⚡ electrical engineering

Dynamics and LQR Control of a Triple Inverted Pendulum on a Cart

Diese Arbeit leitet die nichtlineare Dynamik eines dreifachen invertierten Pendels auf einem Wagen mittels der Euler-Lagrange-Methode her, entwirft einen Linear-Quadratic-Regler (LQR) zur Stabilisierung des Systems um seinen aufrechten Gleichgewichtszustand und validiert dessen robuste Leistungsfähigkeit durch umfangreiche numerische Simulationen sowie parametrische Sensitivitätsanalysen.

Ursprüngliche Autoren: Ali Tebaan Hassan

Veröffentlicht 2026-06-30

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Ali Tebaan Hassan

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich einen Balancierakt vor, der wie ein missglückter Zirkustrick klingt: ein kleiner Wagen auf einer Schiene, auf dem nicht nur ein, sondern drei lange Stäbe übereinanderstehen und alle gleichzeitig umkippen wollen. Dies ist das „Triple Inverted Pendulum“ (dreifaches umgekehrtes Pendel).

In der realen Welt ist dies unglaublich schwer zu kontrollieren. Wenn man versucht, einen einzelnen Besenstiel auf der Hand zu balancieren, ist das schon schwierig. Wenn man drei Besenstiele übereinander stapelt und versucht, sie alle nur durch das Hin- und Herbewegen der Hand zu balancieren, scheint es unmöglich zu sein. Genau das macht dieses Paper, aber mit Mathematik und Computersimulationen statt mit einem Zirkus.

Hier ist die Geschichte des Papers, unterteilt in einfache Teile:

1. Der Aufbau: Ein Turm aus wackeligen Stäben

Die Forscher bauten ein mathematisches Modell dieses Systems.

Der Wagen: Ein schwerer Block, der sich nur nach links und rechts auf einer geraden Schiene bewegen kann.
Die Pendel: Drei starre Stäbe (Glieder), die in einer Kette miteinander verbunden sind. Der erste Stab ist am Wagen befestigt, der zweite am ersten, der dritte am zweiten.
Das Ziel: Alle drei Stäbe perfekt gerade nach oben stehen zu lassen (wie einen Turm aus Bleistiften), während sich der Wagen bewegt, um sie am Umfallen zu hindern.

Das Paper beginnt damit, die „Spielregeln“ aufzustellen. Sie verwendeten eine Methode namens Euler–Lagrange (denken Sie an ein superpräzises Rezept für Physik), um exakt zu berechnen, wie sich jeder Teil bewegt, wie sie gegeneinander drücken und wie die Schwerkraft versucht, sie nach unten zu ziehen. Sie fanden heraus, dass die Mathematik sehr komplex ist, da die Stäbe alle miteinander verbunden sind; wenn der oberste Stab wackelt, zieht er am mittleren, der wiederum am unteren zieht, welcher dann am Wagen zieht.

2. Das Problem: Es will umfallen

Das System ist von Natur aus instabil. Es ist wie der Versuch, einen Bleistift auf seiner Spitze zu balancieren. Ohne Hilfe würden die Stäbe in weniger als einer Sekunde umfallen. Das Paper zeigt, dass, wenn man einfach loslässt, der gesamte Turm exponentiell schnell kollabiert.

3. Die Lösung: Das „kluge Gehirn“ (LQR)

Um den Fall zu stoppen, entwarfen die Forscher ein „kluges Gehirn“ für den Wagen, einen sogenannten LQR-Controller (Linearer Quadratischer Regler).

Wie es funktioniert: Stellen Sie sich einen sehr schnell denkenden Trainer vor, der neben dem Wagen steht. Dieser Trainer beobachtet die Winkel aller drei Stäbe. Wenn der oberste Stab auch nur ein winziges Stück zur Seite neigt, sagt der Trainer dem Wagen sofort, ob er sich nach links oder rechts bewegen muss, um ihn aufzufangen.
Die Mathematik: Der Trainer verwendet eine spezielle Gleichung (die Riccati-Gleichung), um die perfekte Kraftmenge zu berechnen. Es geht nicht nur darum, den Fall zu stoppen; es geht darum, dies mit dem geringsten Aufwand an verschwendeter Energie zu tun, während die Stäbe aufrecht bleiben.
Das Ergebnis: Der Trainer ist sehr aggressiv. Er berechnet, dass er den Wagen mit einer Kraft drücken muss, die etwa 12 Mal schwerer ist als das Gewicht des schwersten Stabes, um die drei Stäbe im Gleichgewicht zu halten.

4. Die Simulation: Der Testlauf

Da der Bau eines physischen Dreifachpendels gefährlich und teuer wäre, führten sie eine Hochgeschwindigkeits-Computersimulation (ähnlich einer Physik-Engine eines Videospiels) durch, um ihren „Trainer“ zu testen.

Der Test: Sie starteten die Simulation mit den Stäben, die bereits leicht geneigt waren (etwa 3 bis 5 Grad aus der Mitte heraus), als hätte jemand sie leicht angestoßen.
Das Ergebnis: Der Controller funktionierte perfekt. Innerhalb von etwa 3 Sekunden bewegte sich der Wagen hin und her, korrigierte das Wackeln, und alle drei Stäbe standen wieder perfekt gerade.
Die Reise des Wagens: Der Wagen blieb nicht einfach still. Er musste eine schnelle, scharfe Bewegung (etwa 8 Zentimeter) nach links machen, um die fallenden Stäbe auszugleichen, und kehrte dann sanft in die Mitte zurück.
Die Kraft: Der stärkste Stoß, den der Wagen leisten musste, betrug etwa 18 Newton (ungefähr die Kraft, die man braucht, um eine 4-Pfund-schwere Tüte Äpfel zu halten), was absolut im Bereich eines Standardmotors liegt.

5. Was sie gelernt haben

Das Paper testete, wie „streng“ der Trainer sein sollte, indem es die Einstellungen änderte:

Strenger Trainer: Wenn man dem Controller sagt: „Die Stäbe müssen jetzt perfekt sein“, bewegt er den Wagen sehr schnell und hart. Die Stäbe stabilisieren sich in etwa 1,3 Sekunden, aber der Motor muss sehr hart arbeiten.
Gelassener Trainer: Wenn man sagt: „Es ist okay, wenn sie noch ein wenig wackeln“, bewegt sich der Wagen sanfter, aber es dauert etwa 4 Sekunden, bis die Stabilisierung erreicht ist.
Der Sweet Spot (Der ideale Mittelweg): Sie fanden einen Mittelweg, bei dem sich die Stäbe in etwa 3 Sekunden stabilisieren, ohne den Motor zu überlasten.

6. Warum das wichtig ist (laut dem Paper)

Die Autoren erklären, dass dies zwar ein „Spielzeug-Problem“ ist, die zugrunde liegende Mathematik jedoch dieselbe ist wie bei viel größeren, realen technischen Herausforderungen. Sie erwähnen, dass dieselben Prinzipien gelten für:

Humanoide Roboter, die auf zwei Beinen gehen.
Hohe Gebäude, die im Wind oder bei Erdbeben schwanken.
Raketen, die versuchen, vertikal zu landen (wie SpaceX-Raketen).

Zusammenfassung

Dieses Paper ist ein vollständiger Leitfaden zur Lösung eines der schwierigsten Balancierprobleme der Physik. Sie haben die Mathematik aufgestellt, ein „kluges Gehirn“ zur Steuerung entwickelt und in einer Computersimulation bewiesen, dass ein einzelner beweglicher Wagen erfolgreich einen Turm aus drei fallenden Stäben balancieren kann, indem er sie in nur wenigen Sekunden aufrecht hält. Sie haben genau gezeigt, wie viel Kraft benötigt wird und wie man das System so abstimmt, dass es entweder schnell oder sanft reagiert, je nachdem, was man benötigt.

Technische Zusammenfassung: Dynamik und LQR-Regelung eines dreifachen invertierten Pendels auf einem Wagen

Problemstellung
Die vorliegende Arbeit befasst sich mit der Regelung eines dreifachen invertierten Pendels (Triple Inverted Pendulum, TIP), das auf einem Wagen montiert ist, welcher einer linearen Bewegung unterliegt. Dieses System wird als hochgradig anspruchsvoller Benchmark in der nichtlinearen Dynamik und der klassischen Regelungstheorie identifiziert. Das System ist durch einen 8-dimensionalen Zustandsraum (Wagenposition und drei Pendelwinkel), einen einzelnen Steuereingang (horizontale Kraft auf den Wagen) und inhärente Instabilität charakterisiert. Das aufrechte Gleichgewicht ist instabil, mit drei Paaren von instabilen offenen Eigenwerten im offenen Regelkreis, wobei die Dynamik signifikante nichtlineare Kopplungsterme in der Massenmatrix beinhaltet. Das Ziel besteht darin, die vollständigen nichtlinearen Bewegungsgleichungen abzuleiten, das System um das instabile Gleichgewicht zu linearisieren und einen Linear-Quadratic-Regler (LQR) zu entwerfen, um das System aus anfänglichen Störungen zu stabilisieren.

Methodik
Die Forschung folgt einem strukturierten analytischen und numerischen Ansatz:

Analytische Modellierung: Die Autoren leiten die vollständigen nichtlinearen Bewegungsgleichungen mittels der Euler-Lagrange-Methode ab. Das System wird mit einem starren Wagen der Masse $M$ und drei masselosen starren Gliedern mit Punktmassen in deren Zentren modelliert. Der Lagrange-Funktion ( $L = T - V$ ) wird unter Berücksichtigung der kinetischen und potenziellen Energien des Wagens und der Glieder eine konfigurationsabhängige Massenmatrix $M(q)$ , eine Coriolis-Zentrifugal-Matrix $C(q, \dot{q})$ und ein Gravitationsvektor $G(q)$ zugeordnet.
Linearisierung: Die nichtlinearen Gleichungen werden um den instabilen aufrechten Gleichgewichtspunkt ( $q^* = 0, \dot{q}^* = 0$ ) unter Verwendung von Taylor-Approximationen erster Ordnung ( $\sin \theta \approx \theta, \cos \theta \approx 1$ ) linearisiert. Dies ergibt eine Zustandsraumdarstellung mit konstanten Koeffizienten 8. Ordnung ( $\dot{z} = Az + Bu$ ).
Steuerbarkeitanalyse: Die Kalman-Steuerbarkeitsmatrix wird berechnet, was bestätigt, dass das System mit dem einzelnen Wagenkraft-Eingang vollständig zustandssteuerbar (Rang 8) ist.
Reglerentwurf: Ein LQR-Regler wird synthetisiert, indem die algebraische Riccati-Gleichung (ARE) gelöst wird. Das Kostenfunktional minimiert eine gewichtete Summe aus Zustandsfehlern und Steueraufwand. Die Gewichtungsmatrizen werden basierend auf Brysons Regel ausgewählt, wobei die Winkelregelung gegenüber der Wagenposition priorisiert wird.
Numerische Simulation: Das geschlossene Regelsystem wird mittels eines Runge-Kutta-Integrationsverfahrens vierter Ordnung (RK45) mit adaptiver Schrittweitensteuerung simuliert. Die Simulationen testen die Reaktion des Systems auf Anfangsstörungen von bis zu 5° in den Pendelwinkeln bei Nullgeschwindigkeit.

Zentrale Beiträge
Die Arbeit beansprucht die folgenden spezifischen Beiträge:

Eine in sich geschlossene Ableitung der vollständigen nichtlinearen TIP-Bewegungsgleichungen unter Beibehaltung aller Kopplungs- und geometrischen Nichtlinearitäten.
Ein rigoroses Linearisierungsverfahren, das zu einem expliziten 8×8 Zustandsraummodell führt.
Die Synthese eines LQR-Reglers und die Verifizierung der Stabilität mittels Eigenwertanalyse, wodurch die Verlagerung aller instabilen Pole in die linke Halbebene nachgewiesen wird.
Hochpräzise Simulationsergebnisse, die durch zehn Diagnosefiguren zur Analyse von Systemzuständen, Energie und Phasendiagramm-Dynamik gestützt werden.
Eine parametrische Sensitivitätsstudie, welche den Trade-off zwischen Regelleistung (Einschwingzeit) und Steueraufwand quantifiziert, während die Gewichtungsmatrizen der Zustände variiert werden.

Ergebnisse
Numerische Simulationen zeigen die folgenden Ergebnisse:

Stabilisierung: Der LQR-Regler stabilisiert das System erfolgreich aus anfänglichen Winkelstörungen von etwa ±3° bis ±5°. Das System konvergiert innerhalb von etwa 3 Sekunden gegen das aufrechte Gleichgewicht.
Steueraufwand: Die erforderliche Spitzenkraft beträgt etwa 18 N und tritt innerhalb der ersten 0,5 Sekunden auf. Dies liegt deutlich innerhalb des angenommenen Sättigungslimits von ±50 N, was die Wirksamkeit der linearen Regelstrategie für diese Anfangsbedingungen validiert.
Systemdynamik: Der Wagen erfährt eine transiente Auslenkung von etwa 0,08 m, bevor er zur Ruhe kommt. Die Winkelabweichungen aller drei Glieder konvergieren gegen Null, wobei Glied 3 (das oberste Glied) aufgrund hoher Proportionalgewinne am schnellsten konvergiert.
Energie und Stabilität: Die gesamte mechanische Energie nimmt monoton ab, was auf eine aktive Energiegewinnung durch den Regler hindeutet. Die Phasenraum-Analyse bestätigt globale asymptotische Stabilität ohne Grenzzyklen oder chaotische Attraktoren.
Sensitivität: Eine Sensitivitätsstudie zeigt, dass eine Erhöhung der Winkelzustandsgewichtung ( $Q_\theta$ ) von 10 auf 1000 die Einschwingzeit von ~4,2 s auf ~1,3 s reduziert. Diese Verbesserung zeigt jedoch ab $Q_\theta \approx 200$ abnehmende Grenzerträge, während gleichzeitig proportional höhere Steuerkräfte erforderlich sind.

Bedeutung und Kontext
Die Arbeit positioniert das TIP als kritischen Teststand für fortgeschrittene Regelungstechniken und hebt dessen Relevanz für die bipede Robotik, kabelgetriebene Manipulatoren und die Lageregelung von Trägerraketen hervor. Während sie jüngste Fortschritte bei datengesteuerten Methoden (z. B. Reinforcement Learning, physik-informierte neuronale Netze) und deren Anwendung auf Cart-Pole-Systeme anerkennt, behauptet die Arbeit, dass die modellbasierte LQR-Regelung aufgrund ihrer Garantien für globale Optimalität innerhalb des linearen Bereichs und der vernachlässigbaren Online-Rechenlast die Vorrangstellung für eine schnelle, deterministische Stabilisierung behält.

Die Arbeit dient als grundlegende Referenz für die theoretischen Grundlagen der TIP-Regelung. Sie kontextualisiert ihre Ergebnisse gegenüber der jüngeren Literatur (2021–2026) zu lernverstärkter Regelung, konzentriert sich jedoch auf die Robustheit und Interpretierbarkeit der klassischen optimalen Regelung. Die Autoren schließen, dass während die lineare LQR-Regelung für kleine Störungen effektiv ist, zukünftige Arbeiten nichtlineare Strategien (wie NMPC) für größere Winkel, die experimentelle Validierung auf physischen Testbetten sowie Vergleiche mit sicherem Reinforcement Learning und physik-informierten neuronalen ODE-Reglern adressieren werden.