⚡ electrical engineering

LMI Optimization Based Multirate Steady-State Kalman Filter Design

تقترح هذه الورقة إطار تصميم قائم على عدم المساواة الخطية المصفوفية (LMI) لمرشحات كالمان في الحالة المستقرة متعددة المعدلات، والتي تتغلب على قيود مصفوفات تغاير ضوضاء القياس شبه المحددة في إعادة الصياغة الدورية، مما يتيح التحسين متعدد الأهداف لأنظمة الملاحة في السيارات حيث يقلل دمج المستشعرات الفعال من خطأ تقدير الموقع بشكل كبير إلى ما دون مستويات ضوضاء نظام تحديد المواقع العالمي (GPS).

المؤلفون الأصليون: Hiroshi Okajima

نُشر 2026-03-20

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Hiroshi Okajima

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول قيادة سيارة عبر مدينة يملؤها الضباب. لتعرف مكانك بدقة، لديك مساعدان مختلفان:

1. نظام تحديد المواقع (GPS): يشبه صديقاً حكيماً يعرف الخريطة تماماً، لكنه لا يتحدث إلا مرة واحدة كل 10 ثوانٍ. عندما يتحدث، يعطيك موقعاً واضحاً جداً، لكنه قد يكون بعيداً عن الواقع ببضعة أمتار.

2. عداد السرعة: يشبه صديقاً عصبياً يتحدث 10 مرات في الثانية. هو يخبرك بالضبط كم تبلغ سرعتك، لكنه لا يعرف أين أنت على الخريطة، بل يعرف فقط مدى سرعة حركتك.

المشكلة:
في الأيام الخوالي، حاول المهندسون دمج هذين الصوتين في "صوت خارق" واحد لتخمين موقعك. لكنهم واجهوا مشكلة رياضية؛ فبسبب صمت نظام الـ GPS لمدة 9 ثوانٍ من كل 10 ثوانٍ، كانت الرياضيات المستخدمة لدمج البيانات تتعطل أو تنهار أحياناً. الأمر يشبه محاولة خبز كعكة باستخدام وصفة تتطلب بيضاً، لكن كرتونة البيض فارغة معظم الوقت. الأدوات الرياضية القياسية (التي تسمى معادلات ريكاتي - Riccati equations) رفضت ببساطة العمل عندما تكون البيانات مفقودة أو "متباعدة".

الحل (الفكرة العظيمة للورقة البحثية):
تقدم هذه الورقة طريقة ذكية لخبز تلك الكعكة، حتى عندما تصل المكونات في أوقات مختلفة. يقترح المؤلف، هيروشي أوكاجيما، طريقة تسمى "التصميم القائم على LMI" (LMI-based design).

إليك كيف تعمل، باستخدام تشبيه بسيط:

1. خدعة "السفر عبر الزمن" (إعادة الصياغة الدورية)

بدلاً من محاولة حل المشكلة ثانية بثانية (وهو أمر فوضوي لأن نظام الـ GPS يكون صامتاً أحياناً)، يقترح المؤلف النظر إلى دورة الـ 10 ثوانٍ كاملة كلقطة واحدة ضخمة.

تخيل أنك تلتقط صورة للسيارة كل ثانية لمدة 10 ثوانٍ وتضعها فوق بعضها لتشكل برجاً طويلاً واحداً. الآن، بدلاً من لغز فوضوي ومتغير، أصبح لديك لوحة "طبيعة صامتة" واحدة ثابتة. هذا يحول مشكلة "الهدف المتحرك" إلى مشكلة "لوحة ثابتة"، وهي أسهل بكثير بالنسبة للحواسيب لحلها.

2. "شبكة الأمان" (التعامل مع البيانات المفقودة)

الاختراق الكبير يكمن في كيفية التعامل مع "البيض المفقود" (الأوقات التي يكون فيها نظام الـ GPS صامتاً).

الطريقة القديمة: كانت الرياضيات تفرض أن يعطي كل مستشعر رقماً موجباً مثالياً. إذا كان المستشعر صامتاً، يصبح الرقم صفراً، مما يؤدي إلى انهيار الرياضيات.
الطريقة الجديدة (LMI): يستخدم المؤلف تقنية تسمى LMI (المتراجحات المصفوفية الخطية). فكر في هذا كـ شبكة أمان مرنة. بدلاً من المطالبة برقم مثالي وصلب، تقول طريقة LMI: "حسناً، نظام الـ GPS صامت الآن، لذا فإن عدم اليقين هو 'صفر' أو 'مسطح' بدلاً من أن يكون 'موجباً'. لا بأس! لا يزال بإمكاننا بناء جسر مستقر فوق هذه الفجوة".

إنها تسمح للحاسوب بأن يقول: "أعلم أن نظام الـ GPS لا يتحدث الآن، لذا سأثق في عداد السرعة أكثر، لكني سأحتفظ ببعض 'مساحة المناورة' في تخميني تحسباً لأي طارئ".

3. "مقابض الضبط" (التصميم متعدد الأهداف)

الجزء الأفضل في هذه الطريقة هو أنها تمنح المهندسين مقابض ضبط إضافية.

المقبض 1 (السرعة): هل تريد أن تصحح السيارة موقعها بسرعة فائقة بعد تحديث نظام الـ GPS؟ يمكنك تدوير مقبض لجعل الرياضيات تجبر الخطأ على التقلص بسرعة، حتى لو جعل ذلك التخمين أقل سلاسة قليلاً.
المقبض 2 (الأمان): هل تريد التأكد تماماً من أن السيارة لن تخرج عن مسارها بشكل جامح، حتى في أسوأ الظروف الجوية؟ يمكنك تدوير مقبض آخر لإعطاء الأولوية للأمان على حساب الدقة المتوسطة المثالية.

الاختبار في العالم الحقيقي

اختبر المؤلف هذه الطريقة على سيارة محاكية تسير باستخدام نظام GPS (بتردد 1 هرتز) ومستشعر سرعة العجلات (بتردد 10 هرتز).

النتيجة: كان المرشح (Filter) الجديد دقيقاً للغاية. فعلى الرغم من أن نظام الـ GPS وحده كان بدقة متر واحد، إلا أن النظام المدمج استطاع تحديد موقع السيارة بخطأ قدره 0.56 متراً فقط.
الدليل: قاموا بتشغيل المحاكاة 500 مرة مع ضوضاء عشوائية مختلفة (مثل القيادة في ظروف جوية مختلفة). أثبتت الرياضيات أن "شبكة الأمان" الجديدة في الطريقة الجديدة كانت محكمة وموثوقة — فلم تبالغ في الوعود أبداً.

باخت ملخص

هذه الورقة البحثية تشبه ابتكار وصفة لـ طاهٍ متعدد المهام.

الطاهي القديم: "لا يمكنني الطبخ إذا لم تتوفر جميع المكونات في الوقت نفسه تماماً!"
الطاهي الجديد (هذه الورقة): "لا مشكلة! يمكنني تنظيم المكونات في دفعة كبيرة، والتعامل مع المكونات المفقودة باستخدام شبكة أمان مرنة، وحتى تعديل الوصفة لتكون أسرع أو أكثر أماناً حسب حاجتك."

إنها تسمح للسيارات ذاتية القيادة، والروبوتات، والطائرات بدون طيار باستخدام مزيج من المستشعات البطيئة والدقيقة والمستشعات السريعة والمليئة بالضجيج دون أن تنهار الرياضيات، مما يؤدي إلى ملاحة أكثر أماناً ودقة.

إليك ملخص تقني مفصل لورقة البحث بعنوان "تصميم مرشح كالمان في حالة الاستقرار متعدد المعدلات بناءً على تحسين LMI" للباحث هيروشي أوكاجيما.

1. بيان المشكلة

تتناول الورقة تحدي تقدير الحالة في الأنظمة الخطية المجهزة بمستشعرات متعددة تعمل بمعدلات أخذ عينات مختلفة (الأنظمة متعددة المعدلات).

السياق: تتطلب التطبيقات الحديثة مثل المركبات ذاتية القيادة (دمج نظام GPS بتردد 1-10 هرتز مع مستشعرات سرعة العجلات/القصور الذاتي بتردد 50-100 هرتز) والتحكم في العمليات الصناعية دمج البيانات غير المتزامنة.
الصعوبة الجوهرية: عندما تعمل المستشعرات بمعدلات مختلفة، تصبح معادلة القياس نظاماً دورياً متغيراً مع الزمن، حتى لو كان المصنع (plant) الأساسي ثابتاً زمنياً.
العائق المحدد: يعتمد تصميم مرشح كالمان القياسي على معادلة ريكاتي المتقطعة (DARE). ومع ذلك، عند إعادة صياغة الأنظمة متعددة المعدلات إلى شكل ثابت زمنياً (عبر إعادة الصياغة الدورية)، فإن مصفوفة تغاير ضوضاء القياس ( $\check{R}$ ) الناتجة تصبح شبه موجبة التحديد ( $\check{R} \succeq 0$ ) بدلاً من أن تكون موجبة التحديد ( $\check{R} \succ 0$ ).
- يحدث هذا التفرد لأن مستشعرات معينة لا توفر قياسات في خطوات زمنية محددة ضمن فترة الإطار (صفوف صفرية في مصفوفة الاختيار).
- تتطلب حلول DARE القياسية قلب المصفوفة $(\check{C}\check{P}\check{C}^T + \check{R})$ ، وهو ما يفشل أو يصبح غير مستقر عددياً عندما تكون $\check{R}$ منفردة (singular).

2. المنهجية

يقترح المؤلف إطار عمل تصميم منهجي يعتمد على إعادة الصياغة الدورية (Cyclic Reformulation) وتحسين المتباينة المصفوفية الخطية (LMI).

أ. إعادة الصياغة الدورية

يتم تحويل النظام متعدد المعدلات الدوري إلى نظام مكافئ ثابت زمنياً مع توسيع أبعاد الحالة ( $Nn$ ، حيث $N$ هو فترة الإطار و $n$ هو بُعد الحالة).

تعزيز الحالة: يتم "تدوير" متجه الحالة لتمثيل الحالة عند كل خطوة زمنية داخل الفترة في آن واحد.
مصفوفات النظام: يتم بناء مصفوفات النظام ( $\check{A}, \check{B}, \check{C}$ ) كمصفوفات دورية كتلية (block-cyclic matrices).
تغاير الضوضاء: يظل تغاير ضوضاء العملية $\check{Q}$ قطرياً كتلياً وموجب التحديد، ولكن تغاير ضوضاء القياس $\check{R}$ يصبح قطرياً كتلياً مع كتل منفردة (singular) تقابل الخطوات الزمنية التي تكون فيها المستشعرات غير نشطة.

ب. تصميم المرشح القائم على LMI (صياغة LQR المزدوجة)

للتغلب على تفرد $\check{R}$ ، تستخدم الورقة الازدواجية بين مرشح كالمان والتحكم التربيعي الخطي (LQR).

المسألة المزدوجة: يتم إسقاط مسألة الترشيح على مسألة LQR مزدوجة حيث يعمل تغاير ضوضاء القياس كوزن للمدخلات.
صياغة LMI: بدلاً من حل معادلة ريكاتي مباشرة، يتم طرح المسألة كمسألة برمجة شبه محددة (SDP) محدبة.
- المتغيرات: مصفوفة ليابونوف $\check{X}$ ومتغير الكسب المحول $\check{Y} = -\check{X}\check{L}$ .
- القيد الرئيسي: يتم التعبير عن شروط الاستقرار والأداء كـ LMIs (مثل المعادلة 42). والأهم من ذلك، أن هذه الصياغة لا تتطلب قلب المصفوفة $\check{R}$ ، مما يسم يسمح بالتعامل مع التغايرات شبه المحددة بشكل طبيعي.
- الهدف: تقليل أثر (trace) مصفوفة الحد الأعلى $\check{W}$ (حيث $\check{W} \succeq \check{X}^{-1} \succeq \check{P}_e$ ) لتقليل تغاير خطأ التقدير.

ج. الامتدادات متعددة الأهداف

يتيح إطار LMI دمج قيود تصميم إضافية في وقت واحد:

وضع الأقطاب (Pole Placement): يمكن إضافة قيود لإجبار القيم الذاتية لديناميكيات الخطأ في الحلقة المغلقة ( $\check{A} - \check{L}\check{C}$ ) على الدخول في منطقة قرص محددة ( $D_{\bar{r}}$ )، مما يضمن حداً أدنى لمعدل التقارب.
قيود المعيار المستحث $l_2$ : لموازنة الأداء المتوسط (العشوائي) مع الأداء في أسوأ الحالات، تُضاف قيود للحد من المعيار المستحث $l_2$ (معيار $H_\infty$ المعمم للأنظمة الدورية) من الاضطرابات إلى خطأ التقدير.

3. المساهمات الرئيسية

تحديد التغاير شبه المحدد: تحدد الورقة بدقة أن إعادة الصياغة الدورية للأنظمة متعددة المعدلات تؤدي بطبيعتها إلى تغاير قياس منفرد، مما يجعل طرق DARE القياسية غير قابلة للتطبيق.
حل LMI مبتكر: تقدم صياغة LMI تعتمد على LQR المزدوج تتعامل بشكل طبيعي مع التغايرات شبه المحددة، مما يوفر حلاً مستقراً عددياً ومثالياً عالمياً (ضمن الاسترخاء المحدب).
ضمانات الاستقرار: يثبت المبرهن 4.1 أنه إذا كانت LMI قابلة للتحقيق، فإن المرشح الناتج يضمن استقرار شور (Schur stability) لديناميكيات خطأ التقدير، بغض النظر عن رتبة $\check{R}$ .
إطار عمل متعدد الأهداف: يوسع التصميم الأساسي ليشمل وضع الأقطاب وقيود المعيار المستحث $l_2$ ، مما يوفر أداة موحدة للموازنة بين سرعة التقارب، ودقة المتوسط، والمتانة تجاه أسوأ الحالات.
التحقق: تم التحقق من الحدود النظرية مقابل محاكاة مونت كارلو، مما أثبت دقة الحدود المستمدة من LMI.

4. النتائج

تم التحقق من المنهجية باستخدام مثال نظام ملاحة سيارات:

الإعداد: نظام مكون من 3 حالات (الموقع، السرعة، التسارع) مع GPS (1 هرتز) ومستشعرات سرعة العجلات (10 هرتز).
المحاكاة: 500 دورة مونت كارلو، كل منها تضم 200 خطوة زمنية.
مقايسات الأداء:
- جذر متوسط مربع الخطأ (RMSE) للموقع: حقق 0.561 م، وهو أقل بكثير من الانحراف المعياري لضوضاء مستشعر GPS (1.0 م)، مما يثبت فعالية الدمج متعدد المعدلات.
- الحدود النظرية: كان الحد الأعلى النظري المستمد من LMI (0.587 م) قريباً جداً من RMSE التجريبي (النسبة: 1.046)، مما يؤكد أن الحد ضيق وغير متحفظ.
- الاستقرار: كان نصف قطر الطيف للحلقة المغلقة 0.9673، مما يؤكد الاستقرار.
تحليل المقايضة (Trade-off):
- وضع الأقطاب: فرض تقارب أسرع (تصغير $\bar{r}$ ) زاد من تغاير الخطأ بشكل غير خطي (على سبيل المثال، تقليل $\bar{r}$ من 0.975 إلى 0.800 زاد التكلفة بنحو 9 أضعاف).
- المعيار $l_2$ : تشديد حد أسوأ الحالات ( $\bar{\gamma}$ ) حسن هوامش الاستقرار (قلل القيمة الذاتية القصوى) ولكنه أدى إلى تدهور الأداء المتوسط (زيادة الأثر/trace).

5. الأهمية

القابلية للتطبيق العملي: يحل هذا الإطار فجوة حرجة في نظرية التحكم حيث تفشل مرشحات كالمان القياسية في تكوينات المستشعرات متعددة المعدلات الواقعية بسبب التغايرات المنفردة.
مرونة التصميم: ينتقل من مجرد تقدير الحالة البسيط إلى أداة تصميم متعددة الأهداف، مما يسمح للمهندسين بضبط المقايضة صراحة بين دقة التقدير، وسرعة التقارب، والمتانة تجاه أسوأ الحالات.
الكفاءة الحسابية: من خلال تحويل المسألة الدورية إلى مسألة LMI ثابتة، فإنه يتيح الحساب المسبق (offline) للكسب الدوري، والذي يتم تطبيقه لاحقاً عبر الإنترنت (online) بطريقة بسيطة ذات كسب ثابت.
التأثير المستقبلي: تضع هذه الورقة الأساس للترشيح القوي تحت ظروف عدم اليقين (الأنظمة متعددة الأوجه) والتوسعات نحو الأنظمة غير الخطية، مما يجعلها مرجعاً أساسياً لدمج المستشعرات الحديث في الأنظمة ذاتية القيادة والأنظمة الشبكية.