See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/320852919

Sobre o desempenho de reguladores lineares quadráticos robustos recursivos

Conference Paper · January 2015

CITATIONS READS

0 105

4 authors, including:

Andres L. Jutinico Valdir Grassi Jr

University of São Paulo University of São Paulo
34 PUBLICATIONS   94 CITATIONS    37 PUBLICATIONS   549 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Desarrollo de Prototipo de Sistema Fotovoltáico y de Estación de Monitoreo de Radición Solar y Temperatura Ambiente View project

Recursive robust regulator and Kalman filter for discrete-time Markovian jump linear systems: High performance of series elastic actuators in gait rehabilitation View
project

All content following this page was uploaded by Andres L. Jutinico on 22 December 2017.

The user has requested enhancement of the downloaded file.

 SOBRE O DESEMPENHO DE REGULADORES LINEARES QUADRÁTICOS
ROBUSTOS RECURSIVOS

Felix Mauricio Escalante Ortega∗, Andrés Leonardo Jutinico Alarcón∗, Marco

Henrique Terra∗, Valdir Grassi Jr∗
∗
Departmento de Engenharia Elétrica e de Computação
Escola de Engenharia de São Carlos, Universidade de São Paulo (EESC/USP)
São Carlos, SP, Brasil

Emails: maurinho707@usp.br, ajutinico@usp.br, terra@sc.usp.br, vgrassi@usp.br

Abstract— This paper deals with the linear quadratic regulator problem for systems subject to parametric
uncertainties. The robustness of this kind of regulator will evaluated in order to measure the performance of
control approaches based on robust regularized mean square and penalty function techniques. Experimtental
results will be presented based on the dynamics of an inverted pendulum.

Keywords— Inverted pendulum, recursive robust control, discrete-time systems, uncertain systems.

Resumo— Neste artigo uma análise do desempenho de um regulador linear quadrático robusto é realizada.
Será avaliada a eficiência da robustez desse tipo de regulador, deduzido com base em mı́nimos quadrados regu-
larizados robustos e função penalidade. Será utilizada a dinâmica de um pêndulo invertido como base de teste
para obtenção de resultados experimentais.

Palavras-chave— Pêndulo invertido, controle robusto recursivo, sistema de tempo discreto, sistemas incertos.

1 Introdução algoritmos do tipo recursivo. Os conceitos esta-

A década de 1960 certamente é uma referência
para a teoria de controle. Dentre os trabalhos
mais importantes que contribuı́ram para a impor-
tância desse perı́odo foram os escritos por Rudolf
E. Kalman. Três artigos publicados por ele trata-
ram de problemas fundamentais relacionados com
controle de sistemas. No primeiro deles (Kalman
and Bertram, 1960a), a análise de estabilidade do
tipo Lyapunov no domı́nio de tempo foi conside-
rada. As principais ferramentas matemáticas fo-
ram apresentadas para sistemas lineares e não li-
neares, incluindo a análise baseada em equações de
diferenças para tempo discreto (Kalman and Ber-
tram, 1960b). Os outros dois trabalhos têm ainda
hoje enorme importância nas áreas de filtragem e
controle ótimo. Em (Kalman, 1960a), foi discu-
tido o regulador linear quadrático, onde foi intro-
duzido conceitos de observabilidade e controlabili-
dade para fornecer, pela primeira vez, uma teoria
completa para o problema do regulador linear qua-
drático recursivo. Já em (Kalman, 1960b), foram
propostos algoritmos também com caracterı́sticas
recursivas para o cálculo de filtros ótimos a fim
de estimar variáveis de estado. Rapidamente se
popularizam como filtros de Kalman.
Kalman apresentou uma nova maneira de re-
solver problemas de filtragem e controle, diferente
dos trabalhos apresentados por Hall e Wiener Hall
(1943) e Wiener (1949). Nessa época, as solu-
ções para o problema de regulação de sistemas
eram baseadas fundamentalmente em transforma-
das de Laplace e Fourier. Os problemas de filtra-
gem eram resolvidos com base em abordagens do
tipo erro médio quadrático, sem se basearem em
belecidos por Kalman foram no sentido de se de-
finir procedimentos de controle e filtragem apoi-
ados também em funções quadráticas, com base
em cálculos variacionais. Kalman demostrou que
o controle ótimo de uma planta poderia ser obtido
por uma realimentação linear das variáveis de es-
tado. Mostrou também que a matriz de ganhos
de realimentação pode ser obtida resolvendo uma
equação dita de Riccati, na qual a recursividade
e condições de existência são facilmente identifi-
cáveis. Desde que o sistema não esteja exposto a
incertezas.
Na presença de incertezas, não havia garantia
de se obter reguladores ótimos, o que poderia com-
prometer o desempenho e a estabilidade dos sis-
temas de controle e de filtragem. Para contornar
esse problema, técnicas baseadas em desigualda-
des matriciais lineares (LMIs) têm sido largamente
utilizadas nas últimas décadas (Oliveira and Pe-
res, 2007; Jamshidi et al., 2009; Ebihara et al.,
2010; Rosinova and Valach, 2014). As primeiras
abordagens utilizadas para resolver problemas de
controle baseadas em LMIs foram propostas por
Vladimir A. Yakubovich (Yakubovich, 1962).
Alguns resultados para se obter reguladores
robustos semelhantes aos algoritmos recursivos de-
duzidos para sistemas nominais foram apresen-
tados em Sayed and Nascimento (1999). Nessa
referência os autores propuseram um regulador
robusto baseado na teoria de mı́nimos quadra-
dos regularizados aplicada em sistemas sujeitos
a incertezas nos dados. Entretanto, em virtude
da dependência de um determinado parâmetro de
otimização, o projeto desse regulador é bastante
custoso computacionalmente. Não sendo viável
 (1)
para aplicações online. Em 2009, foi proposta por
Cerri et al. (2009) uma abordagem baseada não só
em mı́nimos quadrados regularizados robusto, mas
também em funções penalidade. Com esse tipo de
abordagem, o ajuste dos reguladores robustos não
dependem de parâmetros auxiliares para serem
ajustados. São projetados com base em equações
recursivas do tipo Riccati. Uma análise detalhada
da convergência e estabilidade desse regulador li-
near quadrático robusto (R-LQR) é apresentada Figura 1: Sistema Pêndulo Invertido
em (Terra et al., 2014).
Neste artigo será utilizada a abordagem pro- O modelo não linear representado por (1) é
posta em (Cerri et al., 2009) tanto para o regula- integrado para se obter o equacionamento em ter-
dor linear quadrático nominal (LQR) quanto para mos da velocidade linear ẋa e velocidade angular
a versão robusta, incorporando a contribuição de θ̇ (2). Na Tabela 1 são apresentados os parâme-
(Bryson, 1975) para determinar as matrizes de tros envolvidos na modelagem matemática (valo-
ponderação dos respectivos reguladores. Essa me- res fornecidos pelo fabricante). O termo k pre-
todologia será aplicada em um pêndulo invertido: sente na tabela representa a relação existente en-
sistema mecânico clássico, com caracterı́sticas di- tre a força que atua no motor e a taxa de variação
nâmicas intrinsecamente instáveis – bastante útil instantânea de tensão do mesmo F = k u̇.
para se avaliar o desempenho dessa classe de re-
gulador robusto. 2g(ml)2 cos θ sin θdt
R
−ku + bxa − L + 2mlξθcosθ
L
A notação usada neste artigo é padrão: R é ẋa = 2(ml)2 cos2 θ
o conjunto de números reais; Rn é o conjunto de L −N
vetores de n dimensões cujos elementos pertencem
R
N g sin θdt
−ku + bxa − cos θ + mlNcos
ξθ
θ
a R ; Rm×n é o conjunto de m × n matrizes reais; θ̇ = .
AT é a transposta da matriz A; P  0 (P  0) de- 2ml cos θ − mlNcos L
θ
nota uma matriz definida positiva (semi-definida); (2)
||x|| é a norma euclidiana de x; ||x||P é a norma
1 Tabela 1: Parâmetros: Pêndulo Invertido
ponderada de x definida para (xT P x) 2 . Aceleração gravitacional g 9.81m/s2
Massa do carro M 2.4kg
2 Pêndulo Invertido Momento de inercia I 0.0076kgm2
Constante de conversão k 8
O pêndulo invertido representa o principio de inú- Comprimento da haste l 0.4m
meras aplicações em vários campos do conheci- Massa da haste m 0.23kg
mento, por exemplo: veı́culos de transporte uni- Coef. atrito b 0.05N s/m
pessoal (Viguria et al., 2005; Pathak et al., 2005; Coef. amortecimento ξ 0.006N ms/rad
Pathak et al., 2004), veı́culos aéreos não tripu-
lados (VANT) (Figueroa et al., 2014; Hehn and O modelo no espaço de estado é apresentado
D’Andrea, 2011; Lee et al., 2013) e robôs bı́pedes em (3). As variáveis de estado são: o ângulo θ, o
(Wang et al., 2010; Wang et al., 2011). deslocamento xa , e a integral do ângulo no
R
A planta considerada neste trabalho é um kit tempo θdt. As especificações dos parâmetros
didático fabricado pela empresa Feedback Ltda. presentes no modelo estão descritas na Tabela 2.
UK, possui a estrutura fı́sica mostrada na Figura 
ẋ1
 
a11 a12 a13

x1
 
b1

1. Está representada pelo conjunto carrinho C e  ẋ2  =  a21 a22 a23   x2  +  b2  u
haste Ha. O movimento rotativo produzido pelo ẋ3 1 0 0 x3 0
motor M o é convertido em movimento linear atra- ẋ = Ax + Bu (3)
vés da correia dentada Cd acoplada entre duas
engrenagens E1 e E2. O trilho T só permite des- y = Cx + Du
 
locamento na distância d = 80cm indicada. A es- C = 0 −1 0 , D = 0.
trategia de controle deve conseguir a estabilidade O sistema é aumentado em (4) e inclui a ação
do sistema. Fins de curso F c1 e F c2 são coloca- integral do deslocamento como variável de estado
dos estrategicamente para desligar o sistema, caso x4 , o que permite eliminar o erro de estado estacio-
o carrinho alcance o deslocamento máximo permi- nário e garante a restrição fı́sica de deslocamento
tido. da planta (d = 80cm), apesar das incertezas do
O comportamento dinâmico do pêndulo inver- modelo. Nas seguintes seções serão aprofundados
tido pode ser descrito pelas seguintes equações: os controladores implementados (LQR e R-LQR).
(m + M )ẍa + bẋa − mlθ̈ cos θ + mlθ˙2 sin θ = k u̇
      
ẋ A 0 x B
= + u. (4)
(I + ml2 )θ̈ − mgl sin θ − mlẍa cos θ + ξ θ̇ = 0 x˙4 C 0 x4 0
 4 Regulador Linear Quadrático Robusto
Tabela 2: Parâmetros: Modelo Espaço de Estado
2
L = I + ml2 ∆θ = 2(ml)ml−N L a21 = 2mld
L∆d Considere o modelo linear com incertezas paramé-
2
N = m + M ∆d = 2(ml)L−N L a22 = ∆b tricas no espaço de estado (8), onde xi ∈ Rn é o
d
2 vetor de estados, ui ∈ Rm é o vetor de controle,
x1 = θ a11 = Nd
a23 = −2(ml) g
ml∗∆θ
b
L∆d Fi ∈ Rn×n e Gi ∈ Rn×m são matrizes com dimen-
x2 = xa a12 = ∆θ b1 = − ∆kθ sões apropriadas e x0 é constante.
−N g
b2 = − ∆kd
R
x3 = θdt a13 = ∆θ

xi+1 = (Fi + δFi )xi + (Gi + δGi )ui ; (8)

3 Regulador Linear Quadrático
Recursivo
Considere o modelo linear no espaço de estado (5)
e o funcional quadrático descrito em (6), onde xi ∈
Rn é o vetor de estados, ui ∈ Rm é a entrada de
controle, Fi ∈ Rn×n e Gi ∈ Rn×m são matrizes
com dimensões apropriadas e x0 é constante.
i = 0, · · · , N ;
δFi e δGi são as matrizes de incertezas, con-
siderando Hi ∈ Rn×p , EFi ∈ Rl×n , EFi ∈ Rl×m
matrizes conhecidas e ∆i ∈ Rp×l uma matriz arbi-
trária com k ∆i k≤ 1. Assuma, a partir de agora,
que a matriz Hi seja não nula para todo i.
[δFi δGi ] = Hi ∆i [EFi EGi ] ; i = 0, · · · , N. (9)

Tabela 4: Regulador Linear Quadrático Robusto

xi+1 = Fi xi + Gi ui ; i = 0, · · · , N. (5)
R-LQR: considere (8) e (9) com Fi , Gi ,I,
J = xTN +1 PN +1 xN +1 P
, Qi  0, e Ri  0 para todo i .
i,µ
N
X Condições Iniciais: x0 e PN +1  0.
+ (xTj Qj xj + uTj Rj uj ). (6) Passo 1: (Para trás)
j=0 Calcule para todo i = N, . . . , 0.
Tabela 3: Regulador Linear Quadrático 
Li,µ
 
0 0 0 0 I 0


LQR: considere (5) e (7) com Fi , Gi , Qi  0 Ki,µ  = 0 0 0 0 0 I ×

Pi,µ 0 0 −I FiT 0 0
e Ri  0 para todo i . −1 −1  
Pi+1 0 0 0 I 0

0
Condições Iniciais: x0 e PN +1  0.  0 Ri−1 0 0 0 I   0 
Passo 1: (propagação para trás) Q−1
 
0 0 P0 0 0  −I 
   
 i  .
0 0 0 I −Gi   Fi 
Calcule para todo i = N, . . . 0

 i,µ   0 
 I 0 0 IT 0 0 
0 I 0 −GiT 0 0 0
   
Li 0 0 0 0 0 I 0
= ×
Ki 0 0 0 0 0 0 I
 −1
Pi+1 0 0 0 I 0
−1  
0
Passo 2: (Para frente)

 0 Ri−1 0 0 0 I    0  Calcule para todo
 ∗ i= 0, . . .N :
Q−1 −I 
 

 0 0 i 0 0 0  
 . xi+1 Li ∗
 0 0 0 0 I −Gi   Fi  = x .
u∗i Ki i
   0 
 I 0 0 I 0 0 
0
0 I 0 −GTi 0 0 O custo ótimo é dado por Jr∗ = xT0 P0 x0 .

Pi = LTi Pi+1 Li + KiT Ri Ki + Qi O regulador linear quadrático robusto des-

Passo 2: (propagação para frente) crito na Tabela 4 está apresentado em detalhes
Calcule para todo
 ∗ i= 0, . . .N : em (Terra et al., 2014). Seus blocos matriciais au-
xi+1 Li ∗ xiliares estão definidos em (10). Pi  0, Qi  0 e
= x .
u∗i Ki i Ri  0 são matrizes de ponderação e µ é um pa-
∗
O custo ótimo é dado por Jr = xT0 P0 x0 . râmetro de penalidade. O parâmetro µ é respon-
sável por garantir a robustez
P do R-LQR. De fato
As matrizes Pi  0, Qi  0 e Ri  0 são ma- quando µ → +∞, então i,µ → 0, desta forma
trizes de ponderação que definem o desempenho a Equação (11) é satisfeita garantindo a robus-
do controlador LQR . O problema de minimiza- tez do controlador e a resposta ótima do sistema
ção com restrição é definido pela Equação (7). (x∗i+1 , u∗i ). Perceba que (11) é a resposta de (8)
em malha fechada, x∗i+1 = Li x∗i , e Ki é o vetor
min {J} controle.
xi+1 ,ui

s.a xi+1 = Fi xi + Gi ui ; i = 0, · · · , N. (7)  

−1 b−1 T
P
:=
P
(µ, bi ) = µ I − λi Hi Hi
λ
0
,
O regulador linear quadrático é apresentado na i,µ i 0 b−1 I
λ i
Tabela 3 sendo a solução recursiva ótima definida      
I Gi Fi
em função de (x∗i+1 , u∗i ), Li e Ki . Mais detalhes I= , Gi = , Fi = ,
0 EGi EFi
sobre este regulador podem ser vistos em (Cerri
et al., 2009). bi >k µH T Hi k .
λ (10)
i
 
Li,∞ = Fi + Gi Ki,∞ A magnitude do sinal quadrado de referência
(11) é (−25cm ≤ ref ≤ 25cm). A aplicação do expe-
EFi + EGi Ki,∞ = 0.
rimento produz os seguintes resultados. A Figura
2 apresenta o desempenho do LQR (linha verme-
5 Resultados Experimentais lha) junto ao R-LQR (linha azul). A resposta do
LQR foi obtida após a aplicação das regras de
Nesta seção, dois experimentos são ralizados para
Bryson, considerada a melhor resposta. Para a
analisar o desempenho do LQR e R-LQR no pên-
matriz PN +1 , adotou-se uma identidade multipli-
dulo invertido. Os ensaios consistem na inclusão
cada por 108 para ambos os controladores. A Fi-
de um sinal quadrado de referência, que permite
gura 3 representa um zoom da Figura 2, em que se
movimentar o sistema ao longo do trilho, uma vez
pode notar: o melhor desempenho do R-LQR no
que a haste estiver dentro do ponto de equilı́brio
ângulo, conseguindo variações consideravelmente
(θ = 0). As matrizes F, G, H, Ef e Eg após a dis-
baixas em relação ao LQR, e o menor esforço da
cretização (Ts = 100µs), são as seguintes:
ação de controle por parte do R-LQR. A tensão
para o atuador é quase nula, evidenciando sua efi-
F =
ciência.
−1
−4, 9 · 10−6 2, 5 · 10−3
 
9, 9 · 10 0
 −1, 2 · 10−6 9, 9 · 10−1 1, 6 · 10−4 0 
,
 9, 9 · 10−5 −2, 4 · 10−10

1 0 
5, 8 · 10−11 −9, 9 · 10−5 −7, 9 · 10−9 1 5.2 Experimento 2

7, 82 · 10−4
   
0, 209 O segundo ensaio é feito com o propósito de anali-
 3, 53 · 10−4   0, 104  sar o desempenho do R-LQR aplicado no pêndulo
G =  3, 9 · 10−8  , H =  0, 018
   (12)
 invertido. x∗i+1 é o estado ótimo estimado pelo re-
−1, 8 · 10−8 0, 009 bi = (1+α) k µH T Hi k é um parâmetro
gulador e λ i
Eg 2.1 · 10−7
= escalar definido em (10). A Tabela 6 apresenta os
erros médios e o desvio padrão para cada estado.
Ef = 1 · 10−6 3, 12 −0, 70
 
7, 75 0, 33 (13) O erro é definido como a diferença entre o valor
real e o valor desejado do estado E1 , E2 , E3 , E4 .
5.1 Experimento 1 Os estados são designados como x1 , x2 , x3 , x4 e
o desvio padrão é representado por D1 ,D2 ,D3 ,D4
Para este ensaio são consideradas as regras de Bry- para cada estado respectivamente.
son (Bryson, 1975) na definição dos pesos de pon-
Para finalizar o análise, na tabela 7 é apre-
deração do LQR. São assumidas inicialmente P ,
sentada a convergência de (P e K), os autovalores
Q e R como matrizes diagonais. Os pesos são
estimados do sistema (λ) encontrando-se dentro
selecionados dependendo da variável de estado.
do circulo unitário e a relação de (EFi + EGi Ki )
Q11 = Q33 , Q22 = Q44 da mesma forma para
a matriz P . As regras estabelecem que: relativamente baixa para os valores de µ e α. É
evidente a robustez do sistema ante a presença de
• 1/Pjj = máx. valor aceito de [Xj (tf )]2 incertezas.

• 1/Qjj = máx. valor aceito de 6 Conclusões

[Xj (tf )]2 (tf − to )

• 1/Rjj = máx. valor aceito de O trabalho apresentado abordou a aplicação de

[ui (tf )]2 (tf − to ) duas técnicas recursivas baseadas em mı́nimos
quadrados regularizados para sistemas sujeitos a
tf representa o tempo máximo permitido para incertezas nos dados e função penalidade (LQR
o estado final e to o tempo inicial. Na Tabela 5, e R-LQR) para o controle em tempo real de um
são apresentados os ganhos de realimentação para pêndulo invertido. Foram feitos dois experimen-
os diferentes pesos de ponderação. tos, nos quais se observou a performance dos re-
guladores abordados. O LQR mostrou um bom
desempenho quando ajustado por meio das regras
Tabela 5: Regras de Bryson aplicadas ao LQR e
de Bryson. O R-LQR fornece uma resposta ótima
ao R-LQR
e robusta (x∗i+1 , u∗i ), sem depender de parâmetros
X1 tf 1 X2 tf 2 K - LQR auxiliares para ser ajustado. Através das tabelas
1 1 1 1 [-1,76 0,66 -8,72 -0,30] 6 e 7, pode-se notar a estabilidade e convergência
0, 1 0, 05 0, 2 10 [-13,4 1,52 -26,6 -0,44] do R-LQR para sistemas sujeitos a incertezas. A
0, 01 0, 05 0, 1 4 [-13,2 0,76 -22,1 -0,14]
contextualização deste artigo dentro da evolução
0, 017 0, 1 0, 1 4 [-13,4 0,94 -23,3 -0,20]
dos reguladores desde a década de 1940, tem o ob-
jetivo de se produzir um survey sobre o assunto
0, 01 0, 001 0, 001 0, 01 [-16,4 7,40 -52,1 -3,93]
como trabalho futuro.
 Figura 2: Comparação LQR com R-LQR
Figura 3: Desempenho dos Reguladores
Agradecimentos
Este trabalho foi financiado pela FIPAI - Funda-
ção para Incremento da Pesquisa e do Aperfeiçoa-
mento Industrial e CNPq - Conselho Nacional de
Desenvolvimento Cientı́fico e Tecnológico.
Referências
Bryson, A. (1975). Applied Optimal Control: Op-
timization, Estimation and Control, Halsted
Press book’, Taylor & Francis.
Cerri, J., Terra, M. and Ishihara, J. (2009).
Recursive Robust Regulator for Discrete-
Time State-Space Systems, American Con-
trol Conference, 2009. ACC ’09., pp. 3077–
3082.
Ebihara, Y., Matsuda, Y. and Hagiwara, T.
(2010). Asymptotic Exactness of Dual LMI
Approach for Robust Performance Analysis
of Uncertain LTI Systems, Decision and Con-
trol (CDC), 2010 49th IEEE Conference on,
pp. 1472–1477.
Figueroa, R., Faust, A., Cruz, P., Tapia, L.
and Fierro, R. (2014). Reinforcement Le-
arning for Balancing a Flying Inverted Pen-
dulum, Intelligent Control and Automation
(WCICA), 2014 11th World Congress on,
pp. 1787–1793.
Hall, A. (1943). The analysis and Synthesis of
Linear Servomechanisms, Massachusetts Ins-
titute of Technology : Technology Press,
M.I.T. Press.
Hehn, M. and D’Andrea, R. (2011). A Flying
Inverted Pendulum, Robotics and Automa-
tion (ICRA), 2011 IEEE International Con-
ference on, pp. 763–770.
Jamshidi, F., Moghadam, M. and Beheshti, M.
(2009). An LMI Approach to Mixed H2 /H∞
 Tabela 6: Parâmetros: Modelo no Espaço de Estado
α µ E1 D1 E2
3 1.1023 -0,0123 0,0112 0,0002
Tabela 7: Parâmetros do sistema para µ → ∞
0, 61 −1, 2 9 0, 39
 
 −0, 12
9 2, 3 −14, 4 −0, 81 
P = 1.10 × 
9 −14, 4 258 3, 54 
0, 40 −0, 81 3, 54 0, 49
 
Ki = −14, 8451 3, 3932 −36.9786 −1, 5692
Synthesis via Dynamic Output-Feedback for
Active Magnetic Bearing, Advanced Compu-
ter Control, 2009. ICACC ’09. International
Conference on, pp. 225–230.
Kalman, R. (1960a). Contributions to the Theory
of Optimal Control, Boletin Sociedad Mate-
matica Mexicana (5): 102–119.
Kalman, R. and Bertram, J. (1960a). Control
System Analysis and Design Via the Second
Method of Lyapunov: (I) Continuous-Time
Systems, Basic Engineering pp. 371–393.
Kalman, R. and Bertram, J. (1960b). Control
System Analysis and Design Via the Second
Method of Lyapunov: (II) Discrete-Time
Systems, Basic Engineering pp. 394–400.
Kalman, R. E. (1960b). A New Approach to
Linear Filtering and Prediction Problems,
Transactions of the ASME - Journal of Basic
Engineering (82 (Series D)): 35–45.
Lee, T., Sreenath, K. and Kumar, V. (2013). Geo-
metric Control of Cooperating Multiple Qua-
drotor uavs with a Suspended Payload, De-
cision and Control (CDC), 2013 IEEE 52nd
Annual Conference on, pp. 5510–5515.
Oliveira, R. and Peres, P. (2007). Parameter-
Dependent LMIs in Robust Analysis: Cha-
racterization of Homogeneous Polynomially
Parameter-Dependent Solutions Via LMI Re-
laxations, Automatic Control, IEEE Tran-
sactions on 52(7): 1334–1340.
Pathak, K., Franch, J. and Agrawal, S. (2004). Ve-
locity Control of a Wheeled Inverted Pendu-
lum by Partial Feedback Linearization, De-
cision and Control, 2004. CDC. 43rd IEEE
Conference on, Vol. 4, pp. 3962–3967 Vol.4.
Pathak, K., Franch, J. and Agrawal, S. (2005).
Velocity and Position Control of a Wheeled
Inverted Pendulum by Partial Feedback Li-
nearization, Robotics, IEEE Transactions on
21(3): 505–513.
View publication stats
D2 E3 D3 E4 D4
0,0038 -0,0001 0,0001 -0,0001 0,0028
−10  
EFi +EGi Ki = 1.10 × −0, 143 0, 226 −4, 213 −0, 052
 
λ= 0.989 0.9999 + 0.000075i 0.9999 − 0.000075i 0.9999
Rosinova, D. and Valach, P. (2014). Switched
System Robust Control: Pole-Placement
LMI Based Approach, Control Conference
(ICCC), 2014 15th International Carpathian,
pp. 491–496.
Sayed, A. and Nascimento, V. (1999). Design Cri-
teria for Uncertain Models with Structured
and Unstructured Uncertainties, in A. Ga-
rulli and A. Tesi (eds), Robustness in identi-
fication and control, Vol. 245 of Lecture Notes
in Control and Information Sciences, Sprin-
ger London, pp. 159–173.
Terra, M., Cerri, J. and Ishihara, J. (2014). Opti-
mal Robust Linear Quadratic Regulator for
Systems Subject to Uncertainties, Automatic
Control, IEEE Transactions on 59(9): 2586–
2591.
Viguria, A., Cano, R., Fiacchini, M., Prieto, A.,
Vela, B. J., Rubio, F. R., Aracil, J. and
de wit, C. C. (2005). Pppcar (Personal Pen-
dulum Car): Vehı́culo Basado en Péndulo
Invertido, XXVI, Jornadas de Automática
pp. 445–451.
Wang, F., Wen, S., Li, J. and Wu, C. (2010). Wal-
king Gait Generation Using Linear Inverted
Pendulum Model for Biped Robot with Hete-
rogeneous Legs, Control and Decision Confe-
rence (CCDC), 2010 Chinese, pp. 1326–1329.
Wang, F., Wen, S., Wu, C. and Cheng, Z. (2011).
Sliding Mode Control Based Hybrid Closed-
Loop Design for Stable Walking of Biped Ro-
bot with Heterogeneous Legs, Mechatronics
and Automation (ICMA), 2011 International
Conference on, pp. 2201–2205.
Wiener, N. (1949). Extrapolation, Interpolation,
and Smoothing of Stationary Time Series,
Massachusetts Institute of Technology : Pa-
perback series, M.I.T. Press.
Yakubovich, V. (1962). The solution of Cer-
tain Matrix Inequalities in Automatic Con-
trol Theory, Soviet Mathematics pp. 652–656.