⚡ electrical engineering

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

Este artículo deriva la dinámica no lineal de un péndulo invertido triple sobre un carro utilizando el método de Euler–Lagrange, diseña un controlador Regulador Cuadrático Lineal (LQR) para estabilizar el sistema alrededor de su equilibrio vertical y valida su desempeño robusto mediante extensas simulaciones numéricas y análisis de sensibilidad paramétrica.

Autores originales: Ali Tebaan Hassan

Publicado 2026-06-30

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ali Tebaan Hassan

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina un acto de equilibrio que suena como un truco de circo que sale mal: un pequeño carro sobre una vía, con no uno, sino tres palos largos parados uno encima del otro, todos intentando caerse al mismo tiempo. Este es el "Péndulo Invertido Triple".

En el mundo real, esto es increíblemente difícil de controlar. Si intentas equilibrar una escoba sobre tu mano, es complicado. Si apilas tres escobas una sobre otra y tratas de equilibrarlas todas solo con el movimiento de tu mano hacia adelante y hacia atrás, parece imposible. Eso es exactamente lo que hace este artículo, pero con matemáticas y simulaciones por computadora en lugar de un circo.

Aquí está la historia del artículo, desglosada en partes simples:

1. La Configuración: Una Torre de Palos Tambaleantes

Los investigadores construyeron un modelo matemático de este sistema.

El Carro: Un bloque pesado que solo puede moverse hacia la izquierda y hacia la derecha en una pista recta.
Los Péndulos: Tres varas rígidas (eslabones) conectadas en una cadena. El primer palo está sujeto al carro, el segundo al primero, y el tercero al segundo.
El Objetivo: Mantener los tres palos perfectamente rectos hacia arriba (como una torre de lápices) mientras el carro se mueve para evitar que se caigan.

El artículo comienza escribiendo las "reglas del juego". Utilizaron un método llamado Euler–Lagrange (piensa en ello como una receta de física súper precisa) para calcular exactamente cómo se mueve cada parte, cómo se empujan entre sí y cómo la gravedad intenta tirarlos hacia abajo. Descubrieron que las matemáticas son muy complejas porque los palos están todos conectados; si el palo superior se tambalea, tira del medio, el cual tira del inferior, el cual tira del carro.

2. El Problema: Quiere Caerse

El sistema es naturalmente inestable. Es como intentar equilibrar un lápiz sobre su punta. Sin ayuda, los palos se caerán en menos de un segundo. El artículo muestra que, si simplemente los sueltas, toda la torre colapsa de forma exponencialmente rápida.

3. La Solución: El "Cerebro Inteligente" (LQR)

Para detener la caída, los investigadores diseñaron un "cerebro inteligente" para el carro llamado Controlador LQR (Regulador Cuadrático Lineal).

Cómo funciona: Imagina a un entrenador muy rápido de pensamiento parado junto al carro. Este entrenador observa los ángulos de los tres palos. Si el palo superior se inclina aunque sea un poquito, el entrenador le dice instantáneamente al carro que se mueva a la izquierda o a la derecha para atraparlo.
Las Matemáticas: El entrenador utiliza una ecuación especial (la ecuación de Riccati) para determinar la cantidad perfecta de fuerza a aplicar. No se trata solo de detener la caída; se trata de hacerlo con la menor cantidad de energía desperdiciada mientras mantiene los palos verticales.
El Resultado: El entrenador es muy agresivo. Calcula que para mantener tres palos equilibrados, necesita empujar el carro con una fuerza aproximadamente 12 veces más pesada que el peso del eslabón más pesado.

4. La Simulación: La Prueba de Funcionamiento

Dado que construir un péndulo triple físico es peligroso y costoso, realizaron una simulación por computadora de alta velocidad (como un motor de física de un videojuego) para probar a su "entrenador".

La Prueba: Comenzaron la simulación con los palos ya inclinados ligeramente (unos 3 a 5 grados fuera del centro), como si alguien los hubiera empujado.
El Resultado: El controlador funcionó perfectamente. En aproximadamente 3 segundos, el carro se movió de un lado a otro, corrigiendo los tambaleos, y los tres palos volvieron a estar perfectamente rectos.
El Viaje del Carro: El carro no se quedó quieto. Tuvo que hacer un movimiento rápido y brusco (unos 8 centímetros) hacia la izquierda para contrarrestar los palos que caían, y luego regresar suavemente al centro.
La Fuerza: El empuje más fuerte que el carro tuvo que realizar fue de unos 18 Newtons (aproximadamente la fuerza de sostener una bolsa de manzanas de 4 libras), lo cual está bien dentro de los límites de un motor estándar.

5. Lo Que Aprendieron

El artículo probó qué tan "estricto" debe ser el entrenador cambiando la configuración:

Entrenador Estricto: Si le dices al controlador: "Los palos deben estar perfectos ahora mismo", este mueve el carro de forma muy rápida y fuerte. Los palos se estabilizan en unos 1.3 segundos, pero el motor tiene que trabajar muy duro.
Entrenador Relajado: Si dices: "Está bien si tambalean un poco más", el carro se mueve de forma más suave, pero tarda unos 4 segundos en estabilizarse.
El Punto Óptimo: Encontraron un punto medio donde los palos se estabilizan en unos 3 segundos sin sobrecargar el motor.

6. Por Qué Esto Importa (Según el Artículo)

Los autores explican que, aunque este es un problema de "juguete", las matemáticas detrás de él son las mismas que para desafíos de ingeniería mucho más grandes y reales. Mencionan que los mismos principios se aplican a:

Robots humanoides caminando sobre dos piernas.
Edificios altos balanceándose con el viento o durante terremotos.
Naves espaciales intentando aterrizar verticalmente (como los cohetes de SpaceX).

Resumen

Este artículo es una guía completa para resolver uno de los problemas de equilibrio más difíciles de la física. Escribieron las matemáticas, construyeron un "cerebro inteligente" para controlarlo y demostraron en una simulación por computadora que un solo carro en movimiento puede equilibrar con éxito una torre de tres palos que se caen, manteniéndolos verticales en solo unos pocos segundos. Mostraron exactamente cuánta fuerza se necesita y cómo ajustar el sistema para que sea rápido o suave, dependiendo de lo que se necesite.

Resumen Técnico: Dinámica y Control LQR de un Péndulo Invertido Triple sobre un Carro

Planteamiento del Problema
El artículo aborda el control de un péndulo invertido triple (TIP, por sus siglas en inglés) montado sobre un carro constreñido a un movimiento lineal. Este sistema es identificado como un banco de pruebas altamente desafiante en la dinámica no lineal y la teoría de control clásico. El sistema se caracteriza por un espacio de estados de 8 grados de libertad (posición del carro y tres ángulos de los eslabones), una única entrada de control (fuerza horizontal en el carro) e inestabilidad inherente. El equilibrio vertical es inestable, con tres pares de autovalores de lazo abierto inestables, y la dinámica involucra términos de acoplamiento no lineal significativos en la matriz de masa. El objetivo es derivar las ecuaciones completas de movimiento no lineales, linealizar el sistema alrededor del equilibrio inestable y diseñar un Regulador Cuadrático Lineal (LQR) para estabilizar el sistema ante perturbaciones iniciales.

Metodología
La investigación sigue un enfoque analítico y numérico estructurado:

Modelado Analítico: Los autores derivan las ecuaciones completas de movimiento no lineal utilizando el método de Euler–Lagrange. El sistema se modela con un carro rígido de masa $M$ y tres eslabones rígidos sin masa con masas puntuales en sus centros. La Lagrangiana ( $L = T - V$ ) se formula para dar cuenta de las energías cinética y potencial del carro y los eslabones, resultando en una matriz de masa $M(q)$ dependiente de la configuración, una matriz de Coriolis–centrípeta $C(q, \dot{q})$ y un vector gravitacional $G(q)$ .
Linealización: Las ecuaciones no lineales se linealizan alrededor del punto de equilibrio vertical inestable ( $q^* = 0, \dot{q}^* = 0$ ) mediante expansiones de Taylor de primer orden ( $\sin \theta \approx \theta, \cos \theta \approx 1$ ). Esto produce una representación de espacio de estados lineal de orden 8 con coeficientes constantes ( $\dot{z} = Az + Bu$ ).
Análisis de Controlabilidad: Se computa la matriz de controlabilidad de Kalman, confirmando que el sistema es completamente controlable (rango 8) con la única entrada de fuerza del carro.
Diseño del Controlador: Se sintetiza un controlador LQR resolviendo la ecuación de Riccati algebraica (ARE). El funcional de costo minimiza una suma ponderada de los errores de estado y el esfuerzo de control. Las matrices de ponderación se seleccionan basándose en la regla de Bryson, priorizando la regulación angular sobre la posición del carro.
Simulación Numérica: El sistema de lazo cerrado se simula utilizando un esquema de integración de Runge–Kutta de cuarto orden (RK45) con control de paso adaptativo. Las simulaciones prueban la respuesta del sistema a perturbaciones iniciales de hasta 5° en los ángulos de los eslabones con velocidades iniciales de cero.

Contribuciones Clave
El artículo reclama las siguientes contribuciones específicas:

Una derivación autónoma de las ecuaciones de movimiento completas del TIP no lineal, reteniendo todos los acoplamientos y no linealidades geométricas.
Un procedimiento de linealización riguroso que resulta en un modelo de espacio de estados explícito de 8×8.
La síntesis de un controlador LQR y la verificación de la estabilidad mediante el análisis de autovalores, demostrando la reubicación de todos los polos inestables al semiplano complejo izquierdo.
Resultados de simulación de alta fidelidad respaldados por diez figuras diagnósticas que analizan los estados del sistema, la energía y la dinámica del plano de fase.
Un estudio de sensibilidad paramétrica que cuantifica el compromiso entre el rendimiento de regulación (tiempo de asentamiento) y el esfuerzo de control a medida que varían las matrices de ponderación de costo de estado.

Resultos
Las simulaciones numéricas demuestran los siguientes resultados:

Estabilización: El controlador LQR estabiliza con éxito el sistema desde perturbaciones angulares iniciales de aproximadamente ±3° a ±5°. El sistema converge al equilibrio vertical en aproximadamente 3 segundos.
Esfuerzo de Control: La fuerza de control máxima requerida es de aproximadamente 18 N, ocurriendo dentro de los primeros 0.5 segundos. Esto permanece bien dentro del límite de saturación asumido de ±50 N, validando la eficacia de la estrategia de control lineal para estas condiciones iniciales.
Dinámica del Sistema: El carro experimenta una excursión transitoria de aproximadamente 0.08 m antes de asentarse. Los desplazamientos angulares de los tres eslabones convergen a cero, siendo el Eslabón 3 (el eslabón superior) el que converge más rápido debido a las altas ganancias proporcionales.
Energía y Estabilidad: La energía mecánica total disminuye monotonicamente, lo que indica una extracción de energía activa por parte del controlador. El análisis del plano de fase confirma la estabilidad asintótica global sin ciclos límite ni atractores caóticos.
Sensibilidad: Un estudio de sensibilidad revela que aumentar la ponderación del estado angular ( $Q_\theta$ ) de 10 a 1000 reduce el tiempo de asentamiento de ~4.2 s a ~1.3 s. Sin embargo, esta mejora exhibe rendimientos decrecientes más allá de $Q_\theta \approx 200$ , mientras requiere fuerzas de control proporcionalmente mayores.

Significancia y Contexto
El artículo posiciona al TIP como un banco de pruebas crítico para técnicas de control avanzadas, señalando su relevancia para la robótica bípeda, manipuladores accionados por cables y el control de actitud de vehículos de lanzamiento. Al reconocer los avances recientes en métodos basados en datos (por ejemplo, aprendizaje por refuerzo, redes neuronales informadas por la física) y su aplicación a sistemas de péndulo sobre carro, los autores afirman que el LQR basado en modelos retiene la primacía para la estabilización rápida y determinista debido a sus garantías de optimalidad global dentro del régimen lineal y su carga computacional en línea insignificante.

El trabajo sirve como una referencia fundacional para los fundamentos teóricos del control del TIP. Contextualiza sus resultados frente a la literatura reciente (2021–2026) sobre control aumentado por aprendizaje, pero se enfoca en la robustez e interpretabilidad del control óptimo clásico. Los autores concluyen que, si bien el LQR lineal es efectivo para pequeñas perturbaciones, el trabajo futuro abordará estrategias no lineales (como NMPC) para ángulos mayores, la validación experimental en bancos de prueba físicos y comparaciones con control de aprendizaje por refuerzo seguro y controladores de ODE informados por la física.