1. 项目概述：倒立摆与LQR控制的经典组合
倒立摆作为控制理论中的"Hello World"，一直是验证各类控制算法的理想实验平台。这个看似简单的系统——通过移动底部小车来保持上方摆杆直立——实则蕴含着丰富的动力学特性。我在研究生阶段第一次接触倒立摆时，就被其非线性特性和控制挑战深深吸引。
MATLAB/Simulink提供的仿真环境，让我们无需搭建实体装置就能验证LQR（线性二次调节器）算法的有效性。这种基于状态空间模型的优化控制方法，通过最小化包含状态变量和控制输入的二次型代价函数，自动计算出最优反馈增益矩阵。相比传统的PID控制，LQR能更系统地处理多变量系统的控制问题。
2. 模型构建与线性化处理
2.1 倒立摆动力学方程推导
一阶倒立摆系统通常由以下变量描述：
- 小车位置x
- 摆杆角度θ（垂直向上为0）
- 控制力u（作用于小车的水平力）
通过拉格朗日力学推导，可以得到系统的非线性微分方程。在θ≈0附近进行线性化后，得到经典的状态空间表达式：
code复制[ẋ; ẍ; θ̇; θ̈] = [0 1 0 0;
0 -0.13 0 0;
0 0 0 1;
0 -0.53 0 0] * [x; ẋ; θ; θ̇] + [0; 2; 0; 5] * u
2.2 Simulink模型搭建要点
在Simulink中构建模型时，我推荐采用模块化设计：
- 使用State-Space模块直接导入矩阵A,B,C,D
- 添加Saturation模块限制控制力u的物理可行性
- 配置Solver为ode4(Runge-Kutta)固定步长，步长0.001s
- 使用To Workspace模块导出关键变量用于后续分析
实际建模中发现：线性化模型在θ>15°时误差显著增大，这时需要考虑切换为非线性控制器或增加抗饱和补偿。
3. LQR控制器设计与实现
3.1 权重矩阵Q和R的选取艺术
LQR性能很大程度上取决于Q和R的选择。经过多次调试，我总结出以下经验：
对于倒立摆系统，典型的初始设置可以是：
matlab复制Q = diag([1, 0, 10, 0]); % 强调位置和角度误差
R = 1; % 控制力权重
调试技巧：
- 先对角元素设为[1,0,1,0]，观察响应
- 逐步增大θ的权重直到振荡消失
- 最后调整x的权重满足位移要求
3.2 MATLAB实现代码详解
完整的LQR设计流程如下：
matlab复制% 加载状态空间模型
load('pendulumCartModel.mat','sys');
% 设计权重矩阵
Q = [1 0 0 0;
0 0 0 0;
0 0 10 0;
0 0 0 0];
R = 1;
% 计算最优增益
[K,S,P] = lqr(sys.A,sys.B,Q,R);
% 闭环系统
sys_cl = ss(sys.A-sys.B*K, sys.B, sys.C, sys.D);
关键输出解析：
- K：最优反馈增益矩阵
- S：Riccati方程的解
- P：闭环系统极点位置
4. 仿真分析与性能优化
4.1 典型响应曲线解读
通过step()函数可以得到系统的阶跃响应。理想的响应应该满足：
- 稳定时间<3秒
- 超调量<5%
- 稳态误差≈0
常见问题及解决方法：
- 持续振荡 → 增大Q中θ的权重
- 控制力饱和 → 增大R或加入积分环节
- 响应过慢 → 减小R或调整Q中x的权重
4.2 抗干扰能力测试
加入脉冲扰动后，我习惯用以下指标评估鲁棒性：
matlab复制% 添加5°角度扰动
theta0 = 5*pi/180;
initial(sys_cl,[0;0;theta0;0])
良好的控制器应在2秒内恢复平衡，且控制力不应超过物理限制。
5. 工程实践中的经验分享
5.1 从仿真到实物的关键调整
在将算法部署到实体倒立摆时，必须考虑：
- 传感器噪声 → 添加Kalman滤波
- 执行器延迟 → 增加时滞补偿
- 模型失配 → 保留20%的控制裕度
5.2 高级技巧扩展
- 增益调度：针对大角度摆动设计多组LQR增益
- 模糊补偿：在边界区域引入模糊控制
- 自适应LQR：在线调整Q和R参数
这个项目最让我惊喜的是，当第一次看到仿真中的倒立摆从随机初始状态迅速稳定到垂直位置时，那种控制算法带来的精确美感令人难忘。建议读者尝试修改摆杆质量、长度等参数，观察系统特性的变化——这比任何教科书都能更直观地理解机械与控制系统的相互作用。