二级倒立摆控制：PID与LQR算法对比与实践

1. 项目背景与核心挑战

倒立摆系统作为控制理论中的经典研究对象，一直是验证各类控制算法有效性的"试金石"。而二级倒立摆更是将难度提升了一个量级——它由两个串联的摆杆组成，下层摆杆通过电机驱动小车在轨道上移动，上层摆杆通过铰链与下层摆杆连接。这个看似简单的机械结构，却蕴含着复杂的动力学特性。

我在研究生阶段第一次接触倒立摆实验时，就被其"脆弱平衡"的特性所震撼。当时实验室的师兄告诉我："能让单级倒立站稳不算本事，能搞定二级的才是真高手。"这句话让我开始了长达半年的控制算法研究。二级倒立摆系统具有以下典型特征：

• 非线性：摆角较大时系统呈现明显的非线性特性
• 强耦合：上下摆杆运动相互影响
• 欠驱动：仅通过小车位移控制两个自由度的摆杆
• 不稳定：开环状态下系统会迅速失稳

2. 系统建模与动力学分析

2.1 拉格朗日方程建立

采用拉格朗日方法建立系统动力学模型是最常用的方法。定义系统参数如下：

系统的拉格朗日方程为：
$$
L = T - V
$$
其中T为系统动能，V为系统势能。通过求导运算可以得到系统的非线性微分方程。

2.2 线性化处理

在平衡点附近（θ1≈0，θ2≈0）对系统进行线性化处理，得到状态空间表达式：
$$
\dot{x} = Ax + Bu
$$
其中状态变量x = [x, θ1, θ2, ẋ, θ̇1, θ̇2]ᵀ，u为控制输入（小车驱动力）。

注意：线性化模型仅在摆角较小时有效（通常|θ|<15°）。若需要大范围稳定控制，需考虑非线性控制方法。

3. PID控制器设计与实现

3.1 控制结构设计

采用串级PID控制结构：

1. 内环控制下摆杆角度θ1
2. 外环控制上摆杆角度θ2
3. 最外层控制小车位置x

这种分层控制结构可以有效分解控制难度。实际调试中发现，各环路的采样周期需要合理设置：

• 位置环：20ms
• 下摆杆环：10ms
• 上摆杆环：5ms

3.2 参数整定经验

通过试凑法结合Ziegler-Nichols法则进行参数整定。关键发现：

1. 先调内环再调外环
2. 微分项对抑制振荡效果显著
3. 积分项过大会引起超调

最终得到的PID参数为：

4. LQR控制器设计与实现

4.1 代价函数设计

LQR控制的核心是设计合理的代价函数：
$$
J = \int_0^\infty (x^T Qx + u^T Ru) dt
$$

经过多次尝试，确定的权重矩阵为：
$$
Q = diag([10, 1000, 1000, 1, 10, 10]) \
R = 0.1
$$

这个权重配置强调了对角度偏差的惩罚，相对弱化了位置误差。

4.2 Riccati方程求解

使用MATLAB的lqr函数求解Riccati方程：

matlab复制[K,S,e] = lqr(A,B,Q,R);

得到的反馈增益矩阵K需要在实际系统中进行微调。

5. 仿真对比与分析

5.1 Simulink仿真模型

搭建的仿真模型包含：

1. 非线性动力学模块
2. 控制器模块（可切换PID/LQR）
3. 扰动注入模块
4. 数据记录与可视化

5.2 性能对比指标

定义以下评估指标：

1. 稳定时间：从初始扰动到稳定在±5%误差带内的时间
2. 超调量：最大角度偏差与稳态值的比值
3. 控制能耗：控制输入的平方积分
4. 抗扰能力：施加脉冲扰动后的恢复时间

5.3 对比结果

从结果可以看出，LQR在各项指标上均优于PID控制，特别是在抗干扰能力方面表现突出。

6. 实际调试中的关键问题

6.1 传感器噪声处理

编码器测量存在量化噪声，解决方法：

1. 增加一阶低通滤波
2. 采用卡尔曼滤波估计状态
3. 合理设置采样周期（不宜过短）

6.2 执行器饱和

电机输出力矩有限，需在控制器中加入抗饱和处理：

1. 积分项分离
2. 输出限幅
3. 前馈补偿

6.3 模型失配

实际系统与理论模型的差异会导致性能下降，解决方法：

1. 在线参数辨识
2. 鲁棒控制设计
3. 自适应控制策略

7. 进阶优化方向

经过基础实现后，可以考虑以下优化方向：

1. 模糊PID控制：结合模糊逻辑实现参数自整定
2. 滑模控制：增强抗干扰能力
3. 神经网络控制：处理强非线性特性
4. 硬件优化：采用更高精度编码器和低延迟通信

在实际项目中，我最终选择了LQR作为基础控制器，叠加了模糊自适应补偿，在实验室的实物系统上实现了±30°范围内的稳定控制。这个过程中最大的体会是：理论仿真只是第一步，实际系统的各种非理想特性才是真正的挑战。建议初学者先从仿真入手理解基本原理，再逐步过渡到实物调试。