⚡ electrical engineering

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

Cet article dérive la dynamique non linéaire d'un pendule inversé triple sur un chariot en utilisant la méthode d'Euler-Lagrange, conçoit un contrôleur de régulateur linéaire quadratique (LQR) pour stabiliser le système autour de son équilibre vertical, et valide sa performance robuste à travers des simulations numériques approfondies et des analyses de sensibilité paramétrique.

Auteurs originaux : Ali Tebaan Hassan

Publié 2026-06-30

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ali Tebaan Hassan

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez un numéro d'équilibriste qui ressemble à un tour de cirque ayant mal tourné : un petit chariot sur un rail, avec non pas une, mais trois longues tiges debout les unes sur les autres, essayant toutes de tomber en même temps. C'est le « Pendule Inversé Triple ».

Dans le monde réel, c'est incroyablement difficile à contrôler. Si vous essayez de faire tenir en équilibre un seul balai sur votre main, c'est déjà délicat. Si vous empilez trois balais les uns sur les autres et que vous essayez de les équilibrer en faisant simplement bouger votre main d'avant en arrière, cela semble impossible. C'est exactement ce que fait cet article, mais avec des mathématiques et des simulations informatiques plutôt qu'avec un cirque.

Voici l'histoire de l'article, décomposée en parties simples :

1. La mise en place : Une tour de bâtons vacillants

Les chercheurs ont construit un modèle mathématique de ce système.

Le Chariot : Un bloc lourd qui peut seulement se déplacer vers la gauche et la droite sur une piste droite.
Les Pendules : Trois tiges rigides (maillons) connectées en une chaîne. La première tige est attachée au chariot, la deuxième à la première, et la troisième à la deuxième.
L'Objectif : Maintenir les trois tiges parfaitement droites (comme une tour de crayons) pendant que le chariot se déplace pour les empêcher de tomber.

L'article commence par écrire les « règles du jeu ». Ils ont utilisé une méthode appelée Euler–Lagrange (pensez à une recette de physique ultra-précise) pour calculer exactement comment chaque partie bouge, comment elles se poussent les unes les autres, et comment la gravité tente de les tirer vers le bas. Ils ont découvert que les mathématiques sont très complexes car les tiges sont toutes connectées ; si la tige du haut vacille, elle tire sur celle du milieu, qui tire sur celle du bas, qui tire sur le chariot.

2. Le Problème : Il veut tomber

Le système est naturellement instable. C'est comme essayer de faire tenir un crayon sur sa pointe. Sans aide, les tiges tomberont en moins d'une seconde. L'article montre que si vous lâchez simplement le système, toute la tour s'effondre de manière exponentielle.

3. La Solution : Le « Cerveau Intelligent » (LQR)

Pour empêcher la chute, les chercheurs ont conçu un « cerveau intelligent » pour le chariot appelé Contrôleur LQR (Régulateur Linéaire Quadratique).

Comment ça marche : Imaginez un entraîneur très rapide d'esprit debout à côté du chariot. Cet entraîneur surveille les angles des trois tiges. Si la tige du haut penche ne serait-ce qu'un tout petit peu, l'entraîneur dit instantanément au chariot de se déplacer vers la gauche ou la droite pour la rattraper.
Les Mathématiques : L'entraîneur utilise une équation spéciale (l'équation de Riccati) pour déterminer la force parfaite à appliquer. Il ne s'agit pas seulement d'arrêter la chute ; il s'agit de le faire avec le moins de gaspillage d'énergie possible tout en maintenant les tiges droites.
Le Résultat : L'entraîneur est très agressif. Il calcule que pour maintenir l'équilibre de trois tiges, il doit pousser le chariot avec une force environ 12 fois plus lourde que le poids de la tige la plus lourde.

4. La Simulation : Le Test de Terrain

Comme construire un pendule triple physique est dangereux et coûteux, ils ont lancé une simulation informatique à haute vitesse (comme un moteur de physique de jeu vidéo) pour tester leur « entraîneur ».

Le Test : Ils ont commencé la simulation avec les tiges déjà légèrement penchées (environ 3 à l'angle de 5 degrés hors de l'axe), comme si quelqu'un venait de les bousculer.
Le Résultat : Le contrôleur a parfaitement fonctionné. En environ 3 secondes, le chariot s'est déplacé d'avant en arrière, corrigeant les vacillements, et les trois tiges se sont tenues parfaitement droites à nouveau.
Le Voyage du Chariot : Le chariot ne s'est pas contenté de rester immobile. Il a dû faire un mouvement rapide et sec (environ 8 centimètres) vers la gauche pour contrer la chute des tiges, puis revenir doucement au centre.
La Force : La poussée la plus forte que le chariot a dû exercer était d'environ 18 Newtons (soit environ la force nécessaire pour tenir un sac de pommes de 4 livres/1,8 kg), ce qui est tout à fait dans les limites d'un moteur standard.

5. Ce qu'ils ont appris

L'article a testé à quel point l'entraîneur devait être « strict » en changeant les paramètres :

Entraîneur Strict : Si vous dites au contrôleur : « Les tiges doivent être parfaites dès maintenant », il déplace le chariot très vite et avec force. Les tiges se stabilisent en environ 1,3 seconde, mais le moteur doit travailler très dur.
Entraîneur Détendu : Si vous dites : « Ce n'est pas grave s'il vacille un peu plus longtemps », le chariot se déplace plus doucement, mais il faut environ 4 secondes pour se stabiliser.
Le Juste Milieu : Ils ont trouvé un terrain d'entente où les tiges se stabilisent en environ 3 secondes sans surcharger le moteur.

6. Pourquoi cela importe (selon l'article)

Les auteurs expliquent que bien qu'il s'agisse d'un problème de « jouet », les mathématiques derrière sont les mêmes que pour des défis d'ingénierie réels beaucoup plus importants. Ils mentionnent que les mêmes principes s'appliquent aux :

Robots humanoïdes marchant sur deux jambes.
Grands bâtiments oscillant sous l'effet du vent ou lors de séismes.
Fusées essayant d'atterrir verticalement (comme les fusées SpaceX).

Résumé

Cet article est un guide complet pour résoudre l'un des problèmes d'équilibre les plus difficiles de la physique. Ils ont écrit les mathématiques, construit un « cerveau intelligent » pour le contrôler, et prouvé par une simulation informatique qu'un seul chariot en mouvement peut réussir à équilibrer une tour de trois tiges tombantes, les maintenant droites en seulement quelques secondes. Ils ont montré exactement quelle force est nécessaire et comment régler le système pour qu'il soit rapide ou doux, selon vos besoins.

Résumé technique : Dynamique et commande LQR d'un pendule inversé triple sur un chariot

Énoncé du problème
L'article traite de la commande d'un pendule inversé triple (PIT) monté sur un chariot contraint à un mouvement linéaire. Ce système est identifié comme un banc d'essai hautement complexe pour la dynamique non linéaire et la théorie de la commande classique. Le système est caractérisé par un espace d'état à 8 degrés de liberté (position du chariot et trois angles de liaison), une entrée de commande unique (force horizontale sur le chariot) et une instabilité intrinsèque. L'équilibre vertical est instable, présentant trois paires de valeurs propres en boucle ouverte instables, et la dynamique implique des termes de couplage non linéaire significatifs dans la matrice de masse. L'objectif est de dériver les équations complètes du mouvement non linéaire, de linéariser le système autour de l'équilibre instable, et de concevoir un régulateur linéaire quadratique (LQR) pour stabiliser le système à partir de perturbations initiales.

Méthodologie
La recherche suit une approche analytique et numérique structurée :

Modélisation analytique : Les auteurs dérivent les équennes complètes du mouvement non linéaire en utilisant la méthode d'Euler-Lagrange. Le système est modélisé avec un chariot rigide de masse $M$ et trois liaisons rigides sans masse avec des masses ponctuelles à leurs centres. Le Lagrangien ( $L = T - V$ ) est formulé pour tenir compte des énergies cinétique et potentielle du chariot et des liaisons, résultant en une matrice de masse $M(q)$ dépendant de la configuration, une matrice de Coriolis-centripète $C(q, \dot{q})$ , et un vecteur gravitationnel $G(q)$ .
Linéarisation : Les équations non linéaires sont linéarisées autour du point d'équilibre vertical instable ( $q^* = 0, \dot{q}^* = 0$ ) en utilisant des développements de Taylor du premier ordre ( $\sin \theta \approx \theta, \cos \theta \approx 1$ ). Cela produit une représentation d'espace d'état linéaire de 8ème ordre à coefficients constants ( $\dot{z} = Az + Bu$ ).
Analyse de contrôlabilité : La matrice de contrôlabilité de Kalman est calculée, confirmant que le système est complètement contrôlable (rang 8) avec l'entrée de force unique du chariot.
Conception du contrôleur : Un contrôleur LQR est synthétisé en résolvant l'équation algébrique de Riccati (ARE). Le fonctionnel de coût minimise une somme pondérée des erreurs d'état et de l'effort de commande. Les matrices de pondération sont sélectionnées selon la règle de Bryson, privilégiant la régulation angulaire sur la position du chariot.
Simulation numérique : Le système en boucle fermée est simulé à l'aide d'un schéma d'intégration de Runge-Kutta d'ordre 4 (RK45) avec contrôle de pas adaptatif. Les simulations testent la réponse du système à des perturbations initiales allant jusqu'à 5° dans les angles des liaisons avec des vitesses initiales nulles.

Contributions clés
L'article revendique les contributions spécifiques suivantes :

Une dérivation autonome des équations du mouvement non linéaire du PIT complet, conservant tous les couplages et les non-linéarités géométriques.
Une procédure de linéarisation rigoureuse aboutissant à un modèle explicite d'espace d'état 8×8.
La synthèse d'un contrôleur LQR et la vérification de la stabilité via l'analyse des valeurs propres, démontrant le déplacement de toutes les pôles instables vers le demi-plan complexe gauche.
Des résultats de simulation de haute fidélité soutenus par dix figures diagnostiques analysant les états du système, l'énergie et la dynamique du plan de phase.
Une étude de sensibilité paramétrique quantifiant l'échange entre la performance de régulation (temps de stabilisation) et l'effort de commande à mesure que les matrices de pondération des coûts d'état varient.

Résultats
Les simulations numériques démontrent les résultats suivants :

Stabilisation : Le contrôleur LQR stabilise avec succès le système à partir de perturbations angulaires initiales d'environ ±3° à ±5°. Le système converge vers l'équilibre vertical en environ 3 secondes.
Effort de commande : La force de commande de crête requise est d'environ 18 N, survenant dans les premiers 0,5 seconde. Cela reste bien en dessous de la limite de saturation supposée de ±50 N, validant l'efficacité de la stratégie de commande linéaire pour ces conditions initiales.
Dynamique du système : Le chariot subit une excursion transitoire d'environ 0,08 m avant de se stabiliser. Les déplacements angulaires des trois liaisons convergent vers zéro, la Liaison 3 (la liaison supérieure) convergeant le plus rapidement en raison des gains proportionnels élevés.
Énergie et stabilité : L'énergie mécanique totale diminue de manière monotone, indiquant une extraction d'énergie active par le contrôleur. L'analyse du plan de phase confirme une stabilité asymptotique globale sans cycles limites ni attracteurs chaotiques.
Sensibilité : Une étude de sensibilité révèle qu'augmenter la pondération de l'état angulaire ( $Q_\theta$ ) de 10 à 1000 réduit le temps de stabilisation de ~4,2 s à ~1,3 s. Cependant, cette amélioration présente des rendements décroissants au-delà de $Q_\theta \approx 200$ , tout en exigeant des forces de commande proportionnellement plus élevées.

Signification et Contexte
L'article positionne le PIT comme un banc d'essai critique pour les techniques de commande avancées, notant sa pertinence pour la robotique bipède, les manipulateurs actionnés par câbles et le contrôle d'attitude des lanceurs. Tout en reconnaissant les progrès récents des méthodes fondées sur les données (par exemple, l'apprentissage par renforcement, les réseaux de neurones informés par la physique) et leur application aux systèmes de poteau sur chariot, les auteurs affirment que le LQR basé sur un modèle conserve la primauté pour une stabilisation rapide et déterministe en raison de ses garanties d'optimalité globale dans le régime linéaire et de sa charge de calcul en ligne négligeable.

Ce travail sert de référence fondamentale pour les fondements théoriques du contrôle du PIT. Il contextualise ses résultats par rapport à la littérature récente (2021–2026) sur la commande augmentée par l'apprentissage, mais se concentre sur la robustesse et l'interprétabilité de la commande optimale classique. Les auteurs concluent que, bien que le LQR linéaire soit efficace pour les petites perturbations, les travaux futurs porteront sur les stratégies non linéaires (telles que la NMPC) pour des angles plus importants, la validation expérimentale sur des bancs d'essai physiques, et les comparaisons avec l'apprentissage par renforcement sûr et les contrôleurs d'ODE informés par la physique.