کنترل کننده با فیلتر کالمن (Kalman Filter-based Controller)، در ریاضیات (Mathematics)
انواع کنترل کننده ها (Controller) را در آموزش زیر شرح دادیم :
کنترل کننده با فیلتر کالمن (Kalman Filter-based Controller) :
ترکیب تخمین بهینه با کنترل
کنترل کننده با فیلتر کالمن یا Kalman Filter-based Controller رویکردی است که در آن از فیلتر کالمن برای تخمین بهینه حالت های سیستم در حضور نویز استفاده می شود و سپس این تخمین ها برای اعمال کنترل پسخورد حالت به کار می روند. فیلتر کالمن یک تخمین گر بازگشتی بهینه است که برای سیستم های خطی با نویز گاوسی، بهترین تخمین را ارائه می دهد.
فیلتر کالمن در دو مرحله عمل می کند: پیش بینی و به روزرسانی. در مرحله پیش بینی، حالت آینده بر اساس مدل سیستم تخمین زده می شود. در مرحله به روزرسانی، با رسیدن اندازه گیری جدید، تخمین تصحیح می شود.
\[ \hat{x}_{k|k-1} = A \hat{x}_{k-1|k-1} + B u_{k-1} \] \[ \hat{x}_{k|k} = \hat{x}_{k|k-1} + K_k (y_k - C \hat{x}_{k|k-1}) \]کاربردها: سیستم های ناوبری (ترکیب GPS و IMU)، کنترل ربات ها در محیط ناشناخته، ردیابی اهداف، کنترل فرآیندهای شیمیایی با سنسورهای نویزی، سیستم های هوافضا.
✅ مزایا: تخمین بهینه در حضور نویز، عملکرد بازگشتی و مناسب برای پیاده سازی بلادرنگ، ترکیب اطلاعات از سنسورهای مختلف، پایداری خوب.
⚠️ معایب: نیاز به مدل دقیق سیستم و نویز، فرض خطی بودن و گاوسی بودن نویز، برای سیستم های غیرخطی باید از نسخه های توسعه یافته استفاده کرد.
سه نسخه اصلی فیلتر کالمن وجود دارد: فیلتر کالمن استاندارد (برای سیستم های خطی)، فیلتر کالمن توسعه یافته (EKF) که با خطی سازی حول نقطه کار برای سیستم های غیرخطی استفاده می شود، و فیلتر کالمن بدون بو (UKF) که از تبدیل بدون بو برای سیستم های غیرخطی قوی استفاده می کند.
در ساختار کنترل با فیلتر کالمن، ابتدا فیلتر کالمن تخمینی از حالت ها ارائه می دهد، سپس یک کنترل کننده (مثلا LQR) بر اساس این تخمین ها ورودی کنترلی را محاسبه می کند. این ساختار همان LQG است که قبلا معرفی شد.
مثال: یک خودروی خودران از GPS (با نویز) و سنسورهای اینرسی برای تعیین موقعیت استفاده می کند. فیلتر کالمن داده های این سنسورها را ترکیب کرده و موقعیت دقیق را تخمین می زند. سپس کنترل کننده فرمان را بر اساس این موقعیت تخمینی صادر می کند.
یکی از ویژگی های مهم فیلتر کالمن، به روزرسانی کوواریانس خطا است که نشان می دهد تخمین چقدر دقیق است. این اطلاعات می تواند در کنترل تطبیقی یا کنترل مقاوم استفاده شود.
در کاربردهای عملی، فیلتر کالمن یکی از پرکاربردترین الگوریتم ها در مهندسی کنترل و پردازش سیگنال است.
