⚡ electrical engineering

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

Este estudo avalia o desempenho de uma estratégia de controle PID em cascata para um pêndulo invertido sobre um carrinho por meio de simulação baseada no Simscape e experimentação acionada por Arduino, revelando que, embora a abordagem atinja a estabilização, ela enfrenta limitações significativas na rejeição a perturbações e no rastreamento em comparação com uma alternativa baseada em LQR devido a fatores do mundo real, como ruído de sensor e atrito.

Autores originais: Khalid Mehrab, Md Zamiul Alam, Shadman Tahmid Haque

Publicado 2026-05-11

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Khalid Mehrab, Md Zamiul Alam, Shadman Tahmid Haque

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando equilibrar um cabo de vassoura na palma da mão enquanto caminha por um corredor. Isso é essencialmente sobre o que trata este artigo, mas, em vez de uma vassoura e uma mão, os pesquisadores construíram um carrinho robótico com um bastão no topo e tentaram ensiná-lo a se equilibrar enquanto se move.

Aqui está uma explicação do trabalho deles usando analogias simples:

O Grande Desafio: O Bastão Instável

O sistema que eles construíram é chamado de "pêndulo invertido". Pense nele como um equilibrista de corda bamba que está de cabeça para baixo. Se ele ficar parado, cai imediatamente. Ele precisa de ajustes constantes e minúsculos para permanecer em pé.

Isso é complicado porque o bastão (o pêndulo) e o carrinho estão "colados" em seu comportamento. Se você empurrar o carrinho para frente para pegar o bastão que está caindo, o bastão oscila para trás. Se você parar o carrinho com muita força, o bastão pode tombar. É uma dança delicada onde um movimento afeta o outro.

A Solução: O "Gerente e o Trabalhador" (PID em Cascata)

Os pesquisadores usaram uma estratégia de controle chamada PID em Cascata. Para entender isso, imagine um canteiro de obras com duas pessoas:

O Trabalhador (Laço Interno): A única função desta pessoa é impedir que o bastão caia. Ela é rápida, reativa e entra em pânico um pouco se o bastão inclinar mesmo que um pouquinho. Ela não se importa onde o carrinho está; ela só se importa que o bastão permaneça vertical.
O Gerente (Laço Externo): Esta pessoa diz ao Trabalhador para onde caminhar. Se o carrinho precisa se mover 10 centímetros para a direita, o Gerente diz: "Ok, vá para lá". Mas o Gerente confia no Trabalhador para lidar com o ato de equilibrar enquanto se move.

A parte "Cascata" significa que o Gerente fala com o Trabalhador, e o Trabalhador fala com o motor. Esse processo de dois passos ajuda a manter o sistema estável.

Os Dois Testes: O Videogame vs. O Mundo Real

A equipe testou essa ideia de duas maneiras:

1. A Simulação (O Videogame Perfeito)
Primeiro, eles construíram uma versão digital do carrinho em um programa de computador (Simulink). Neste mundo de "videogame", não há poeira, nem atrito, nem mãos trêmulas.

O Resultado: O carrinho digital equilibrou-se perfeitamente. Moveu-se para o local alvo e o bastão permaneceu em pé. Foi suave e previsível, como um personagem em um videogame bem programado.

2. O Experimento (A Bagunça da Vida Real)
Em seguida, eles construíram um robô físico usando um Arduino (um pequeno computador), um motor e sensores.

A Verificação da Realidade: A vida real é bagunçada. As rodas tinham atrito, os sensores eram um pouco ruidosos (como estática no rádio) e o motor não respondia exatamente como a matemática previa.
O Resultado: O robô conseguiu equilibrar, o que foi um sucesso! No entanto, ele se comportou de maneira diferente do modelo de computador. O "Gerente" e o "Trabalhador" tiveram que ser ajustados de forma diferente. Por exemplo, no computador, eles usavam números negativos para dizer ao carrinho para mover para trás, mas o software do robô físico não entendia números negativos, então eles tiveram que encontrar uma solução alternativa.

Os Problemas que Encontraram

Embora o robô funcionasse, os pesquisadores esbarraram em alguns obstáculos:

O Bastão "Muito Leve": Em sua primeira configuração, o bastão era muito leve (como uma pena). Quando deram um pequeno empurrão (uma perturbação), o robô não conseguiu se recuperar. Era como tentar equilibrar uma pena no dedo enquanto alguém sopra nela; é sensível demais.
O Corredor Curto: Quando o robô tentou equilibrar um bastão mais pesado ou se recuperar de um empurrão, precisou mover o carrinho para frente e para trás muito. A trilha que construíram era muito curta. O carrinho batia no final do trilho antes de conseguir terminar o equilíbrio.
O "Excesso de Marcha": Às vezes, quando o carrinho tentava se mover para um novo local, ele passava do alvo e tinha que voltar, como um carro freando muito tarde em um sinal de pare.

A Melhor Solução: O "Gerente Inteligente" (LQR)

Para corrigir o "excesso de marcha" e a dificuldade em se recuperar de empurrões, eles tentaram trocar o "Trabalhador" (o controlador de ângulo) por um algoritmo mais avançado chamado LQR.

A Analogia: Se o controlador PID é um trabalhador seguindo regras estritas, o LQR é um trabalhador que pode "pensar à frente". Ele calcula a maneira mais eficiente de equilibrar e se mover simultaneamente.
O Resultado: Essa nova configuração reduziu as oscilações selvagens (excesso de marcha) e ajudou o sistema a lidar melhor com perturbações, embora ainda exigisse uma trilha longa para funcionar perfeitamente.

A Conclusão

O artigo conclui que, embora a abordagem simples de "Gerente e Trabalhador" (PID em Cascata) funcione bem para manter o bastão em pé, ela tem limites.

Ela luta com perturbações pesadas, a menos que o bastão seja pesado o suficiente.
Ela precisa de uma trilha longa para fazer seu trabalho.
Robôs do mundo real são mais bagunçados do que simulações de computador, então você precisa ajustá-los de forma diferente.
Usar matemática mais inteligente (como LQR) para a parte de equilíbrio pode tornar todo o sistema mais suave e eficiente.

Em resumo: Eles provaram que é possível equilibrar um bastão em um carrinho em movimento usando um sistema de controle de dois passos, mas a vida real exige mais espaço, bastões mais pesados e, às vezes, algoritmos mais inteligentes do que uma simulação de computador simples sugere.

Resumo Técnico: Controle PID em Cascata de um Pêndulo Invertido sobre um Sistema de Carrinho

Enunciação do Problema
O pêndulo invertido sobre um carrinho representa um marco clássico na teoria de controle, caracterizado como um sistema de Entrada Única e Saídas Múltiplas (SIMO) altamente não linear, multivariável e subatuado. O principal desafio reside em estabilizar o equilíbrio superior inerentemente instável (equilibrando o pêndulo na posição vertical) enquanto se regula simultaneamente a posição horizontal do carrinho usando uma única força de controle. Embora existam estratégias de controle avançadas como Reguladores Lineares Quadráticos (LQR), lógica fuzzy e redes neurais, o controlador Proporcional-Integral-Derivativo (PID) permanece o padrão da indústria devido à sua simplicidade e robustez. No entanto, aplicar o PID padrão a este sistema SIMO não é trivial; pesquisadores frequentemente empregam estruturas em cascata para desacoplar a dinâmica rápida do ângulo do pêndulo da dinâmica mais lenta da posição do carrinho. Existe uma lacuna significativa na compreensão das discrepâncias práticas entre simulações idealizadas e implementações experimentais do mundo real, particularmente no que diz respeito ao ruído dos sensores, atrito não modelado e às limitações do PID em cascata na rejeição de perturbações e em comandos de grande posição.

Metodologia
O estudo emprega uma metodologia de dupla abordagem envolvendo tanto simulação quanto experimentação física para avaliar uma arquitetura de controle PID em cascata.

Modelagem e Simulação: Um modelo não linear do sistema foi desenvolvido usando Simscape Multibody dentro do MATLAB/Simulink. Esta abordagem utilizou parâmetros físicos (massa do carrinho: 0,5672 kg, massa do pêndulo: 0,0374 kg, comprimento: 0,38 m) sem exigir linearização analítica. A estrutura de controle apresentou um laço interno para estabilização do ângulo do pêndulo e um laço externo para rastreamento da posição do carrinho.
Configuração Experimental: Um protótipo físico foi construído, compreendendo um carrinho acionado por motor DC, um encoder rotativo para medição de ângulo, um sensor ultrassônico para rastreamento de posição e um Arduino MEGA para controle em tempo real. O sistema utilizou uma ponte H (L298N) para atuação do motor.
Implementação de Controle: O controlador PID em cascata foi ajustado no Simulink usando o PID Tuner e ajustes manuais para atingir métricas de desempenho específicas (por exemplo, <10% de ultrapassagem do carrinho, <15% de desvio angular). Na fase experimental, o controlador foi implementado usando a biblioteca PID integrada do Arduino IDE. O sistema foi testado sob entradas de referência (por exemplo, movimento do carrinho de 10 cm) e submetido a perturbações externas.
Análise Comparativa: Para avaliar as limitações da abordagem PID, uma simulação comparativa foi conduzida onde o laço interno de ângulo foi substituído por um controlador baseado em LQR, mantendo o laço externo de posição PID.

Principais Resultados

Simulação vs. Experimento: Os resultados da simulação demonstraram estabilização eficaz com uma ultrapassagem do pêndulo de 10,44° e um tempo de acomodação do carrinho de aproximadamente 7,3 segundos. Os resultados experimentais confirmaram a estabilização em tempo real bem-sucedida, mas revelaram desvios significativos em relação à simulação. Notavelmente, os ganhos experimentais diferiram substancialmente dos valores simulados (por exemplo, o $K_p$ do Controlador de Ângulo foi 30 no experimento versus 204,26 na simulação).
Fontes de Discrepância: Os autores atribuem as diferenças entre simulação e experimento a quatro fatores: a ausência de um coeficiente de filtro explícito na biblioteca PID do Arduino, a diferença entre atuação baseada em força na simulação e atuação baseada em PWM no hardware, ruído e vibrações dos sensores, e efeitos de atrito não modelados no trilho físico e na correia dentada.
Limitações na Rejeição de Perturbações: O controlador PID em cascata lutou para rejeitar perturbações com os parâmetros iniciais do sistema (massa do pêndulo 0,0374 kg). A rejeição bem-sucedida de perturbações exigiu o aumento da massa do pêndulo para 0,6 kg e do comprimento para 0,5 m. Mesmo com essas modificações, o sistema exibiu grandes deslocamentos transitórios do carrinho, necessitando de um comprimento de trilho de aproximadamente 160 cm para evitar que o carrinho caísse do trilho.
Comparação com LQR: Substituir o laço interno PID por um controlador LQR melhorou significativamente o desempenho. Esta abordagem híbrida reduziu a ultrapassagem máxima de posição para aproximadamente 125 cm e encurtou o tempo de acomodação para cerca de 20 segundos, ao mesmo tempo que reduziu as demandas de força e a ultrapassagem angular inicial.

Significância e Alegações
O artigo fornece insights práticos sobre a aplicabilidade e as limitações do controle PID em cascata para sistemas de pêndulo invertido. Destaca que, embora o PID em cascata seja eficaz para estabilização sob condições idealizadas, seu desempenho é fortemente restringido por realidades físicas, como comprimento do trilho, ruído dos sensores e dinâmicas não modeladas. O estudo alega modestamente que, embora a estrutura de controle seja aplicável, o laço interno impõe altas demandas ao sistema, resultando frequentemente em grandes ultrapassagens do laço externo que podem ser fisicamente inviáveis em ambientes restritos. A análise comparativa sugere que, embora o PID seja uma solução padrão, a integração de métodos de controle ótimo como LQR para o laço interno pode oferecer rejeição de perturbações superior e redução de ultrapassagem. Os autores concluem que trabalhos futuros poderiam explorar o controle da aceleração do carrinho e da taxa angular do pêndulo separadamente usando laços PID aninhados para aprimorar ainda mais o desempenho.