3. 线性二次型调节器：LQR问题描述、Riccati方程推导、稳态解与瞬态解
好，咱们进入LQR。说实话，在最优制导律里，LQR是最经典、最成熟、也是我最早接触的一类方法。我记得刚入行那会儿，带我的老工程师就说：“先把LQR吃透，后面什么变分法、极小值原理，你都能触类旁通。” 嗯，这话我现在也常跟新人讲。
LQR的全称是Linear Quadratic Regulator，线性二次型调节器。说白了，就是系统是线性的，性能指标是二次型的，我们要找一个控制律，让这个二次型指标最小。为什么用二次型？因为数学上漂亮，能解析求解，而且工程上也好用——你想想看，误差的平方和，不就是我们最常优化的东西吗？
3.1 LQR问题描述
先给个标准的问题框架。假设我们有一个线性时变系统：
dx/dt = A(t)·x + B(t)·u
x(t0) = x0其中x是n维状态向量，u是m维控制向量。我们要找一个控制律u(t)，使得下面的性能指标最小：
J = ½·xᵀ(tf)·S·x(tf) + ½·∫[xᵀ·Q·x + uᵀ·R·u]dt这里有几个关键矩阵：
- S：终端代价权重，半正定对称矩阵
- Q：状态代价权重，半正定对称矩阵
- R：控制代价权重，正定对称矩阵
我在项目中遇到过一个问题：有人把R设成零矩阵，结果控制量疯狂震荡，系统根本稳不住。为什么？因为R正定是保证控制有界的关键。你想想看，如果控制不要钱，那最优解就是瞬间把状态拉到零——但物理上做不到啊。
核心要点：LQR的本质是在“状态偏差”和“控制能量”之间做权衡。Q越大，我们越在意状态精度；R越大，我们越在意控制平缓。
3.2 Riccati方程推导
好，问题摆在这了，怎么解？这里要用到极小值原理。我直接说结论：最优控制可以写成状态反馈的形式：
u*(t) = -R⁻¹·Bᵀ·P(t)·x(t)其中P(t)是n×n的对称半正定矩阵，它满足下面的Riccati微分方程：
-dP/dt = Aᵀ·P + P·A + Q - P·B·R⁻¹·Bᵀ·P
P(tf) = S这个方程怎么来的？我简单说下思路：
- 构造Hamiltonian函数：H = ½(xᵀQx + uᵀRu) + λᵀ(Ax + Bu)
- 由最优性条件∂H/∂u = 0，得到u = -R⁻¹Bᵀλ
- 假设λ = P·x，代入协态方程，就能推出Riccati方程
嗯，这里要注意：P(t)是时变的，要从终端时刻tf反向积分到初始时刻t0。我记得第一次手算这个方程时，被那个负号搞晕了好几次——dP/dt前面有个负号，意味着P是从后往前算的。
个人经验：实际工程中，我一般用数值方法求解Riccati方程。MATLAB的care()函数或者Python的scipy.linalg.solve_continuous_are()都很好用。但理解解析形式很重要，它能帮你判断解的稳定性。
3.3 稳态解与瞬态解
Riccati方程的解P(t)有两种情况：
3.3.1 瞬态解（时变解）
当终端时间tf有限时，P(t)是时变的。从tf时刻的边界条件S开始，反向积分到t0。这个解的特点是：
- 靠近终端时，P(t)趋近于S
- 远离终端时，P(t)逐渐变化
- 控制增益K(t) = R⁻¹BᵀP(t)也是时变的
我在做导弹末制导时，经常用瞬态解。因为终端时间就是拦截时刻，S矩阵代表对脱靶量的惩罚，这个必须精确控制。
3.3.2 稳态解（定常解）
当tf → ∞时，如果系统是可控且可观的，P(t)会收敛到一个常数矩阵P∞。此时Riccati微分方程退化为代数方程：
Aᵀ·P∞ + P∞·A + Q - P∞·B·R⁻¹·Bᵀ·P∞ = 0这就是著名的代数Riccati方程（ARE）。稳态解的好处是：
- 控制增益是常数，实现简单
- 闭环系统是渐近稳定的
- 计算量小，适合在线应用
避坑指南：我曾经在一个项目中直接用了稳态解，结果发现系统在初始阶段震荡得很厉害。后来才意识到，稳态解只保证无限时间最优，但初始瞬态过程可能很差。如果对瞬态响应有要求，建议用瞬态解或者加个预补偿。
3.4 知识体系图
下面这张图总结了LQR的核心逻辑，我画了好几个版本才满意：
3.5 关键参数选择建议
最后，我根据多年经验，给几个参数选择的实用建议：
| 参数 | 增大效果 | 减小效果 | 工程建议 |
|---|---|---|---|
| Q | 状态收敛更快，但控制量更大 | 状态收敛慢，控制平缓 | 先设为单位阵，再按需调整对角线元素 |
| R | 控制量小，系统响应慢 | 控制量大，可能饱和 | 根据执行机构能力设定，避免控制饱和 |
| S | 终端状态精度高 | 终端状态偏差大 | 制导问题中设大值，如S = 100·I |
小技巧：我习惯用Bryson规则做初始参数选择：Qii = 1/(x_max_i)²，Rjj = 1/(u_max_j)²。这样能保证各状态和控制量在量级上可比，避免数值问题。
好了，LQR的核心内容就这些。从问题描述到Riccati方程，再到稳态和瞬态解，每一步都有它的物理意义和工程考量。你想想看，一个看似简单的状态反馈，背后其实藏着这么深的数学——这就是最优控制的魅力所在。
公众号:蓝海资料掘金营，微信deep3321