Control and Navigation of a 2-D Electric Rocket

📄 arXiv: 2509.19970v1 📥 PDF

作者: André Fonte, Pedro Santos, Paulo Oliveira

分类: eess.SY

发布日期: 2025-09-24

💡 一句话要点

针对二维电火箭，提出基于LQR和卡尔曼滤波的控制与导航方案

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 电火箭控制 轨迹跟踪 线性二次调节器 卡尔曼滤波 状态估计 欠驱动系统 MATLAB/Simulink

📋 核心要点

  1. 二维电火箭的控制与导航面临欠驱动和状态耦合的挑战，现有方法难以兼顾控制精度和鲁棒性。
  2. 论文提出一种模块化的分层控制架构，结合LQR控制器和李雅普诺夫理论，实现精确的轨迹跟踪。
  3. 通过MATLAB/Simulink仿真验证，结果表明该方法在轨迹跟踪方面有效，但横向控制仍有提升空间。

📝 摘要（中文）

本文研究了二维电火箭的控制与导航问题，构建了一个简化的仿真框架，忽略了执行器动态和气动效应，但保留了欠驱动和状态耦合的复杂性。通过模块化和分层控制架构实现轨迹跟踪，该架构采用线性二次调节器（LQR）和李雅普诺夫理论。导航模块采用卡尔曼滤波技术实现全状态估计。在定制的MATLAB/Simulink测试平台中对解决方案进行了全面评估，该平台模拟了真实环境，同时保持了设置的简化。结果表明，横向轴存在局限性，建议在未来的工作中解决。

🔬 方法详解

问题定义：本文旨在解决二维电火箭的轨迹跟踪和状态估计问题。由于电火箭的欠驱动特性（控制输入少于状态变量），以及状态变量之间的耦合，传统的控制方法难以实现精确的轨迹跟踪。此外，精确的状态估计对于控制至关重要，但实际应用中传感器噪声和模型不确定性会影响状态估计的准确性。

核心思路：论文的核心思路是将控制系统设计为模块化和分层的结构。控制部分采用LQR控制器进行轨迹跟踪，利用李雅普诺夫理论保证系统的稳定性。导航部分采用卡尔曼滤波进行状态估计，从而为控制器提供准确的状态信息。这种模块化设计允许独立优化每个模块，并简化了整个系统的设计和调试。

技术框架：整体架构包含控制模块和导航模块。控制模块接收期望轨迹和当前状态信息，通过LQR控制器计算控制输入，驱动电火箭。导航模块接收传感器测量值，通过卡尔曼滤波器估计电火箭的状态，并将状态信息反馈给控制模块。整个系统在MATLAB/Simulink环境中进行仿真。

关键创新：该方法的主要创新在于将LQR控制和卡尔曼滤波相结合，构建了一个完整的控制与导航系统。LQR控制器能够有效地跟踪期望轨迹，而卡尔曼滤波器能够提供准确的状态估计，从而提高了系统的整体性能。此外，模块化的设计使得系统易于扩展和修改。

关键设计：LQR控制器的设计需要选择合适的Q和R矩阵，以平衡控制精度和控制能量。卡尔曼滤波器的设计需要准确地建模系统动态和测量噪声。仿真环境的搭建需要考虑电火箭的物理特性和控制系统的要求。具体参数设置在论文中未详细说明，属于未知信息。

📊 实验亮点

该研究在MATLAB/Simulink环境中进行了仿真实验，验证了所提出的控制与导航方案的有效性。实验结果表明，该方法能够实现对二维电火箭的轨迹跟踪，但横向轴的控制性能仍有提升空间。具体的性能数据（如跟踪误差、收敛速度等）在摘要中未提及，属于未知信息。

🎯 应用场景

该研究成果可应用于空间飞行器的姿态控制、轨道控制以及编队飞行等领域。通过精确的控制和导航，可以提高空间任务的效率和可靠性，例如卫星姿态调整、空间碎片清除、行星探测等。未来的研究可以进一步扩展到三维空间，并考虑更复杂的环境因素，例如气动效应和执行器动态。

📄 摘要（原文）

This work addresses the control and navigation of a simulated two-dimensional electric rocket. The model provides a simplified framework that neglects actuator dynamics and aerodynamic effects while capturing the complexities of underactuation and state coupling. Trajectory tracking is achieved through a modularized and layered control architecture, with employement of a Linear Quadratic Regulator (LQR) and Lyapunov theory. Full-state estimation is achieved through Kalman filtering techniques, part of the navigation module. The solutions are thoroughly evaluated in a custom-built MATLAB/Simulink testbed, simulating real-world conditions while maintaining a simplified setup. The results reveal limitations along the lateral axis, whose resolution is suggested for future work.