1. LQR控制器的核心原理

我第一次接触LQR控制器是在研究生阶段，当时被它优雅的数学形式和强大的控制能力深深吸引。简单来说，LQR（Linear Quadratic Regulator）是一种基于状态空间模型的线性最优控制器设计方法。它的核心思想可以用一个生活中的例子来理解：就像骑自行车时，我们既要保持车身稳定（状态调节），又要避免用力过猛（控制量约束），LQR就是在两者之间找到最佳平衡点。

LQR问题的数学本质是求解一个二次型性能指标的最小值。这个性能指标通常由两部分组成：状态变量的二次项和控制输入的二次项。用公式表示就是：

J = ∫(x'Qx + u'Ru)dt

其中Q和R就是我们需要设计的权重矩阵。Q矩阵决定了系统状态的重要性，R矩阵决定了控制代价的重要性。在实际项目中，我经常需要反复调整这两个矩阵来达到理想的控制效果。

LQR控制器最迷人的地方在于它的解可以通过黎卡提方程（Riccati Equation）解析求出。这个非线性矩阵方程看起来有点吓人：

A'P + PA - PBR^(-1)B'P + Q = 0

但MATLAB的lqr函数帮我们隐藏了所有复杂计算，只需要几行代码就能得到最优反馈增益矩阵K。这种从优美理论到简洁实现的转化，正是工程应用的魅力所在。

2. 系统建模与参数选择

在实际应用中，我习惯从系统建模开始。以经典的倒立摆为例，我们需要先建立它的状态空间模型。这个过程中，我踩过最大的坑就是忽略了某些状态变量之间的耦合关系，导致最终控制器效果不理想。

倒立摆的状态方程通常可以表示为：

A = [0 1 0 0; 
     0 0 -m*g/M 0;
     0 0 0 1;
     0 0 (M+m)*g/(M*l) 0];
B = [0; 1/M; 0; -1/(M*l)];

选择Q和R矩阵是一门艺术。我的经验法则是：先确定哪个状态量最重要，给它分配较大的权重。比如在倒立摆中，角度误差通常比位置误差更关键。R的选择则需要考虑执行器的物理限制，我通常会从R=1开始尝试，然后根据响应速度逐步调整。

一个实用的技巧是使用归一化处理。将各状态量的典型变化范围归一化到1左右，这样Q矩阵的对角元素可以直接反映各状态的相对重要性。我在无人机姿态控制项目中就采用这个方法，大大减少了参数调试时间。

3. MATLAB实现详解

现在让我们进入最实用的部分——MATLAB实现。MATLAB的控制系统工具箱提供了非常完善的LQR设计函数，我最常用的是lqr和lqry。

基础使用示例：

[K,S,e] = lqr(A,B,Q,R);

这行代码会返回最优反馈增益矩阵K，黎卡提方程的解S，以及闭环系统的极点e。我强烈建议每次设计后都检查一下极点位置，确保系统稳定且具有理想的动态特性。

对于输出调节问题，lqry函数更加方便：

[Ky,Sy,ey] = lqry(sys,Q,R);

这里sys是状态空间模型对象。在我的实际经验中，当某些状态量不可直接测量时，输出反馈的lqry特别有用。

仿真环节我通常采用以下流程：

1. 设计LQR控制器
2. 构建闭环系统
3. 进行时域和频域分析
4. 可视化关键指标

一个完整的仿真代码框架：

% 系统定义
A = [...]; B = [...]; C = [...]; D = [...];
% 权重选择
Q = diag([...]); R = ...;
% LQR设计
K = lqr(A,B,Q,R);
% 闭环系统
sys_cl = ss(A-B*K,B,C,D);
% 时域响应
step(sys_cl);
% 频域分析
bode(sys_cl);

4. 实战案例：倒立摆控制

让我们通过倒立摆这个经典案例，完整走一遍LQR设计流程。假设系统参数为：小车质量M=1kg，摆杆质量m=0.3kg，摆杆长度l=0.5m。

首先建立状态空间模型：

g = 9.81;
A = [0 1 0 0;
     0 0 -m*g/M 0;
     0 0 0 1;
     0 0 (M+m)*g/(M*l) 0];
B = [0; 1/M; 0; -1/(M*l)];
C = eye(4);
D = zeros(4,1);

接下来选择Q和R。考虑到角度θ最重要，其次是角度变化率，然后是位置：

Q = diag([10 1 100 10]);
R = 0.1;

设计LQR控制器：

K = lqr(A,B,Q,R);

验证闭环系统性能：

sys_open = ss(A,B,C,D);
sys_closed = ss(A-B*K,B,C,D);

figure;
subplot(1,2,1);
step(sys_open);
title('开环响应');
subplot(1,2,2);
step(sys_closed);
title('闭环响应');

在实际调试中，我发现初始角度偏差较大时，线性模型会失效。这时就需要考虑非线性控制或者增加饱和限制。这也是LQR的一个局限性——它只在平衡点附近保证最优性。

5. 常见问题与调试技巧

在多年的LQR应用实践中，我总结了一些常见问题和解决方法：

问题1：系统响应过慢

• 可能原因：R值过大，控制权重过高
• 解决方法：逐步减小R值，观察响应变化

问题2：控制量饱和

• 可能原因：Q值设置不合理，某些状态权重过大
• 解决方法：调整Q矩阵，或增加控制量约束处理

问题3：某些状态收敛不理想

• 可能原因：该状态在Q中的权重过低
• 解决方法：提高对应状态的Q值

一个实用的调试流程：

1. 先设置R=1，Q=diag([1,1,...])
2. 运行仿真，观察哪个状态收敛最慢
3. 提高该状态在Q中的权重
4. 如果控制量出现饱和，适当增加R值
5. 重复2-4步直到满意

对于高阶系统，我推荐从低频主导模态开始设计，逐步加入高频模态的考虑。这种方法比直接处理全阶系统更稳妥。

6. 进阶应用与扩展

掌握了基础LQR设计后，可以尝试一些进阶应用。比如结合观测器设计LQG控制器，处理不完全可测的状态。MATLAB提供了lqg函数来简化这个过程：

[KEST,L,P] = kalman(sys,Qn,Rn);
[reg,info] = lqg(sys,Q,R,Qn,Rn);

另一个有趣的扩展是时变LQR，适用于跟踪时变参考信号的情况。这时需要求解微分黎卡提方程：

[t,P] = care(A,B,Q,R,[],S);

在无人机项目中，我采用LQR作为内环控制器，外环再用PID或其他策略，取得了不错的效果。这种分层设计思路可以很好地平衡响应速度和控制精度。

最后提醒一点：LQR虽然强大，但它依赖于精确的数学模型。在实际应用中，我通常会预留20%-30%的鲁棒裕度，以应对模型不确定性。