1. 倒立摆控制问题概述
倒立摆作为控制理论中的经典研究对象，本质上是一个天然不稳定系统。二级倒立摆相比一级结构，增加了中间摆杆环节，其动力学特性更为复杂，非线性程度更高。我在研究生阶段第一次接触倒立摆实验时，那个疯狂摆动的双摆杆给我留下了深刻印象——它就像试图在手指上平衡两根连接在一起的竹竿，任何微小扰动都会导致系统崩溃。
这类系统对控制算法的考验主要体现在三个方面：首先是多变量耦合，摆杆角度与小车位移相互影响；其次是强非线性，特别是在大角度摆动时；最后是实时性要求，必须在极短时间内完成状态采集和控制量计算。正因如此，倒立摆常被用作验证控制算法的理想平台。
2. 系统建模与仿真环境搭建
2.1 动力学方程推导
采用拉格朗日方程建立系统模型时，需要特别注意动能T和势能V的计算。对于二级倒立摆，系统总动能包含小车平移动能、下摆杆转动动能及其质心平移动能、上摆杆的复合运动动能。我在推导过程中曾犯过一个典型错误——忽略了上摆杆相对于下摆杆的相对角速度项，导致最终模型在仿真中出现能量不守恒现象。
完整的动力学方程可表示为矩阵形式：
matlab复制M(q)q'' + C(q,q')q' + G(q) = τ
其中q为广义坐标向量，M为惯性矩阵，C包含科里奥利力和向心力项，G为重力项。这个方程在Matlab中可通过Symbolic Math Toolbox实现符号推导，建议先对一维倒立摆练习推导后再扩展到二维情况。
2.2 Simulink仿真框架
构建仿真模型时，我推荐采用如图1所示的模块化结构。核心包含：
- 被控对象子系统（实现上述动力学方程）
- 控制器模块（PID/LQR）
- 状态观测模块（实际中可能需要卡尔曼滤波）
- 干扰注入接口
关键技巧：在Simulink中使用Triggered Subsystem处理控制器离散运行特性，更贴近实际数字控制系统。采样周期建议设置在10-50ms范围内。
3. PID控制器设计与实现
3.1 多回路PID结构设计
对于二级倒立摆，简单的单回路PID无法胜任。我采用的是一种级联控制结构：
- 内环（快速环）：上摆杆角度控制
- 中环：下摆杆角度控制
- 外环（慢速环）：小车位置控制
这种结构需要特别注意各回路带宽的分配。通过大量试错，我发现带宽比例按5:3:1设置时效果较好。具体参数整定过程如下：
- 先断开中外环，仅整定内环PID
- 固定内环参数后接入中环
- 最后加入外环位置控制
3.2 参数整定实战经验
使用Ziegler-Nichols方法时，二级倒立摆容易出现发散振荡。我的改进步骤是：
- 先仅用P控制，增大Kp直至出现等幅振荡
- 记录临界增益Ku和振荡周期Tu
- 按保守比例设置参数：Kp=0.3Ku, Ki=0.5Kp/Tu, Kd=0.125KpTu
实际调试中发现几个关键现象：
- 微分项过大会导致小车高频抖动
- 积分项太强会引起系统超调增大
- 上下摆杆的PID参数需要差异设置
4. LQR控制器设计与实现
4.1 状态空间建模
首先需要在平衡点附近对非线性模型进行线性化。我习惯使用Matlab的linmod函数获取状态空间矩阵。对于二级倒立摆，状态变量通常选择：
code复制x = [小车位置 小车速度 下摆杆角度 下摆杆角速度 上摆杆角度 上摆杆角速度]'
线性化后的系统方程为：
matlab复制dx/dt = Ax + Bu
y = Cx
4.2 权重矩阵Q和R的选择
这是LQR设计中最具技巧性的环节。经过多次实验，我总结出以下经验：
- 先确定R值（控制量权重），通常取1
- Q矩阵采用对角阵，对角元素对应状态变量的权重
- 角度误差的权重应比位置误差大1-2个数量级
- 速度项的权重约为对应位置/角度项的1/10
一个典型参数组合为：
matlab复制Q = diag([10, 1, 100, 10, 1000, 100]);
R = 1;
注意：使用
lqr函数后会得到最优反馈增益K，实际控制律为u = -Kx。仿真时需要加入状态观测器或假设全状态可测。
5. 对比分析与实验现象
5.1 性能指标量化对比
在相同初始条件（下摆杆偏离5°）下，两种控制器表现如表1所示：
| 指标 | PID控制 | LQR控制 |
|---|---|---|
| 稳定时间(s) | 8.2 | 3.5 |
| 最大超调量(°) | 12.3 | 4.7 |
| 控制能量消耗(J) | 152 | 87 |
| 抗干扰能力(N·s) | 0.5 | 1.2 |
5.2 典型动态响应分析
在引入脉冲干扰时，我观察到：
- PID控制会出现持续数秒的衰减振荡
- LQR控制能在1秒内恢复稳定
- 当初始角度超过15°时，PID控制容易失稳
- LQR的稳定域可达±30°
图3展示了上摆杆角度的动态响应曲线，可见LQR的过渡过程更为平滑。这主要是因为LQR考虑了状态间的耦合关系，而PID的各回路相对独立。
6. 深入讨论与工程实践建议
6.1 实时实现考量
在实际DSP上实现时，有几个易忽略的细节：
- 离散化方法：LQR的K矩阵需要采用Tustin变换而非简单欧拉离散
- 数据类型的选取：角度误差较小时需使用浮点数
- 运算顺序优化：先计算高频回路，节省计算时间
6.2 参数敏感性分析
通过Monte Carlo仿真发现：
- PID对质量参数变化敏感度达35%
- LQR的敏感度仅为12%
- 当摆杆长度误差>10%时，PID性能显著下降
- LQR在参数变化20%范围内仍能保持稳定
这解释了为什么工业中复杂系统更倾向使用现代控制方法。
7. 扩展应用与进阶方向
在完成基础仿真后，可以进一步探索：
- 结合模糊逻辑的自适应PID
- 基于LQR的增益调度控制
- 考虑输入饱和的Anti-windup设计
- 输出反馈LQG控制
我最近尝试将MPC应用于三级倒立摆控制，发现其在大角度摆动时的表现优于传统LQR，但计算复杂度显著增加。这需要在控制性能和实时性之间寻找平衡点。