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

Technische Samenvatting: Dynamica en LQR-regeling van een drievoudige omgekeerde pendel op een karretje

Probleemstelling
Het artikel behandelt de regeling van een drievoudige omgekeerde pendel (Triple Inverted Pendulum, TIP) die is gemonteerd op een karretje dat beperkt is tot lineaire beweging. Dit systeem wordt geïdentificeerd als een zeer uitdagende benchmark in de nietlineaire dynamica en klassieke regeltheorie. Het systeem wordt gekenmerkt door een 8-dimensionale toestandsruimte (positie van het karretje en drie linkhoeken), een enkele besturingsinvoer (horizontale kracht op het karretje) en inherente instabiliteit. Het evenwicht in de verticale positie is onstabiel, met drie paren onstabiele open-loop eigenwaarden, en de dynamica bevat significante nietlineaire koppelingstermen in de massamatrix. Het doel is om de volledige nietlineaire bewegingsvergelijkingen af te leiden, het systeem te lineariseren rond het onstabiele evenwichtspunt, en een Linear Quadratic Regulator (LQR) te ontwerpen om het systeem te stabiliseren vanuit initiële verstoringen.

Methodologie
Het onderzoek volgt een gestructureerde analytische en numerieke aanpak:

1. Analytische Modellering: De auteurs leiden de volledige nietlineaire bewegingsvergelijkingen af met behulp van de Euler–Lagrange-methode. Het systeem wordt gemodelleerd met een star karretje van massa $M$ en drie massaloze stijve links met puntmassa's in hun middelpunten. De Lagrangiaan ($L = T - V$) wordt geformuleerd om rekening te houden met de kinetische en potentiële energieën van het karretje en de links, wat resulteert in een configuratieafhankelijke massamatrix $M(q)$, een Coriolis–centripetaalmatrix $C(q, \dot{q})$ en een zwaartekrachtvector $G(q)$.
2. Linearisatie: De nietlineaire vergelijkingen worden gelineariseerd rond het onstabiele verticale evenwichtspunt ($q^* = 0, \dot{q}^* = 0$) met behulp van eerste-orde Taylor-expansies ($\sin \theta \approx \theta, \cos \theta \approx 1$). Dit levert een constante-coëfficiënt 8e-orde lineaire toestandsruimte-representatie op ($\dot{z} = Az + Bu$).
3. Controleerbaarheidsaanalyse: De Kalman-controleerbaarheidsmatrix wordt berekend, waarmee wordt bevestigd dat het systeem volledig toestandscontroleerbaar is (rang 8) met de enkele krachtinvoer van het karretje.
4. Regelaarontwerp: Een LQR-regelaar wordt gesynthetiseerd door de algebraïsche Riccati-vergelijking (ARE) op te lossen. De kostenfunctie minimaliseert een gewogen som van toestandsfouten en besturingsinspanning. Wegingsmatrices worden geselecteerd op basis van Brysons regel, waarbij prioriteit wordt gegeven aan hoekregulatie boven de positie van het karretje.
5. Numerieke Simulatie: Het gesloten systeem wordt gesimuleerd met een vierde-orde Runge–Kutta integratieschema (RK45) met adaptieve stapgroottecontrole. Simulaties testen de respons van het systeem op initiële verstoringen van maximaal 5° in de linkhoeken met nul initiële snelheden.

Belangrijkste Bijdragen
Het artikel claimt de volgende specifieke bijdragen:

• Een zelfstandige afleiding van de volledige nietlineaire TIP-bewegingsvergelijkingen, waarbij alle koppelingen en geometrische nietlineariteiten behouden blijven.
• Een rigoureuze linearisatieprocedure die resulteert in een expliciet 8×8 toestandsruimte-model.
• De synthese van een LQR-regelaar en verificatie van stabiliteit via eigenwaardeanalyse, waarbij wordt aangetoond dat alle onstabiele polen naar de linkerhelft van het complexe vlak zijn verplaatst.
• Hoge-getrouwheid simulatieresultaten ondersteund door tien diagnostische figuren die de systeemtoestanden, energie en fasevlakdynamica analyseren.
• Een parametrische gevoeligheidsstudie die de afruil tussen regulatieprestaties (insteltijd) en besturingsinspanning kwantificeert naarmate de wegingsmatrices van de toestandskosten variëren.

Resultaten
Numerieke simulaties laten de volgende resultaten zien:

• Stabilisatie: De LQR-regelaar stabiliseert het systeem succesvol vanuit initiële hoekverstoringen van ongeveer ±3° tot ±5°. Het systeem convergeert naar het verticale evenwicht binnen ongeveer 3 seconden.
• Besturingsinspanning: De piekbesturingskracht die vereist is, bedraagt ongeveer 18 N, optredend binnen de eerste 0,5 seconde. Dit blijft ruim binnen de aangenomen verzadigingslimiet van ±50 N, wat de effectiviteit van de lineaire regelstrategie voor deze initiële condities valideert.
• Systeemdynamica: Het karretje ondergaat een transiënte excursie van ongeveer 0,08 m voordat het tot rust komt. De hoekverplaatsingen van alle drie de links convergeren naar nul, waarbij Link 3 (de bovenste link) het snelst convergeert vanwege de hoge proportionele winsten.
• Energie en Stabiliteit: De totale mechanische energie neemt monotoon af, wat wijst op actieve energie-extractie door de regelaar. Fasevlakanalyse bevestigt globale asymptotische stabiliteit zonder limietcycli of chaotische attractoren.
• Gevoeligheid: Een gevoeligheidsstudie onthult dat het verhogen van de hoektoestandweging ($Q_\theta$) van 10 naar 1000 de insteltijd vermindert van ~4,2 s naar ~1,3 s. Deze verbetering vertoont echter een afnemend rendement voorbij $Q_\theta \approx 200$, terwijl het proportioneel hogere besturingskrachten vereist.

Betekenis en Context
Het artikel positioneert de TIP als een kritieke testomgeving voor geavanceerde regeltechnieken, waarbij de relevantie voor bipedale robotica, kabelgestuurde manipulatoren en de attitudecontrole van lanceervoertuigen wordt benadrukt. Hoewel recente ontwikkelingen in datagestuurde methoden (bijv. reinforcement learning, physics-informed neural networks) en hun toepassing op kar-paal systemen worden erkend, stellen de auteurs dat modelgebaseerde LQR de voorkeur geniet voor snelle, deterministische stabilisatie vanwege de garanties op globale optimaliteit binnen het lineaire regime en de verwaarloosbare online computationele last.

Dit werk dient als een fundamentele referentie voor de theoretische onderbouwing van TIP-regeling. Het plaatst de resultaten in de context van recente literatuur (2021–2026) over learning-augmented control, maar richt zich op de robuustheid en interpreteerbaarheid van klassieke optimale regeling. De auteurs concluderen dat hoewel lineaire LQR effectief is voor kleine verstoringen, toekomstig werk zich zal richten op nietlineaire strategieën (zoals NMPC) voor grotere hoeken, experimentele validatie op fysieke testopstellingen, en vergelijkingen met veilige reinforcement learning en physics-informed neural ODE controllers.