⚡ electrical engineering

Cascade PID Control of an Inverted Pendulum on a Cart System: Simulation and Experimental Analysis

Questo studio valuta le prestazioni di una strategia di controllo PID a cascata per un pendolo invertito su un carrello, mediante simulazione basata su Simscape e sperimentazione guidata da Arduino, rivelando che, sebbene l'approccio raggiunga la stabilizzazione, presenta limitazioni significative nel rigetto dei disturbi e nell'inseguimento rispetto a un'alternativa basata su LQR a causa di fattori reali come il rumore dei sensori e l'attrito.

Autori originali: Khalid Mehrab, Md Zamiul Alam, Shadman Tahmid Haque

Pubblicato 2026-05-11

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Khalid Mehrab, Md Zamiul Alam, Shadman Tahmid Haque

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di cercare di bilanciare un manico di scopa sul palmo della tua mano mentre cammini lungo un corridoio. È essenzialmente di questo che tratta questo articolo, ma invece di una scopa e una mano, i ricercatori hanno costruito un carrello robotico con un bastone in cima e hanno cercato di insegnargli a bilanciare se stesso mentre si muove.

Ecco una spiegazione del loro lavoro utilizzando analogie semplici:

La Grande Sfida: Il Bastone Instabile

Il sistema che hanno costruito è chiamato "pendolo invertito". Immaginalo come un funambolo che è a testa in giù. Se rimane fermo, cade immediatamente. Ha bisogno di continui, minuscoli aggiustamenti per rimanere in piedi.

Questo è complicato perché il bastone (il pendolo) e il carrello sono "incollati" nel loro comportamento. Se spingi il carrello in avanti per afferrare il bastone che cade, il bastone oscilla all'indietro. Se fermi il carrello troppo bruscamente, il bastone potrebbe ribaltarsi. È una danza delicata in cui una mossa influenza l'altra.

La Soluzione: Il "Manager e l'Operaio" (PID a Cascata)

I ricercatori hanno utilizzato una strategia di controllo chiamata PID a Cascata. Per capire questo, immagina un cantiere edile con due persone:

L'Operaio (Loop Interno): Il suo unico lavoro è impedire che il bastone cada. È veloce, reattivo e va in panico un po' se il bastone si inclina anche di un minimo. Non gli importa dove si trova il carrello; gli importa solo che il bastone rimanga verticale.
Il Manager (Loop Esterno): Questa persona dice all'Operaio dove camminare. Se il carrello deve spostarsi di 10 centimetri a destra, il Manager dice: "Ok, vai lì". Ma il Manager si fida dell'Operaio per gestire l'atto di bilanciamento mentre si muove.

La parte "a Cascata" significa che il Manager parla all'Operaio, e l'Operaio parla al motore. Questo processo in due passaggi aiuta a mantenere il sistema stabile.

I Due Test: Il Videogioco vs. Il Mondo Reale

Il team ha testato questa idea in due modi:

1. La Simulazione (Il Videogioco Perfetto)
Innanzitutto, hanno costruito una versione digitale del carrello in un programma per computer (Simulink). In questo mondo "videoludico", non c'è polvere, non c'è attrito e non ci sono mani tremanti.

Il Risultato: Il carrello digitale si è bilanciato perfettamente. Si è spostato al punto di destinazione e il bastone è rimasto in piedi. Era fluido e prevedibile, come un personaggio in un videogioco ben codificato.

2. L'Esperimento (Il Caos della Vita Reale)
Successivamente, hanno costruito un robot fisico utilizzando un Arduino (un piccolo computer), un motore e sensori.

Il Controllo della Realtà: La vita reale è disordinata. Le ruote avevano attrito, i sensori erano un po' rumorosi (come il fruscio su una radio) e il motore non rispondeva esattamente come previsto dalla matematica.
Il Risultato: Il robot ha bilanciato, il che è stato un successo! Tuttavia, si è comportato in modo diverso rispetto al modello al computer. Il "Manager" e l'"Operaio" hanno dovuto essere tarati diversamente. Ad esempio, nel computer, usavano numeri negativi per dire al carrello di muoversi all'indietro, ma il software del robot fisico non capiva i numeri negativi, quindi hanno dovuto trovare un workaround.

I Problemi Che Hanno Trovato

Anche se il robot funzionava, i ricercatori hanno incontrato alcuni ostacoli:

Il Bastone "Troppo Leggero": Nel loro primo setup, il bastone era molto leggero (come una piuma). Quando gli davano una piccola spinta (una perturbazione), il robot non riusciva a riprendersi. Era come cercare di bilanciare una piuma sul tuo dito mentre qualcuno soffia su di essa; è troppo sensibile.
Il Corridoio Corto: Quando il robot cercava di bilanciare un bastone più pesante o di riprendersi da una spinta, aveva bisogno di spostare il carrello avanti e indietro molto. La rotaia che avevano costruito era troppo corta. Il carrello avrebbe colpito la fine della rotaia prima di poter completare il bilanciamento.
L'"Overshoot" (Superamento): A volte, quando il carrello cercava di spostarsi in un nuovo punto, oscillava oltre il bersaglio e doveva tornare indietro, come un'auto che frena troppo tardi a un segnale di stop.

La Soluzione Migliore: Il "Manager Intelligente" (LQR)

Per risolvere l'"overshoot" e la difficoltà nel riprendersi dalle spinte, hanno provato a sostituire l'"Operaio" (il controllore dell'angolo) con un algoritmo più avanzato chiamato LQR.

L'Analogia: Se il controllore PID è un operaio che segue regole rigide, l'LQR è un operaio che può "pensare in anticipo". Calcola il modo più efficiente per bilanciare e muoversi simultaneamente.
Il Risultato: Questa nuova configurazione ha ridotto l'oscillazione selvaggia (overshoot) e ha aiutato il sistema a gestire meglio le perturbazioni, sebbene richiedesse ancora una rotaia lunga per funzionare perfettamente.

La Conclusione

L'articolo conclude che mentre l'approccio semplice "Manager e Operaio" (PID a Cascata) funziona bene per mantenere il bastone in alto, ha dei limiti.

Fatica con perturbazioni pesanti a meno che il bastone non sia abbastanza pesante.
Ha bisogno di una rotaia lunga per fare il suo lavoro.
I robot del mondo reale sono più disordinati delle simulazioni al computer, quindi devi tararli diversamente.
Usare matematica più intelligente (come l'LQR) per la parte di bilanciamento può rendere l'intero sistema più fluido ed efficiente.

In breve: Hanno dimostrato che puoi bilanciare un bastone su un carrello in movimento usando un sistema di controllo a due passaggi, ma la vita reale richiede più spazio, bastoni più pesanti e talvolta algoritmi più intelligenti di quanto suggerisca una semplice simulazione al computer.

Sintesi Tecnica: Controllo PID a Cascata di un Pendolo Invertito su un Carrello

Enunciato del Problema
Il pendolo invertito su un carrello rappresenta un classico banco di prova nella teoria del controllo, caratterizzato come un sistema Single-Input Multi-Output (SIMO) altamente non lineare, multivariabile e sottopilotato. La sfida principale risiede nel stabilizzare l'equilibrio superiore intrinsecamente instabile (mantenendo il pendolo in posizione verticale) regolando simultaneamente la posizione orizzontale del carrello mediante una singola forza di controllo. Sebbene esistano strategie di controllo avanzate come i Regolatori Lineari Quadratici (LQR), la logica fuzzy e le reti neurali, il controllore Proporzionale-Integrale-Derivativo (PID) rimane lo standard industriale grazie alla sua semplicità e robustezza. Tuttavia, l'applicazione del PID standard a questo sistema SIMO non è banale; i ricercatori impiegano spesso strutture a cascata per disaccoppiare la dinamica rapida dell'angolo del pendolo dalla dinamica più lenta della posizione del carrello. Esiste un significativo divario nella comprensione delle discrepanze pratiche tra simulazioni idealizzate e implementazioni sperimentali nel mondo reale, in particolare per quanto riguarda il rumore dei sensori, l'attrito non modellato e i limiti del PID a cascata nel rigetto dei disturbi e nei comandi di posizione di grande entità.

Metodologia
Lo studio adotta una metodologia a doppio approccio che coinvolge sia la simulazione che la sperimentazione fisica per valutare un'architettura di controllo PID a cascata.

Modellazione e Simulazione: È stato sviluppato un modello non lineare del sistema utilizzando Simscape Multibody all'interno di MATLAB/Simulink. Questo approccio ha utilizzato parametri fisici (massa del carrello: 0,5672 kg, massa del pendolo: 0,0374 kg, lunghezza: 0,38 m) senza richiedere una linearizzazione analitica. La struttura di controllo presentava un anello interno per la stabilizzazione dell'angolo del pendolo e un anello esterno per il tracciamento della posizione del carrello.
Setup Sperimentale: È stato costruito un prototipo fisico composto da un carrello azionato da un motore in corrente continua, un encoder rotativo per la misurazione dell'angolo, un sensore ultrasonico per il tracciamento della posizione e un Arduino MEGA per il controllo in tempo reale. Il sistema ha utilizzato un ponte a H (L298N) per l'attuazione del motore.
Implementazione del Controllo: Il controllore PID a cascata è stato sintonizzato in Simulink utilizzando il PID Tuner e regolazioni manuali per raggiungere metriche di prestazioni specifiche (ad esempio, sovraelongazione del carrello <10%, deviazione angolare <15%). Nella fase sperimentale, il controllore è stato implementato utilizzando la libreria PID integrata nell'ambiente di sviluppo Arduino IDE. Il sistema è stato testato con ingressi di riferimento (ad esempio, spostamento del carrello di 10 cm) e sottoposto a disturbi esterni.
Analisi Comparativa: Per valutare i limiti dell'approccio PID, è stata condotta una simulazione comparativa in cui l'anello interno dell'angolo è stato sostituito con un controllore basato su LQR, mantenendo l'anello esterno di posizione PID.

Risultati Chiave

Simulazione vs. Esperimento: I risultati della simulazione hanno dimostrato una stabilizzazione efficace con una sovraelongazione del pendolo di 10,44° e un tempo di assestamento del carrello di circa 7,3 secondi. I risultati sperimentali hanno confermato una stabilizzazione in tempo reale riuscita, ma hanno rivelato deviazioni significative rispetto alla simulazione. In particolare, i guadagni sperimentali differivano sostanzialmente dai valori simulati (ad esempio, il $K_p$ del Controllore dell'Angolo era 30 nell'esperimento contro 204,26 nella simulazione).
Fonti di Discrepanza: Gli autori attribuiscono le differenze tra simulazione ed esperimento a quattro fattori: l'assenza di un coefficiente di filtro esplicito nella libreria PID di Arduino, la differenza tra l'attuazione basata sulla forza nella simulazione e l'attuazione basata sul PWM nell'hardware, il rumore e le vibrazioni dei sensori, e gli effetti di attrito non modellati nella rotaia fisica e nella cinghia dentata.
Limiti nel Rigetto dei Disturbi: Il controllore PID a cascata ha avuto difficoltà a rigettare i disturbi con i parametri iniziali del sistema (massa del pendolo 0,0374 kg). Un rigetto riuscito dei disturbi ha richiesto l'aumento della massa del pendolo a 0,6 kg e della lunghezza a 0,5 m. Anche con queste modifiche, il sistema ha mostrato grandi spostamenti transitori del carrello, rendendo necessaria una lunghezza della pista di circa 160 cm per impedire che il carrello cadesse dalla rotaia.
Confronto con LQR: Sostituendo l'anello interno PID con un controllore LQR, le prestazioni sono migliorate significativamente. Questo approccio ibrido ha ridotto la sovraelongazione massima di posizione a circa 125 cm e ha accorciato il tempo di assestamento a circa 20 secondi, riducendo al contempo le richieste di forza e la sovraelongazione angolare iniziale.

Significato e Affermazioni
Il documento fornisce indicazioni pratiche sull'applicabilità e sui limiti del controllo PID a cascata per i sistemi a pendolo invertito. Evidenzia che, sebbene il PID a cascata sia efficace per la stabilizzazione in condizioni idealizzate, le sue prestazioni sono fortemente vincolate da realtà fisiche quali la lunghezza della pista, il rumore dei sensori e le dinamiche non modellate. Lo studio afferma con moderazione che, sebbene la struttura di controllo sia applicabile, l'anello interno pone elevate richieste al sistema, spesso risultando in grandi sovraelongazioni dell'anello esterno che possono essere fisicamente non fattibili in ambienti vincolati. L'analisi comparativa suggerisce che, sebbene il PID sia una soluzione standard, l'integrazione di metodi di controllo ottimali come LQR per l'anello interno può offrire un rigetto superiore dei disturbi e una ridotta sovraelongazione. Gli autori concludono che un lavoro futuro potrebbe esplorare il controllo separato dell'accelerazione del carrello e della velocità angolare del pendolo utilizzando anelli PID annidati per migliorare ulteriormente le prestazioni.