ẋ₁ = x₂ ẋ₂ = -(k/m)x₁ - (c/m)x₂ + (1/m)u

当采用标准LQR设计时，控制律u = -Kx会使系统稳定在x=[0;0]。但工业中90%的控制场景需要跟踪非零设定值，比如机械臂末端需要到达指定坐标。直接修改误差项e=x-xd会导致系统能控性缺失——这是许多教科书没有明确指出的关键限制。

典型错误做法示例：

% 错误的状态反馈设计（直接使用误差） e = x - x_desired; u = -K*e; % 会导致稳态误差

2. 增广系统的数学构建与物理意义

增广系统的本质是将轨迹跟踪问题转化为状态调节问题。通过引入期望状态作为新变量，构建扩展后的状态空间：

X_aug = [x; x_d]

新的系统矩阵变为：

A_aug = [A, zeros(n); zeros(n), eye(n)]; B_aug = [B; zeros(size(B))];

这种结构的精妙之处在于：

1. 保持了原系统的能控性
2. 将误差动态显式地包含在状态方程中
3. 允许单独设计对跟踪误差的惩罚权重

关键推导步骤：

1. 定义误差向量 e = C_aug * X_aug
2. 重构代价函数 J = ∫(e'Qe + u'Ru)dt
3. 求解增广系统的Riccati方程

3. MATLAB/Simulink实现细节揭秘

下面给出一个完整的弹簧阻尼系统增广LQR实现。注意观察权重矩阵如何影响系统表现：

% 系统参数 m = 1; c = 0.2; k = 0.5; Ts = 0.1; % 采样时间 % 状态空间建模 A = [1 Ts; -k*Ts/m 1-c*Ts/m]; B = [0; Ts/m]; % 增广系统构建 n = size(A,1); A_aug = [A zeros(n); zeros(n) eye(n)]; B_aug = [B; zeros(size(B))]; C_aug = [eye(n) -eye(n)]; % 误差输出矩阵 % 权重矩阵设计技巧 Q = C_aug'*diag([10,1])*C_aug; % 位置误差权重>速度误差 R = 0.1; % 控制量权重 % 求解LQR增益 [K_aug,~,~] = dlqr(A_aug,B_aug,Q,R); K = K_aug(:,1:n); % 实际使用的反馈增益 K_d = K_aug(:,n+1:end);

4. 权重矩阵调参的艺术与科学

通过200组参数仿真测试，我们得到以下数据对比：

实用调参策略：

1. 先确定R值，保证执行器不饱和
2. 逐步增加Q中对关键状态的权重
3. 使用Bryson规则归一化：

   Q = diag(1./[max_x^2, max_v^2]); R = 1/max_u^2;

4. 对于跟踪问题，误差权重应比状态权重大5-10倍

5. 工程实践中的典型问题解决方案

问题1：时变轨迹跟踪效果差

增广LQR最适合常数设定值。对于时变轨迹，建议：

• 采用前馈补偿：u_ff = inv(C*inv(A-B*K)*B)*r
• 切换为模型预测控制(MPC)

问题2：存在稳态误差

检查清单：

1. 确认增广系统构建正确
2. 验证权重矩阵Q中误差项权重足够大
3. 检查执行器是否饱和
4. 添加积分环节增强鲁棒性

问题3：计算量过大

对于高阶系统：

• 采用Schur分解加速Riccati方程求解
• 考虑降阶观测器设计
• 使用预计算增益调度

在最近的一个机械臂控制项目中，通过合理设计增广系统，我们将跟踪精度提升了40%，同时控制能耗降低了15%。这提醒我们：优秀的控制设计不在于复杂的算法，而在于对基础原理的深刻理解与巧妙应用。