Ecole Nationale Supérieure d’Arts et Métiers- Casa

‫المدرسة الوطنية العليا للفنون والمهن الدارالبیضاء‬

-

Pr. TOUATI ABDELWAHED

UH2C ENSAM CASABLANCA
Département Génie Electrique

Initié par KALMAN

Filières d’Ingénieurs
2C.I GEM – MSEI
2022 / 2023
1
 Objectifs du Cours.

Objectifs du cours :
 Présenter les avantages et les concepts théoriques de
la commande optimale;
 Synthèse d’une commande linéaire quadratique ;

Notions introduites:
1. Matrices de Pondération Q et R;
2. Matrice symétrique définie positive;
3. Equation de Riccatti;
4. Commande LQR. 2
 I. Introduction .

 Les problèmes de la commande optimale se rencontrent dans la vie Quotidienne :

• Comment arriver à destination le plus rapidement possible,
• Comment minimiser sa consommation (Robots, Satellites ,Systèmes embarqués )

 Pour un système dynamique donné et dont les équations sont connues, le

problème de commande optimale consiste alors à trouver la commande
minimisant un critère de performance J donné.

 On s'intéressera plus particulièrement aux systèmes linéaires dans le cas d'un

critère quadratique cas connu sous le nom de commande linéaire quadratique
LQR Linear Quadratic Regulator.
3
 I. Introduction .

On considère un système linéaire invariant donné par sa représentation

d’état {A,B,C,D} :

On cherche à réaliser une commande par retour d’état qui, tout en assurant ou
préservant la stabilité, tente de rendre minimal un critère J de la forme
suivante:

En effet, l’indice de performance J est une mesure mathématique de la qualité

du système et de son comportement
 Grand indice J implique de mauvaises performances;
 Petit indice J implique de bonnes performances.
4
 I. Introduction .
1. Vitesse de rejet de perturbation
Soient 2 systèmes mono-variables du 1er ordre :

Un objectif de rapidité de rejet de perturbation est respecté par la minimisation de :

5
II. Critère quadratique d’optimalité.

6
II. Critère quadratique d’optimalité.

7
 II. Critère quadratique d’optimalité.

Rappel.
Une matrice réelle symétrique est définie positive Ssi les déterminants de n
mineurs principaux sont positifs >0.

Est-ce que les deux matrices suivantes sont définies positives??

2 −1 0 3 0 0 0
𝑀1 = −1 2 −1 𝑀2 = 0 1 0 0
0 0 4 0
0 −1 2
0 0 0 2

2 −1 0 2 −1 0 2 −1 0
𝑀1 = −1 2 −1 𝑀1 = −1 2 −1 𝑀1 = −1 2 −1
0 −1 2 0 −1 2 0 −1 2
Det = 2 > 0 Det = 3 > 0 Det = 4 > 0

La Matrice M1 est bien symétrique est définie positive.

8
 II. Critère quadratique d’optimalité.

Rappel.
Une matrice réelle symétrique est définie positive Ssi les déterminants de n
mineurs principaux sont positifs >0.

Est-ce que les deux matrices suivantes sont définies positives??

2 −1 0 3 0 0 0
𝑀1 = −1 2 −1 𝑀2 = 0 1 0 0
0 0 4 0
0 −1 2
0 0 0 2
3 0 0 0 3 0 0 0 3 0 0 0 3 0 0 0
𝑀2 = 0 1 0 0 𝑀2 = 0 1 0 0 𝑀2 = 0 1 0 0 𝑀2 = 0 1 0 0
0 0 4 0 0 0 4 0 0 0 4 0 0 0 4 0
0 0 0 2 0 0 0 2 0 0 0 2 0 0 0 2
Det = 3 > 0 Det = 3 > 0 Det = 12 > 0 Det = 24> 0
La Matrice M2 est bien symétrique est définie positive.
N.B: Toute matrice diagonale à éléments positifs est définie positive. 9
 III. Commande optimale.

Considérons le cas particulier d’un critère “énergétique” sur l’état seul

avec tf = +

La recherche d’une solution passe par la recherche d’une matrice P

satisfaisant :

Si on arrive à trouver une telle matrice, alors le critère s’écrit ;

10
 III. Commande optimale.

Lors de la synthèse d’une commande par retour d’état, on introduit la matrice

H =A-BK. Ceci nous conduit aux deux relations suivantes

Pour trouver P on résoud:

11
 III. Commande optimale.

Exemple d’application:
On considère un système décrit par ses équations d’état :

Dans le cas général, le retour d’état est de la forme [k1 k2] et :

12
III. Commande optimale.

13
 III. Commande optimale.

2. On fixe la valeur de k1=1 et on cherche un retour d’état de la

forme [1 k]. Le critère s’écrit alors :

La stabilité exige que k > 0 . Cherchons pour quelle valeur de k le critère de

performance passe par un minimum .

Cette expression s’annule pour:

14
 III. Commande optimale.

La valeur de k = 2 donne un minimum pour J:

La stabilité exige que k >0 . Le critère passe par un minimum.

15
 IV. Commande Linéaire
Quadratique LQR.
 On parle de commande linéaire quadratique LQ ou LQR pour
Linear Quadratic Regulator.
 Le système est linéaire et la commande est quadratique. C’est
une commande optimale par retour d’état.
 C’est une commande par retour d’état qui stabilise le système tout en
minimisant le critère de compromis LQ suivant:

16
IV. Commande Linéaire Quadratique
LQR.

17
IV. Commande Linéaire Quadratique LQR.
Exemples de Pondérations par Q et R.

+∞
𝒙𝟏 𝟏 𝟎
𝒙 = 𝒙 ;𝐮 = 𝒖 ;𝑸 = ;𝑹 = 𝟏 → 𝑱 = 𝒙𝟐𝟏 𝒕 + 𝒙𝟐𝟐 𝒕 + 𝒖𝟐 (𝒕) 𝒅𝒕
𝟐 𝟎 𝟏 𝟎
+∞
𝒙𝟏 𝟔 𝟐
𝒙 = 𝒙 ;𝐮 = 𝒖 ;𝑸 = ;𝑹 = 𝟏 → 𝑱 = 𝟔. 𝒙𝟐𝟏 + 𝟏𝟎. 𝒙𝟐𝟐 + 𝟒𝒙𝟏 𝒙𝟐 + 𝒖𝟐 𝒅𝒕
𝟐 𝟐 𝟏𝟎 𝟎
+∞
𝒙𝟏 𝟏 𝟎
𝒙 = 𝒙 ;𝐮 = 𝒖 ;𝑸 = ; 𝑹 = 𝟏𝟎𝟎 → 𝑱 = 𝒙𝟐𝟏 + 𝒙𝟐𝟐 + 𝟏𝟎𝟎. 𝒖𝟐 𝒅𝒕
𝟐 𝟎 𝟏 𝟎
+∞
𝒙𝟏 𝒒 𝟎
𝒙 = 𝒙 ;𝐮 = 𝒖 ;𝑸 = 𝟏 ;𝑹 = 𝒓 → 𝑱 = 𝒒𝟏 . 𝒙𝟐𝟏 + 𝒒𝟐 . 𝒙𝟐𝟐 + 𝒓. 𝒖𝟐 𝒅𝒕
𝟐 𝟎 𝒒𝟐 𝟎

 Si dans le critère J, on privilégie l’énergie de x, l’énergie de la commande

pourra être très grande et la commande sera très nerveuse (à grands gains).
 Si au contraire on privilégie l’énergie de u, on obtiendra une commande de
faible énergie molle, pour laquelle la dynamique de la BF sera lente.
 Plusieurs essais erreurs sont nécessaires pour régler les matrices Q et R.
18
IV. Commande Linéaire Quadratique LQR.
Synthèse de la commande LQR.

La synthèse du régulateur de la commande linéaire quadratique LQR

repose sur la recherche de K dans u=-K.x qui minimise le coût ( Indice

de performance) J suivant :

Q et R symétriques réelles, définies positives et réglées par l’automaticien.

19
IV. Commande Linéaire Quadratique LQR.
Synthèse de la commande LQR.

𝑥 = 𝐴. 𝑥 + 𝐵. 𝑢 & 𝑢 = −𝐾. 𝑥  𝑥 = 𝐴. 𝑥 − 𝐵. 𝐾. 𝑥 = 𝐴 − 𝐵𝐾 . 𝑥
+∞ +∞
𝐽= 𝑥 𝑇 . 𝑄. 𝑥 + 𝑢𝑇 . 𝑅. 𝑢 𝑑𝑡 = 𝑥 𝑇 . 𝑄. 𝑥 + 𝑥 𝑇 . 𝐾 𝑇 𝑅. 𝐾. 𝑥 𝑑𝑡
0 0

+∞ +∞
𝐽= 𝑥 𝑇 . 𝑄. 𝑥 + 𝑢𝑇 . 𝑅. 𝑢 𝑑𝑡 = 𝑥 𝑇 𝑄 + 𝐾 𝑇 𝑅. 𝐾 . 𝑥. 𝑑𝑡
0 0

Si A-BK est stable, il existe une matrice P symétrique réelle et définie

positive tel que:
𝒅
𝒙𝑻 𝑸 + 𝑲𝑻 𝑹. 𝑲 . 𝒙 = − 𝒅𝒕 𝒙𝑻 . 𝑷. 𝒙

𝒅𝒙𝑻 𝒅𝒙
𝒙𝑻 𝑸 + 𝑲𝑻 𝑹. 𝑲 .𝒙 = − 𝒅𝒕 . 𝑷. 𝒙 - 𝒙𝑻 . 𝑷. 𝒅𝒕
20
IV. Commande Linéaire Quadratique LQR.
Synthèse de la commande LQR.

𝒅𝒙𝑻 𝒅𝒙
𝑥 𝑇 𝑄 + 𝐾 𝑇 𝑅. 𝐾 . 𝑥 = − 𝒅𝒕
. 𝑃. 𝑥 - 𝑥 𝑇 . 𝑃. 𝒅𝒕

𝑥 𝑇 𝑄 + 𝐾 𝑇 𝑅. 𝐾 . 𝑥 = −(𝑨. 𝒙 − 𝑩. 𝑲. 𝒙)𝑇 . 𝑃. 𝑥 - 𝑥 𝑇 . 𝑃. (𝑨. 𝒙 − 𝑩. 𝑲. 𝒙)

𝑥 𝑇 𝑄 + 𝐾 𝑇 𝑅. 𝐾 . 𝑥 = −𝑥 𝑇 . 𝐴𝑇 𝑃. 𝑥 + 𝑥 𝑇 . 𝐾 𝑇 . 𝐵𝑇 𝑃. 𝒙 − 𝑥 𝑇 . 𝑷𝑨. 𝒙 +𝑥 𝑇 𝑃𝐵𝐾𝑥

𝒙𝑻 𝑸 + 𝑲𝑻 𝑹. 𝑲 . 𝒙 = 𝒙𝑻 . (−𝑨𝑻 𝑷 + 𝑲𝑻 . 𝑩𝑻 𝑷 − 𝑷𝑨 + 𝑷𝑩𝑲). 𝒙

𝑸 + 𝑲𝑻 𝑹. 𝑲 = (−𝑨𝑻 𝑷 + 𝑲𝑻 . 𝑩𝑻 𝑷 − 𝑷𝑨 + 𝑷𝑩𝑲)

𝑸 + 𝑲𝑻 𝑹. 𝑲 + 𝑨𝑻 𝑷 − 𝑲𝑻 . 𝑩𝑻 𝑷 + 𝑷𝑨 − 𝑷𝑩𝑲 = 0

Si K varie de dK, P variera de dP (A,B,Q et R étant constants).

21
IV. Commande Linéaire Quadratique LQR.
Synthèse de la commande LQR.

𝑸 + 𝑲𝑻 𝑹. 𝑲 + 𝑨𝑻 𝑷 − 𝑲𝑻 . 𝑩𝑻 𝑷 + 𝑷𝑨 − 𝑷𝑩𝑲 = 0 (∗)

Si K varie de dK, P variera de dP (A,B,Q et R étant constants). La variation sera:

d𝑲𝑻 𝑹. 𝑲 + 𝑲𝑻 𝑹. 𝒅𝑲 + 𝑨𝑻 d𝑷 − 𝒅𝑲𝑻 . 𝑩𝑻 𝑷 − 𝑲𝑻 . 𝑩𝑻 𝒅𝑷 + 𝒅𝑷𝑨 − 𝒅𝑷𝑩𝑲 − 𝑷𝑩 𝒅𝑲 = 0

d𝑲𝑻 (𝑹. 𝑲 − 𝑩𝑻 𝑷) + (𝑲𝑻 𝑹 − 𝑷𝑩). 𝒅𝑲 + (𝑨𝑻 − 𝑲𝑻 . 𝑩𝑻 ). 𝒅𝑷 + 𝒅𝑷(𝑨 − 𝑩𝑲) = 𝟎

J sera minimum quand dP=0 pour dK≠0, soit:

d𝑲𝑻 (𝑹. 𝑲 − 𝑩𝑻 𝑷) + (𝑲𝑻 𝑹 − 𝑷𝑩). 𝒅𝑲 = 𝟎 𝑲 = 𝑹−𝟏 . 𝑩𝑻 𝑷

On remplace dans (*) et on obtient la condition : P doit vérifier l’équation de
Riccatti.
𝑸 + 𝑨𝑻 𝑷 + 𝑷𝑨 − 𝑷𝑩𝑹−𝟏 𝑩𝑻 𝑷 = 𝟎
22
IV. Commande Linéaire Quadratique LQR.
Algorithme de la commande LQR.

L’Algorithme de la commande LQR:

1. On régle les matrices de pondération Q et R;
2. On résout l’équation de Riccati pour trouver P
𝑸 + 𝑨𝑻 𝑷 + 𝑷𝑨 − 𝑷𝑩𝑹−𝟏 𝑩𝑻 𝑷 = 𝟎
3. On calcule K par la relation:

𝑲 = 𝑹−𝟏 . 𝑩𝑻 𝑷

23
IV. Commande Linéaire Quadratique LQR.
Exemple de détermination de commande LQR.

u 𝒙𝟐 𝒙𝟏
𝒙𝟏 = 𝒙𝟐 ∫ ∫
𝒙𝟐 = 𝒖
-K

Question : Trouver K dans la commande u = - K.x en fonction de q et r qui

𝟏 𝟎
minimise l’indice de performance J. On prend 𝑸 = 𝟎 𝒒 & 𝑹 = 𝒓
1. Ecrire A et B de la représentation d’état du système?
𝑝1 𝑝2
2. Trouver p1, p2 et p3 pour que : 𝑃 = 𝑝 𝑝3 qui vérifie l’équation de Riccati:
2

𝑸 + 𝑨𝑻 𝑷 + 𝑷𝑨 − 𝑷𝑩𝑹−𝟏 𝑩𝑻 𝑷 = 𝟎
3. Calculer par la suite le vecteur de gain du retour d’état K ? 𝑲 = 𝑹−𝟏 . 𝑩𝑻 𝑷
24
 IV. Commande Linéaire Quadratique LQR.
Exemple de détermination de commande LQR.

1. Ecrire A et B de la représentation d’état du système?

𝒙𝟏 = 𝒙𝟐 𝟎 𝟏 𝟎
 𝑨= & 𝑩=
𝒙𝟐 = 𝒖 𝟎 𝟎 𝟏
𝒑𝟏 𝒑𝟐
2. Trouver p1, p2 et p3 pour que : 𝑷 = 𝒑 𝒑 qui vérifie: 𝑸 + 𝑨𝑻 𝑷 + 𝑷𝑨 − 𝑷𝑩𝑹−𝟏 𝑩𝑻 𝑷 = 𝟎
𝟐 𝟑

𝟏 𝟎
𝑸= & 𝑹=𝒓
𝟎 𝒒

1 0 0 0 0 𝑝1 1 𝑝2
+ + − 𝑝 𝑝2 𝑝3 = 0
0 𝑞 𝑝1 𝑝2 0 𝑝2 𝑟 3

1 0 0 0 0 𝑝1 1 𝑝22 𝑝2 𝑝3
+ + − =0
0 𝑞 𝑝1 𝑝2 0 𝑝2 𝑟 𝑝3 𝑝2 𝑝32

𝒑𝟐𝟐 𝒑 𝒑 𝒑𝟐 𝒑𝟑 𝒑𝟐𝟑
𝟏− = 𝟎 𝒑𝟏 − 𝟐 𝟑 = 𝟎 𝒑𝟏 − =𝟎 𝒒 + 𝟐𝒑𝟐 − =𝟎
𝒓 𝒓 𝒓 𝒓
25
IV. Commande Linéaire Quadratique LQR.
Exemple de détermination de commande LQR.

𝒑𝟐𝟐 𝒑 𝒑 𝒑𝟐 𝒑𝟑 𝒑𝟐𝟑
𝟏− = 𝟎 𝒑𝟏 − 𝟐 𝟑 = 𝟎 𝒑𝟏 − =𝟎 𝒒 + 𝟐𝒑𝟐 − =𝟎
𝒓 𝒓 𝒓 𝒓
𝒑𝟐𝟐 = 𝑟 → 𝒑𝟐 = 𝒓

𝒑𝟐𝟑 = 𝑟𝑞 + 2𝑟 𝑟 → 𝒑𝟑 = 𝒓𝒒 + 𝟐𝒓 𝒓

𝒓 𝒓𝒒 + 𝟐𝒓 𝒓
𝒑𝟏 =
𝒓
3. Calculer par la suite le vecteur de gain du retour d’état K ? 𝑲 = 𝑹−𝟏 . 𝑩𝑻 𝑷

𝟏 𝒑𝟏 𝒑𝟐 𝟏
𝑲= . 𝟎 .
𝟏 𝒑 𝒑𝟑 = . 𝒑𝟐 𝒑𝟑
𝒓 𝟐 𝒓

𝟏 𝒒+𝟐 𝒓
𝑲=
𝒓 𝒓
26
IV. Commande Linéaire Quadratique LQR.
Exemple de détermination de commande LQR.

A=[0 1 0;0 0 1;0 -2 -3];B=[0;0;1];C=[1 0 0];D=0;

Q=[100 0 0;0 1 0;0 0 1];R=0.01;
[K,P]=lqr(A,B,Q,R)
clc;
display(P); display(K);
sys=ss(A-B*K,eye(3),eye(3),zeros(3,3));
t=0:0.01:4;
x=initial(sys,[1,0,0],t);
x1=[1 0 0]*x';
x2=[0 1 0]*x';
x3=[0 0 1]*x';
u=-(K*x');
subplot(2,2,1);plot(t,x1);grid;xlabel('t(sec)'); ylabel('x1')
subplot(2,2,2);plot(t,x2);grid;xlabel('t(sec)'); ylabel('x2')
subplot(2,2,3);plot(t,x3);grid;xlabel('t(sec)');ylabel ('x3')
subplot(2,2,4);plot(t,u);grid; xlabel('t(sec)'); ylabel('u');
27
 IV. Commande Linéaire Quadratique LQR.
Exemple de détermination de commande LQR.

𝟏𝟎𝟎 𝟎 𝟎 𝟏𝟎𝟎𝟎 𝟎 𝟎
𝑸= 𝟎 𝟏 𝟎 & 𝑹 = 𝟎. 𝟎𝟏 𝑸= 𝟎 𝟏 𝟎 & 𝑹 = 𝟎. 𝟎𝟏
𝟎 𝟎 𝟏 𝟎 𝟎 𝟏

P = 55.1200 14.6711 1.0000 P = 337.4950 56.4314 3.1623

14.6711 7.0267 0.5312 56.4314 15.8230 1.0473
1.0000 0.5312 0.1167 3.1623 1.0473 0.1485
K = 100.0000 53.1200 11.6711 K = 316.2278 104.7253 14.8452

28
IV. Commande Linéaire Quadratique LQR.
Exemple de Simulation «Commande LQR »

𝟏 𝟎 𝟎
𝑸= 𝟎 𝟏 𝟎 & 𝑹 = 𝟎. 𝟎𝟏
𝟎 𝟎 𝟏

29
IV. Commande Linéaire Quadratique LQR.
Exemple de Simulation «Commande LQR »

𝟏𝟎𝟎 𝟎 𝟎
𝑸= 𝟎 𝟏 𝟎 & 𝑹 = 𝟎. 𝟎𝟏
𝟎 𝟎 𝟏

30
IV. Commande Linéaire Quadratique LQR.
Exemple de Simulation «Commande LQR »

𝟏𝟎𝟎𝟎 𝟎 𝟎
𝑸= 𝟎 𝟏 𝟎 & 𝑹 = 𝟎. 𝟎𝟏
𝟎 𝟎 𝟏

31