简介倒立摆是控制理论中的经典非线性系统这份资料面向需要掌握MATLAB/Simulink建模与控制器设计的工科学生、控制方向初学者或相关工程人员提供了从数学模型、控制器设计到仿真设置的一整套入门实践。资源包共9个文件包括MATLAB脚本.m、Simulink模型.slx/.mdl、说明文档.doc/.ppt等涵盖PID、LQR等常见控制策略的实现与仿真。包体大小372KB结构精简但功能完整。目前已有2343人浏览学习。通过该包可直观看到倒立摆状态方程如何转化为Simulink模块了解控制器子系统如何与植物模型连接并参考文档中的理论解析与实际仿真结果快速搭建自己的倒立摆稳定控制实验。对于想从理论走向仿真验证的学习者是一份不错的参考资料。 倒立摆这玩意儿控制领域的人多少都跟它打过交道。我前前后后用Simulink搭过不下三次每次感受都不一样第一次只顾着把模型跑起来结果是假的稳定第二次开始思考控制器为什么这样设计第三次才真正体会到从物理方程到仿真模型再到控制算法整个链路里每一环都是坑也都是学问。如果把经典控制理论、现代控制理论和MATLAB/Simulink工具链串成一条线倒立摆仿真就是最好的练习场。这篇文章把我完整的建模与仿真过程记录下来包括数学推导、两种Simulink建模路线的对比、PID与LQR控制器的取舍以及我在调试过程中踩过的一堆坑。适合正在做自动控制实验、学现代控制理论或者想通过一个具体项目把Simulink用熟练的读者参考。1. 建模仿真前必须搞清楚的物理方程很多人拿到倒立摆第一件事就是打开Simulink开始拖模块这是最要命的习惯。仿真跑起来容易跑得对不对完全是另一回事。你一定要先能在纸上把运动方程写出来哪怕最后只是在MATLAB里定义一个矩阵也比你闷头拖几个积分器靠谱得多。1.1 从拉格朗日方程到运动微分方程倒立摆的物理模型通常简化为一辆小车加一根可绕铰链旋转的摆杆。定义小车质量为M摆杆质量为m摆杆重心到铰链距离为l摆杆绕重心转动惯量为I小车水平位移为x摆杆相对竖直向上方向的夹角为θ水平控制力为F。用拉格朗日方程推导最省事拉格朗日量L等于系统动能T减去势能V。小车的动能是(1/2)M ẋ²摆杆的动能包括质心平动动能和绕质心的转动动能质心位置可以写成(x l sinθ, l cosθ)。算完化简后得到的非线性运动方程组是(M m)ẍ - mlθ̈cosθ mlθ̇²sinθ Fmlẍcosθ (I ml²)θ̈ - mglsinθ 0这里要强调一点θ的定义是摆杆与竖直方向的夹角θ0对应摆杆稳稳定定立在正上方。如果你习惯把θ定义成与水平方向的夹角后面所有方程的符号都会变仿真出来的现象会让你怀疑人生。1.2 线性化与状态空间形式真实倒立摆是非线性系统但控制器设计通常先在线性化模型上做因为线性系统那一套状态空间、极点配置、LQR理论都能直接用。在θ0附近做小角度假设sinθ≈θcosθ≈1并忽略θ̇²这样的高阶小量上面两个方程化简为(M m)ẍ - mlθ̈ Fmlẍ - (I ml²)θ̈ mglθ这里有个符号细节值得说一说。第二行方程里θ的符号是正的意味着摆杆向右偏θ0时如果小车没有加速度角加速度方向是让它继续倒下去这正是倒立摆“不稳定”的数学体现。很多初学者在这里符号搞反结果仿真出来发现系统开环居然是稳定的那才叫诡异。联立两个方程消去中间变量后把状态向量设为X [x, ẋ, θ, θ̇]ᵀ控制输入u F就能写出标准的线性状态空间方程Ẋ AX Bu其中A [[0, 1, 0, 0], [0, 0, -(m²gl²) / (M(Mm)l² MI), 0], [0, 0, 0, 1], [0, 0, mgl(Mm) / (M(Mm)l² MI), 0]]B [[0], [(I ml²) / (M(I ml²) Mml²)], [0], [ml / (M(I ml²) Mml²)]]实际编程时别手算这些分式直接在MATLAB里用符号推导或者数值代入都行只要保证矩阵与系统方程对应正确即可。1.3 仿真参数的选定参数随便乱设会导致后面控制器设计无所适从。我用过一组比较接近真实实验台的数据M 0.5 kg小车质量m 0.2 kg摆杆质量l 0.3 m摆杆重心到铰链距离I 0.006 kg·m²摆杆绕质心转动惯量g 9.8 m/s²先用这组参数把模型调通后面再根据自己的物理系统替换数值。注意I这个参数不能随意设太大它影响系统固有频率直接影响LQR中Q阵的选取范围。2. 两条Simulink建模路线我建议先从最笨的开始Simulink里搭倒立摆模型有两条主流路线我用“最笨的”来形容手动搭积分器的那条路线不是贬义恰恰相反我强烈建议你先走这条路因为它是理解模型的必经之路。2.1 手动积分器搭非线性模型这条路线完全基于第一节的非线性运动方程用积分器、增益器、加法器把方程原样翻译成框图。具体做法是把ẍ和θ̈的表达式显式解出来ẍ (F mlθ̇²sinθ ml(mlẍcosθ - mglsinθ)cosθ / (I ml²)) / (M m) θ̈ (mglsinθ - mlẍcosθ) / (I ml²)注意ẍ和θ̈是耦合的直接搭会形成代数环Simulink会报警。解决的办法有两个一是用“手工解耦”的方式把两个方程联立求解显式写出ẍ和θ̈关于状态变量的表达式二是用一个MATLAB Function块把非线性方程写进去输入u和状态向量输出ẍ和θ̈这样最干净。我在实操中更推荐MATLAB Function块 两个积分器链。因为当你想给模型加摩擦力、电机饱和、延迟这些非线性因素时改函数内部逻辑比改一堆连线的模块要容易得多。具体结构是这样的一个MATLAB Function接收F和当前状态x, ẋ, θ, θ̇输出ẍ和θ̈两个积分器分别对ẋ和θ̇积分得到位置和角度反馈回函数输入。2.2 用State-Space模块快速搭线性模型如果你已经验证了非线性模型的正确性并且暂时只关注线性控制器设计可以直接用State-Space模块搭线性模型。在Simulink库中找到State-Space模块把第一节算好的A、B矩阵填进去输入接控制力F输出按需要接一个Mux选择[x, ẋ, θ, θ̇]。这个做法最大的优势是快、稳定、不出数值问题方便快速验证控制器参数。缺点是看不到系统内部的非线性关系如果你换了控制器之后仿真发散你无法判断是控制器参数不合适还是线性化模型本身在极限工况下失真。我把两种做法都保留下来平时调LQR参数用State-Space模型验证真实控制效果或者要加非线性扰动时切换到MATLAB Function搭的非线性模型。这样两套模型互相印证比单用一个模型靠谱得多。2.3 Simscape Multibody三维模型适合看动画如果你装了Simscape Multibody也可以用三维机械模块直接搭建倒立摆。这个方法的好处是可视化强能直观看到小车运动、摆杆倾倒的三维动画对汇报演示特别有帮助。具体步骤是新建一个Simscape Multibody模型从库中拖出World Frame、Mechanism Configuration然后用地面的Prismatic Joint约束小车做水平移动摆杆用Revolute Joint连接在小车上摆杆本体用Brick或Cylinder表示。在关节上添加Joint Actuator输入力Joint Sensor测量角度和位置。这条路线要注意一个关键点Simscape模型里每个机械连接都必须有明确的初始状态设置尤其是Revolute Joint的初始角度要在Joint模块的State Targets中设定一个小的初始偏移否则Simulink默认从0度开始刚好落在不稳定的平衡点上仿真一步就卡住。Solver Configuration模块必须连接到机械系统上通常放在模型里比较显眼的位置。3. 控制器设计PID为什么经常翻车LQR怎么上手模型搭好了接下来就是重头戏把摆稳定在竖直位置。很多教材和课程作业一开始都会让学生先试PID但实测下来纯角度PID的倒立摆仿真非常容易翻车原因值得深入说一说。3.1 为什么只靠角度PID难以稳定整个系统倒立摆系统状态有4个小车位置x、小车速度ẋ、摆杆角度θ、摆杆角速度θ̇。如果你只把θ作为PID反馈的误差信号控制器相当于只“看见”了系统的一半状态。这个系统是四阶不稳定系统单靠角度这一个通道的反馈在参数上很难同时满足所有极点的配置需求。最直观的表现是角度PID调得太软时摆杆慢慢倒下来调得太硬时小车会疯狂加速往一个方向冲直到摆杆因为惯性甩过竖直位置然后整个系统剧烈震荡发散。这是因为让摆杆稳定在竖直位置需要小车持续“追”着摆杆跑如果速度状态没有任何反馈控制动作是盲目的。当然你可以在角度PID的基础上把位置和速度也拉进反馈回路形成多环PID这在工程上确实有应用但参数整定的复杂度远高于直接做一个全状态反馈。所以我的建议是在仿真学习阶段就直接用LQR理论清晰参数设置也有章可循。3.2 LQR调参思路与代码实现LQR的全称是Linear Quadratic Regulator核心思想是设计一个状态反馈控制律u -KX使得二次型性能指标J ∫(XᵀQX uᵀRu)dt最小。其中Q矩阵惩罚状态偏差R矩阵惩罚控制能量Q和R都是你的设计自由度。在实际调参中Q矩阵通常设为对角阵四个对角元素分别对应位置、速度、角度、角速度的权重。我常用的初值是Q diag([100, 10, 1000, 100])R 1。角度权重远大于位置权重因为首要目标是立住摆杆位置精度是次要的。如果仿真中发现控制力太大就把R适当增大比如从1改成5或10代价是收敛速度变慢。MATLAB命令极其简单% 定义系统参数 M 0.5; m 0.2; l 0.3; I 0.006; g 9.8; den M*(I m*l^2) M*m*l^2; % 状态空间矩阵 A [0 1 0 0; 0 0 -(m^2*g*l^2)/den 0; 0 0 0 1; 0 0 m*g*l*(Mm)/den 0]; B [0; (I m*l^2)/den; 0; m*l/den]; % LQR求解 Q diag([100, 10, 1000, 100]); R 1; [K, S, e] lqr(A, B, Q, R);运行之后看K矩阵和特征值ee的实部必须全部为负系统才稳定。如果某些特征值的实部接近0说明系统接近稳定边界需要调整Q或R。K矩阵里的四个元素分别对应四个状态的反馈增益你可以很直观地看到角度状态对应的增益通常是所有通道里最大的因为它是最需要“用力”拉回来的量。3.3 在Simulink里接好状态反馈把K矩阵代入Simulink模型有几种方式我推荐最简单的一种用一个Gain模块参数设为K输入接四个状态量的组合向量。具体来说把模型输出的x、ẋ、θ、θ̇用Mux合并成一个四维向量乘上K矩阵得到一个标量控制信号u经过负反馈取反接到模型控制输入端。如果用的是State-Space模块可以直接把这个u加到输入端。要注意状态顺序必须和LQR设计时完全一致。我在调试中犯过一个低级错误MATLAB里定义的状态顺序是[x, ẋ, θ, θ̇]但在Simulink里Mux时把顺序接成了[x, θ, ẋ, θ̇]结果K矩阵和实际状态完全错位仿真结果诡异到无法解释。排查了很久才发现是Mux线序的问题。如果使用了MATLAB Function的非线性模型你可以在函数内部直接调LQR算好的K矩阵把u -K*X在函数内部计算这样模块连线少很多也比较方便后面把控制器部署成S-Function。4. 仿真调试图鉴实测中常见的坑与对策最后这部分是干货中的干货。我从第一次搭倒立摆仿真到现在把踩过的坑做个系统性的复盘按出现频率排序希望你能直接避开。4.1 仿真发散第一反应不是调控制器而是查步长模型和控制器看起来都对但仿真一跑不到1秒就发散这是最常见的情况。很多人第一反应是控制器参数不对开始疯狂调Q和R其实问题的根源往往是求解器的步长设置不合理。倒立摆系统的动态响应比较快尤其是在摆杆接近竖直位置的邻域角速度可能达到几十弧度每秒。如果使用固定步长求解器并且步长过大比如0.01秒数值积分会严重失真系统快速发散的误差会被逐步放大。我的经验是求解器选择variable-step算法用ode45最大步长Max step size设置为1e-3必要时再启用Zero-crossing detection。改完步长之后很多看似“控制器不稳定”的问题会自动消失。另外顺便说一句如果模型里用了Simscape MultibodySimulink通常会自动加一个Solver Configuration模块并配置求解器但你还是手动检查一下最大步长机械系统默认配置在快速运动中并不总是合适。4.2 初始角度给小一点别相信完美平衡点线性化模型是基于θ0附近的小角度假设推导的所以LQR控制器只在θ的“附近”是可靠的。如果你把初始角度设成30度约0.52rad那已经远远超出线性化的适用范围控制器大概率会失效。我实测下来初始角度在0.05到0.2rad之间LQR的控制效果都很好。超过0.3rad之后控制器的稳定时间显著加长甚至会出现先倒下一段再拉回来的现象。如果是非线性模型超过0.5rad后控制器基本就走远了。这里要强调一个容易忽略的细节初始角度不要设成0。如果摆杆精确初始化为竖直向上Simulink会认为系统处于平衡点在没有初始速度的情况下数值积分过程中控制器不会产生任何值得观察的响应仿真结果看起来就像“什么都做不了”。故意给一个微小扰动比如0.1rad才能看到控制器的纠偏过程。4.3 加入执行器饱和仿真相差很大纯线性模型里LQR给出的控制力F可能非常大尤其是初始偏差较大时推力能瞬间飙到几百牛顿。但实际物理系统的执行器比如直流电机或直线电机是有推力上限的。建议在Simulink模型中给控制输入端加一个Saturation限幅模块把推力限制在合理范围比如±10N或±20N。加了限幅之后你会立刻发现控制器的“真实性能”在大偏差下推力饱和会导致响应变慢甚至失稳这是线性控制器设计时很容易被忽视的实际约束。如果你想继续深挖这个方向可以研究一下抗饱和补偿器或者用模型预测控制MPC把推力约束直接纳入优化目标。对于入门和进阶学习来说先加一个Saturation模块观察影响就够了。4.4 波形观察与数据导出的细节Scope模块是Simulink里最常用的观测工具但很多人用起来总觉得别扭。比如有人反馈“怎么在Scope里查看数组”其实这是因为进入了错误的显示模式。简单说如果信号是普通的时间序列直接用默认的Scope视图即可如果信号是多维数组或者你想同时对比多个信号建议把数据通过To Workspace模块导出格式选择timeseries或array然后在MATLAB工作区里统一处理绘图用plot(t, x(:, 3))之类的命令比在Scope里调来调去方便得多。我自己的习惯是给每个关键状态做好输出标记位置、速度、角度、角速度都分开导出后面做频谱分析或者参数扫描时数据拿出来就能用不用反复重新跑仿真。还有一个小技巧在Scope界面中把采样间隔或数据点数目设置得足够多否则你看到的是经过程序抽稀后的波形可能漏掉仿真初期那几个最关键的振荡峰值。从物理方程推导、非线性模型搭建到LQR控制器设计与调试再到各种限幅和数值求解细节倒立摆这个看似“入门级”的仿真项目实际上能把控制理论学习中的许多盲区都给照出来。我自己的体会是如果只是照着网上的代码跑通一次收获非常有限但如果你愿意每遇到一个发散就回头查模型、查求解器、查状态顺序查一次你就加深一层对系统的理解。仿真过程中踩过的这些坑很多在实物控制里也会以类似的方式再现——执行器饱和、初始状态不稳定、观测噪声、数值离散误差哪个都躲不掉。所以值得多花点时间在模型验证上模型可信控制器才有意义。本文还有配套的精品资源点击获取