Discuta as principais características da formulação linear quadrática, no problema de rastreio. Para quais sistemas de controle ele é principalmente adequado? Explique as razões da adequabilidade.

Passo 1

O que o enunciado pede: discutir as principais características da formulação linear‑quadrática (LQ) no problema de rastreio (tracking) e dizer para quais sistemas de controle ela é principalmente adequada, explicando por que é adequada.
Informações relevantes que vamos usar (situação geral típica do problema de rastreio):
  • existe um sistema com dinâmica linear representada por \dot{x}(t) = A x(t) + B u(t) + w(t) no caso contínuo (ou x_{k+1}=A x_k + B u_k + w_k no caso discreto); aqui x é o vetor de estado, u o vetor de controle e w um distúrbio/ruído.
  • há uma referência (trajetória alvo) x_r(t) ou uma referência de saída r(t) que queremos seguir.
  • a fórmula de custo é quadrática no desvio entre estado/entrada e suas referências, algo como
J = \int_{0}^{T} \bigl(x(t)-x_r(t)\bigr)^\top Q \bigl(x(t)-x_r(t)\bigr) + \bigl(u(t)-u_r(t)\bigr)^\top R \bigl(u(t)-u_r(t)\bigr)\,dt
(com Q\succeq0, R\succ0).
  • perguntas concretas que vou responder passo a passo: (1) quais são as características matemáticas e práticas da formulação LQ para rastreio; (2) que tipos de sistemas são bem atendidos por essa formulação; (3) por quê — motivos técnicos e intuitivos.

Passo 2

O que é, matematicamente, a formulação LQ de rastreio — e por que ela é simples de entender:
  • Dinâmica linear: assumimos que o comportamento do sistema é bem modelado por matrizes A e B. Isso torna o problema tratável analiticamente. Aqui A\in\mathbb{R}^{n\times n}, B\in\mathbb{R}^{n\times m}.
  • Custo quadrático: penalizamos somas de quadrados do erro (estado e controle). A matriz Q penaliza o erro de estado, a matriz R penaliza o esforço de controle. Explico cada símbolo:
    • x(t) é o vetor de estados (posição, velocidade, temperatura, etc.).
    • x_r(t) é a referência que queremos seguir (pode ser constante ou tempo‑variável).
    • u(t) é o controle aplicado.
    • u_r(t) é um possível termo de referência para a entrada (muitas vezes zero).
    • Q e R são matrizes simétricas; Q\succeq0 significa que é semidefinida positiva e R\succ0 que é definida positiva. Isso garante custo não negativo e inversibilidade de penalização de controle.
  • Objetivo: escolher u(\cdot) que minimize J sujeito à dinâmica. Como a dinâmica é linear e o custo é quadrático, o problema cai na classe LQ e tem solução ótima em forma fechada (controlador linear).
  • Solução básica (ideia): para regulador (rastreio de x_r=0) a lei ótima é u(t) = -K(t) x(t) com K(t)=R^{-1}B^\top P(t) e P(t) solução da equação de Riccati diferencial
-\dot P = A^\top P + P A - P B R^{-1} B^\top P + Q
(com condição terminal P(T)=P_T no caso finito). No horizonte infinito estacionário, P resolve a equação algébrica de Riccati
0 = A^\top P + P A - P B R^{-1} B^\top P + Q.
Explico: P é uma matriz que quantifica “valor futuro” do estado; a equação de Riccati aparece da aplicação do princípio de programação dinâmica. Não é necessário decorar derivação completa na prova, mas entender que a solução reduz ao problema de resolver essa equação e calcular K.

Passo 3

Como transformar o regulador LQ em um rastreador (tracking): pre‑filtro e estados augmentados — explicação didática.
  • Desejo: penalizar \bigl(x-x_r\bigr) em vez de x cru. No custo já usamos x-x_r. A solução ótima se adapta: a lei de controle típica tem uma parte de realimentação de estado e uma parte de alimentação direta da referência (feedforward). Para referências constantes é comum obter
u(t) = u_s + K\bigl(x_s - x(t)\bigr)
onde (x_s,u_s) é o par de regime permanente tal que 0 = A x_s + B u_s e y_s = C x_s = r (se trabalhamos com saídas y=Cx). Em termos práticos, muitas implementações usam
u(t) = -K\bigl(x(t)-x_r(t)\bigr) + N\,r(t)
onde N é um ganho de pré‑filtro que corrige o ganho estático para que não haja erro em regime permanente (quando possível).
  • Como encontrar N (intuição e procedimento): para referência constante r, assumimos existência de ponto de equilíbrio (x_s,u_s) resolvendo
0 = A x_s + B u_s,\qquad r = C x_s.
Resolver esse sistema linear nos dá x_s e u_s; então escolhemos N tal que u_s = -K x_s + N r, daí N pode ser calculado. Se não houver saída C, pode-se escolher N diretamente para garantir acerto do valor desejado. Este procedimento é o que adiciona a “parte de rastreio” à lei LQ padrão.
  • Alternativa (integrador): se houver distúrbios modelados ou erros de modelo, augmenta‑se o estado com um integrador do erro (por exemplo z(t)=\int (y-y_r)\,dt), penaliza‑se z no custo e projeta‑se o LQ sobre o sistema aumentado; isso garante eliminação do erro estático para perturbações de certa natureza.

Passo 4

Propriedades práticas e computacionais — por que o LQ é atraente:
  • Controlador linear ótimo: a lei de controle resultante é linear em x (ou em x-x_r), u=-Kx + {\rm feedforward}. Linearidade facilita implementação e análise.
  • Cálculo eficiente: resolver a equação de Riccati (diferencial ou algébrica) é trabalho numérico bem estabelecido; para sistemas de dimensão moderada dá para fazer offline e implementar online sem grande carga computacional.
  • Trade‑off explícito: as matrizes Q e R representam explicitamente o trade‑off entre desempenho (baixo erro) e esforço de controle. Isso ajuda o engenheiro a “tunar” o controlador interpretando pesos.
  • Separação (se não medirmos todos os estados): existe o princípio da separação — projetamos um estimador ótimo (filtro de Kalman) e projetamos o LQR separadamente; a combinação (LQG) é ótima sob hipóteses de ruído Gaussiano. Isso simplifica o projeto em duas etapas independentes: estimador + regulador.
  • Robustez moderada: controladores LQ têm comportamento razoavelmente robusto a pequenas incertezas de modelo, mas não são projetados para incertezas grandes — para isso há H∞ ou MPC.

Passo 5

Limitações e pontos de atenção (por que nem sempre LQ é a melhor escolha):
  • Linearidade: a formulação assume dinâmica linear. Para sistemas fortemente não lineares é necessário linearizar em torno de pontos/trajetórias ou usar controladores não lineares (se a região de operação for ampla, a linearização pode falhar).
  • Quadraticidade do custo: o LQ otimiza uma soma de quadrados; se o interesse real usar custos não quadráticos (por exemplo penalizar saturação, limites de segurança, ou custos de economia não quadráticos), LQ pode não representar bem o objetivo.
  • Restrições: LQ não trata restrições duras em u ou x (saturations, limites de segurança). Para restrições ativas, métodos como MPC são mais adequados.
  • Erro em regime permanente: sem integral ou pré‑filtro bem projetado, podem existir erros estáticos frente a distúrbios modelados ou referenciais constantes. Corrige‑se com estados aumentados integradores.
  • Robustez a grandes incertezas: LQ é ótimo para o modelo assumido; porém se há grandes incertezas adversas, um projeto H∞ ou técnicas robustas são preferíveis.

Passo 6

Para quais sistemas a formulação LQ de rastreio é principalmente adequada — lista e razões (cada item com justificativa curta):
  • Sistemas lineares ou quase lineares em torno de um ponto/trajectória (LTI/LTV): porque o LQ assume dinâmica linear; quando o sistema pode ser modelado linearmente a precisão do controlador é alta e a solução é exata.
  • Sistemas MIMO (multivariáveis) com trade‑offs entre estados e entradas: porque LQ generaliza bem para múltiplas entradas/saídas e permite balancear penalidades via Q e R.
  • Sistemas onde se quer um compromisso explícito entre desempenho e esforço de controle (por exemplo aeronaves, robôs manipuladores linearizados, veículos autônomos em faixa de operação limitada): porque as matrizes de peso tornam esse compromisso direto e interpretável.
  • Sistemas com ruído de processo e de medição com distribuição aproximadamente Gaussiana, quando se usa LQ + Kalman (LQG): porque a combinação dá um estimador + controlador ótimo sob hipóteses estocásticas.
  • Aplicações com requisitos de cálculo em tempo real moderado e sem restrições duras (por exemplo controle de atitude de satélites, pilotos automáticos, controle de servomecanismos): porque a lei é linear e computacionalmente barata após o projeto (ganhos fixos).
Resumo intuitivo: LQ de rastreio é adequado quando o sistema pode ser aproximado por linear, o objetivo pode ser expresso por penalização quadrática do erro/controle, e não há restrições duras ou incertezas enormes.

Passo 7

Recomendações práticas e “como eu faria na prova / projeto” (dicas úteis):
  • Verifique controlabilidade: para poder aplicar LQ é necessário que o par (A,B) seja controlável; isso garante que o Riccati produza ganhos que colocam os pólos desejados.
  • Escolha inicial de Q e R: comece com R proporcional à unidade para normalizar esforço, e escale Q para priorizar componentes do estado. Aumentar um elemento diagonal de Q faz o controlador agir mais agressivamente para reduzir esse componente.
  • Para rastreio sem erro estático: ou calcule o pré‑filtro N ou aumente o estado com integrador do erro. Em prova mostre como montar o sistema aumentado e aplicar Riccati ao sistema aumentado.
  • Se não medir todos os estados: desenhe um filtro de Kalman (ou observador) e use o princípio da separação; na prova talvez peçam para mencionar isto.
  • Atenção a saturações: em presença de saturação, simule ou use anti‑windup se houver integrador.

Passo 8

Exemplo simples (intuição numérica curta): para um sistema massa‑mola linearizado onde x=[posição; velocidade]çã e u força, um Q grande no componente de posição reduz o erro de posição rapidamente, mas aumenta a força requerida (control effort) — esse é exatamente o trade‑off que se ajusta por Q,R. Isso é um bom modo de ver “na prática” o efeito dos pesos.

Resposta

Principais características: sistema com dinâmica linear \dot{x}=Ax+Bu+w, custo quadrático \;J=\int (x-x_r)^\top Q(x-x_r)+(u-u_r)^\top R(u-u_r)\,dt\; com Q\succeq0,R\succ0; solução ótima linear do tipo u=-K(x-x_r)+ termo feedforward, obtida resolvendo a equação de Riccati (diferencial ou algébrica); permite inclusão de pré‑filtro ou estados integradores para eliminar erro em regime permanente; design separado em controlador e estimador (LQG) quando há ruído.
Sistemas principalmente adequados: sistemas que são aproximadamente lineares (LTI/LTV) ou que podem ser linearizados localmente, especialmente MIMO sem restrições duras, quando o objetivo é trade‑off explícito entre erro e esforço e quando ruídos são aproximadamente Gaussianos — exemplos típicos: controle de atitude/guia em aeronáutica, servomecanismos, robôs linearizados e muitos processos industriais. Razões: formulação entrega controlador linear ótimo em forma fechada (fácil implementação), solução computacionalmente eficiente via Riccati, trade‑off interpretável por Q,R, e (pela separação) projeto simples de estimador+controlador; limitações surgem se o sistema for fortemente não linear, tiver restrições duras ou incertezas grandes, casos nos quais outras metodologias (MPC, H∞, controle não linear) são preferíveis.

Exercícios relacionados