1.前言线性二次调节（LinearQuadraticRegulator，LQR）是一种经典的现代控制理论方法，用于构造线性系统的最优控制器，它的目标是在控制系统的动态过程中，尽可能减少误差和能耗。LQR的目标是通过最优控制输入，使系统状态最小化某一代价函数（即性能指标），以实现最佳控制。2.应用场景LQR

效果如下图所示：共有两个.m文件第一个：start.m%%参数设置globalMmlgkM=2;m=0.5;l=0.3;g=9.81;wheel_damping=1e-5;joint_damping=1e-5;x_0=0;y_0=0.125;q_0=10;%系统矩阵A和BA=[0010;0001;0(m*g)/M00;0(M+m)*g

写在前面：

好的,我很乐意为您介绍控制理论中的MPC(模型预测控制)和LQR(线性二次型调节器)算法。MPC(模型预测控制):原理:基于系统模型预测未来输出在预测时域内优化控制序列仅执行当前最优控制,然后重新计算特点:可处理多变量系统和约束能够预见未来变化计算复杂度较高应用:

写在前面：

横向LQR、纵向PID控制进行轨迹跟踪以及python实现附赠自动驾驶最全的学习资料和量产经验：链接一、LQR问题模型建立：理论部分比较成熟，这里只介绍demo所使用的建模方程：使用离散代数黎卡提方程求解系统状态矩阵：输入矩阵：A矩阵：B矩阵：二、代码实现#导入相关包imp

LQR是一种优化控制方法，设计目标是找到一组控制输入，使得线性系统的状态轨迹尽可能地接近目标，同时使控制输入尽可能小。其目标函数是一个二次型成本函数。分为以下几个步骤：1.设系统动态方程为：其中x为状态量，u为控制输入，A和B为状态转移和控制矩阵。2.定义一个性能指标，即控制器

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

基于LQR控制的无人驾驶轨迹跟踪（横向控制）算法。使用simulink模型搭建，并与carsim进行联合仿真。整个联合仿真已经调试完成。具体的控制器设计过程也给出相应的说明。ID:77400623216704421

主动悬架仿真模型，控制算法采用LQR，对比对象为被动悬架，模型为四分之一模型。扰动输入有两种，一种阶跃输入，一种c级路面输入，在simulink里面有选择器，自己选择哪种输入。带有文字资料。（直接运行m文件，里面可启动simulink并生成一系列图片）ID:42200674694320182

基于LQR最优控制算法实现的轨迹跟踪控制，建立了基于车辆的质心侧偏角、横摆角速度，横向误差，航向误差四自由度动力学模型作为控制模型，通过最优化航向误差和横向误差，实时计算最优的K值，计算期望的前轮转角实现轨迹跟踪，仿真效果良好，有对应的资料ID:85150692641489959

四轮独立驱动横摆角速度控制，LQR基于LQR算法的基于二自由度动力学方程，通过主动转向afs和直接横摆力矩dyc实现的横摆角速度跟踪，模型包括期望横摆角速度，质心侧偏角，稳定性因素，lqr模块等模块，作为lqr入门强烈推荐。还有详细的lqr资料说明，可以作为基本模板，和其他算法（mpcsmc）做对比等ID