Explique a influência das ponderações Q e R da função de custo
J=\int_{0}^{\infty}\left(x^{T} Q x+u^{T} R u\right) d t

Passo 1

O enunciado pede uma explicação sobre a influência das ponderações Q e R na função de custo
J=\int_{0}^{\infty}\left(x^{T} Q x+u^{T} R u\right) d t.
Informações dadas e o que se quer explicar:
  • A função de custo penaliza estados x(t) via a matriz Q e ações de controle u(t) via a matriz R.
  • Precisa-se entender qualitativamente e, quando possível, quantitativamente, como mudar Q e R altera a lei de controle ótima, o desempenho do sistema (velocidade de resposta, erro, energia de controle) e trade-offs práticos.
  • Admitimos que Q é simétrica semidefinida positiva ( Q \succeq 0) e R é simétrica definida positiva ( R \succ 0), condição padrão para que o problema LQR esteja bem posto.

Passo 2

Contexto técnico mínimo e fórmula da lei ótima (o essencial para entender a influência).
  • Considere o sistema linear contínuo
\dot x = A x + B u,
com custo J dado acima. O problema LQR busca u(t) que minimize J.
  • Resultado central: a solução ótima é um realimentador linear do tipo
u^\star(t) = -K x(t),
onde
K = R^{-1} B^{T} P.
  • Aqui P é a solução simétrica semidefinida positiva da equação algébrica de Riccati (ARE)
A^{T}P + P A - P B R^{-1} B^{T} P + Q = 0.
  • O que cada coisa significa:
    • P resume o “valor” futuro dos estados; se P cresce, o feedback fica mais agressivo.
    • K é a matriz de ganho (quanto transformamos estado em ação).
    • R^{-1} aparece explicitamente em K e na ARE: portanto mudanças em R alteram diretamente a intensidade do controle.

Passo 3

Influência qualitativa de Q.
  • Q penaliza estados: aumentar um elemento de Q significa dizer “este estado é mais caro, quero que fique menor”.
  • Na ARE, Q aparece como termo aditivo positivo; aumentando Q tende a aumentar P (a solução da ARE), porque a equação exige mais penalidade ao estado.
  • Como K = R^{-1}B^{T}P, aumentar Q → aumentar P → aumentar K (em geral) → realimentação mais forte → polos do sistema em malha fechada mais à esquerda (resposta mais rápida), redução do desvio do estado.
  • Efeito prático: maior Q geralmente dá resposta mais rápida e menor erro de estado, porém:
    • exige mais energia de controle (maior u),
    • pode aumentar overshoot e sensibilidade a ruído/modelo,
    • pode levar a saturação de atuadores se K ficar grande demais.

Passo 4

Influência qualitativa de R.
  • R penaliza controle: aumentar R significa dizer “usar u é caro, quero gastar pouco”.
  • R aparece como R^{-1} em K e em -P B R^{-1} B^{T} P na ARE. Aumentar R reduz R^{-1}, o que reduz a contribuição do termo P B R^{-1} B^{T} P que “amplifica” a ação sobre P.
  • Consequência prática: aumentar R → diminuir K → ação de controle mais conservadora → resposta mais lenta, mais erro nos estados, mas menor consumo de energia e menos chance de saturar atuadores.
  • Limites úteis:
    • Se R \to \infty: K \to 0, então praticamente não se aplica controle e o sistema evolui conforme A.
    • Se R \to 0^+ (muito pequena): K pode ficar muito grande (controle agressivo); sem limites físicos isso tende a exigir energia ilimitada e pode ser impraticável e ruinoso para robustez.

Passo 5

Exemplo escalar (ilustrativo e computável na prova): sistema com um estado.
  • Sistema escalar:
\dot x = a x + b u,
custo
J=\int_0^\infty (q x^2 + r u^2)\,dt,
com q\ge 0, r>0.
  • A ARE escalar (derivada da forma matricial) vira
2 a p - \frac{b^2}{r} p^2 + q = 0.
  • Resolvendo para p (raiz positiva adequada) e o ganho ótimo k:
p = -r + \sqrt{r(r+q)} \quad\text{(obtido resolvendo a quadrática após manipulação)},áóçã
k = \frac{b p}{r}.
  • Observe efeitos: q aparece dentro da raiz como r+q; aumentar q aumenta p e portanto aumenta k. Aumentar r tende a reduzir p e reduzir k. Isso deixa explícito: mais peso em estado \Rightarrow ganho maior; mais peso em controle \Rightarrow ganho menor.
  • Exemplificando numericamente (um número ajuda a “ver”):
    • Tome a=-1, b=1. Então
    p = -r + \sqrt{r(r+q)},\qquad k = \frac{p}{r} = -1 + \sqrt{1+\frac{q}{r}}.
    • Para q=1, r=1 obtemos k\approx 0{,}414.
    • Para q=4, r=1 obtemos k\approx 1{,}236 (ganho maior porque q subiu).
    • Para q=1, r=4 obtemos k\approx 0{,}118 (ganho bem menor porque r subiu).

Passo 6

Significado estrutural das matrizes (diagonais e cruzamentos).
  • Diagonais de Q: cada entrada diagonal Q_{ii} representa o quanto penalizamos o quadrado do i-ésimo estado. Ajustando diagonais podemos priorizar reduzir certos estados mais que outros.
  • Off-diagonais de Q: representam penalização cruzada entre estados; introduzem acoplamento nas prioridades. Na prática, costuma-se escolher Q diagonal por simplicidade, salvo quando se quer penalizar combinações específicas de estados.
  • R diagonal vs não diagonal: diagonal significa custo independente por atuador; termos fora da diagonal penalizam usar combinações específicas de atuadores (por exemplo, quando dois atuadores deveriam ser usados em conjunto e isso tem custo distinto).
  • Unidade e escala: Q e R têm unidades diferentes (estados^2 e controles^2). É crucial não comparar números puros sem levar em conta unidades — por isso regras práticas como a regra de Bryson (veja próximo passo).

Passo 7

Boas práticas de projeto e trade-offs (para prova e para prática).
  • Regra prática (Bryson): escolha Q diagonal com
Q_{ii} = \frac{1}{(\text{valor máximo aceitável de } x_i)^2},áá
e R_{jj} = \frac{1}{(\text{valor máximo aceitável de } u_j)^2}. \] Isso normaliza e torna as ponderações intuitivas. - Trade-offs: - Desejar desempenho rápido (pequena banda de estados) → aumentar \(Q.
- Limitar esforço/consumo/uso de atuador → aumentar R.
- Ganhos maiores podem reduzir margem de estabilidade e amplificar ruído; há portanto um compromisso entre desempenho e robustez.
- Se tiver saturação de atuadores, não adianta escolher Q enorme sem considerar R — o controlador ótimo não considera saturação por si só e pode não ser realizável.
- Em sintonização prática: ajustar Q e R iterativamente, começar com R baseado em limites de atuador e Q por Bryson, depois ajustar até atender requisitos de tempo de assentamento, overshoot e limites de esforço.)

Passo 8

Resumo dos efeitos principais (pré‑leitura rápida antes da prova).
  • Aumentar Q → penaliza mais os estados → solução com P maior → K maior → resposta mais agressiva/rápida, maior uso de controle.
  • Aumentar R → penaliza mais o controle → R^{-1} menor → K menor → resposta mais conservadora/lenta, menor uso de controle.
  • Estrutura diagonal de Q coloca prioridade por estado; off‑diagonais introduzem penalização de combinações de estados.
  • Limites: R\to 0 dá controlador extremamente agressivo (potencialmente impraticável); R\to\infty leva a K\to 0 (sem controle); Q\to 0 faz o controle priorizar economia de esforço em detrimento de regularização do estado.

Resposta

Aumentar Q torna o controlador mais agressivo (aumenta P na ARE, aumenta K=R^{-1}B^{T}P), melhorando rapidez e redução do erro dos estados ao custo de maior esforço de controle e menor robustez. Aumentar R torna o controlador mais conservador (reduz R^{-1} e, em geral, K), reduzindo o uso de atuadores e o consumo de energia, mas piorando o desempenho em termos de erro e tempo de resposta. Entradas diagonais de Q penalizam estados individuais; entradas não diagonais penalizam combinações de estados. Boas práticas: usar escalas/normalizações (ex.: regra de Bryson) e ajustar Q,R buscando trade‑off entre desempenho, esforço e robustez.

Exercícios relacionados