⚡ electrical engineering

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

Este artigo deriva a dinâmica não linear de um pêndulo invertido triplo sobre um carro utilizando o método de Euler–Lagrange, projeta um controlador Regulador Quadrático Linear (LQR) para estabilizar o sistema em torno de seu equilíbrio vertical, e valida seu desempenho robusto por meio de extensas simulações numéricas e análises de sensibilidade paramétrica.

Autores originais: Ali Tebaan Hassan

Publicado 2026-06-30

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Ali Tebaan Hassan

Artigo original sob licença CC BY 4.0 (https://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 um ato de equilíbrio que parece um truque de circo que deu errado: um pequeno carrinho em um trilho, com não apenas um, mas três bastões longos em pé uns sobre os outros, todos tentando cair ao mesmo tempo. Este é o "Pêndulo Invertido Triplo".

No mundo real, isso é incrivelmente difícil de controlar. Se você tentar equilibrar uma vassoura em sua mão, é complicado. Se você empilhar três vassouras uma sobre a outra e tentar equilibrá-las todas apenas movendo sua mão para frente e para trás, parece impossível. É exatamente isso que este artigo faz, mas com matemática e simulações de computador em vez de um circo.

Aqui está a história do artigo, dividida em partes simples:

1. A Configuração: Uma Torre de Bastões Instáveis

Os pesquisadores construíram um modelo matemático deste sistema.

O Carrinho: Um bloco pesado que pode apenas se mover para a esquerda e para a direita em um trilho reto.
Os Pêndulos: Três bastões rígidos (elos) conectados em uma corrente. O primeiro bastão está preso ao carrinho, o segundo ao primeiro, e o terceiro ao segundo.
O Objetivo: Manter todos os três bastões perfeitamente retos para cima (como uma torre de lápis) enquanto o carrinho se move para evitar que eles caiam.

O artigo começa escrevendo as "regras do jogo". Eles usaram um método chamado Euler–Lagrange (pense nisso como uma receita de física super precisa) para calcular exatamente como cada parte se move, como elas empurram umas às outras e como a gravidade tenta puxá-las para baixo. Eles descobriram que a matemática é muito complexa porque os bastões estão todos conectados; se o bastão do topo balança, ele puxa o do meio, que puxa o de baixo, que dá um solavanco no carrinho.

2. O Problema: Ele Quer Cair

O sistema é naturalmente instável. É como tentar equilibrar um lápis na ponta. Sem ajuda, os bastões cairão em menos de um segundo. O artigo mostra que, se você simplesmente soltar, toda a torre colapsará exponencialmente rápido.

3. A Solução: O "Cérebro Inteligente" (LQR)

Para impedir a queda, os pesquisadores projetaram um "cérebro inteligente" para o carrinho chamado Controlador LQR (Regulador Quadrático Linear).

Como funciona: Imagine um treinador de pensamento muito rápido parado ao lado do carrinho. Este treinador observa os ângulos de todos os três bastões. Se o bastão do topo inclinar mesmo que um pouquinho, o treinador instantaneamente diz ao carrinho para se mover para a esquerda ou para a direita para contê-lo.
A Matemática: O treinador usa uma equação especial (a equação de Riccati) para descobrir a quantidade perfeita de força a ser aplicada. Não se trata apenas de parar a queda; trata-se de fazê-lo com a menor quantidade de energia desperdiçada, mantendo os bastões em pé.
O Resultado: O treinador é muito agressivo. Ele calcula que, para manter três bastões equilibrados, precisa empurrar o carrinho com uma força cerca de 12 vezes mais pesada que o peso do bastão mais pesado.

4. A Simulação: O Teste de Campo

Como construir um pêndulo triplo físico é perigoso e caro, eles executaram uma simulação de computador de alta velocidade (como um motor de física de videogame) para testar seu "treinador".

O Teste: Eles iniciaram a simulação com os bastões já inclinados levemente (cerca de 3 a 5 graus fora do centro), como se alguém tivesse acabado de dar um empurrão neles.
O Resultado: O controlador funcionou perfeitamente. Em cerca de 3 segundos, o carrinho se moveu para frente e para trás, corrigindo os balanços, e todos os três bastões ficaram perfeitamente retos novamente.
A Jornada do Carrinho: O carrinho não ficou parado. Ele teve que fazer um movimento rápido e brusco (cerca de 8 centímetros) para a esquerda para contrapor a queda dos bastões, e depois retornar suavemente ao centro.
A Força: O empurrão mais forte que o carrinho teve que fazer foi de cerca de 18 Newtons (aproximadamente a força de segurar um saco de 4 libras de maçãs), o que está bem dentro dos limites de um motor padrão.

5. O Que Eles Aprenderam

O artigo testou o quão "rigoroso" o treinador deveria ser, mudando as configurações:

Treinador Rigoroso: Se você diz ao controlador: "Os bastões devem estar perfeitos agora", ele move o carrinho de forma muito rápida e forte. Os bastões se estabilizam em cerca de 1,3 segundo, mas o motor tem que trabalhar muito.
Treinador Relaxado: Se você diz: "Tudo bem se eles balançarem um pouco mais", o carrinho se move de forma mais suave, mas leva cerca de 4 segundos para estabilizar.
O Ponto Ideal: Eles encontraram um meio-termo onde os bastões se estabilizam em cerca de 3 segundos sem sobrecarregar o motor.

6. Por Que Isso Importa (Segundo o Artigo)

Os autores explicam que, embora este seja um problema de "brinquedo", a matemática por trás dele é a mesma de desafios de engenharia muito maiores e do mundo real. Eles mencionam que os mesmos princípios se aplicam a:

Robôs humanoides andando em duas pernas.
Edifícios altos oscilando com o vento ou durante terremotos.
Foguetes tentando pousar verticalmente (como os foguetes da SpaceX).

Resumo

Este artigo é um guia completo para resolver um dos problemas de equilíbrio mais difíceis da física. Eles escreveram a matemática, construíram um "cérebro inteligente" para controlá-lo e provaram, em uma simulação de computador, que um único carrinho em movimento pode equilibrar com sucesso uma torre de três bastões caindo, mantendo-os em pé em apenas alguns segundos. Eles mostraram exatamente quanta força é necessária e como ajustar o sistema para ser rápido ou suave, dependendo do que você precisa.

Resumo Técnico: Dinâmica e Controle LQR de um Pêndulo Invertido Triplo sobre um Carrinho

Definição do Problema
O artigo aborda o controle de um pêndulo invertido triplo (TIP) montado sobre um carrinho restrito ao movimento linear. Este sistema é identificado como um benchmark altamente desafiador em dinâmica não linear e teoria de controle clássico. O sistema é caracterizado por um espaço de estados de 8 graus de liberdade (posição do carrinho e ângulos de três elos), uma única entrada de controle (força horizontal no carrinho) e instabilidade inerente. O equilíbrio vertical é instável, com três pares de autovalores de malha aberta instáveis, e a dinâmica envolve termos de acoplamento não linear significativos na matriz de massa. O objetivo é derivar as equações completas de movimento não linear, linearizar o sistema em torno do equilíbrio instável e projetar um Regulador Quadrático Linear (LQR) para estabilizar o sistema a partir de perturbações iniciais.

Metodologia
A pesquisa segue uma abordagem analítica e numérica estruturada:

Modelagem Analítica: Os autores derivam as equações completas de movimento não linear utilizando o método de Euler–Lagrange. O sistema é modelado com um carrinho rígido de massa $M$ e três elos rígidos sem massa com massas pontuais em seus centros. O Lagrangiano ( $L = T - V$ ) é formulado para considerar as energias cinética e potencial do carrinho e dos elos, resultando em uma matriz de massa $M(q)$ dependente da configuração, uma matriz de Coriolis–centrípeta $C(q, \dot{q})$ e um vetor gravitacional $G(q)$ .
Linearização: As equações não lineares são linearizadas em torno do ponto de equilíbrio vertical instável ( $q^* = 0, \dot{q}^* = 0$ ) usando expansões de Taylor de primeira ordem ( $\sin \theta \approx \theta, \cos \theta \approx 1$ ). Isso gera uma representação de espaço de estados linear de 8ª ordem com coeficientes constantes ( $\dot{z} = Az + Bu$ ).
Análise de Controlabilidade: A matriz de controlabilidade de Kalman é computada, confirmando que o sistema é completamente controlável em estado (posto 8) com a única entrada de força do carrinho.
Projeto do Controlador: Um controlador LQR é sintetizado resolvendo a equação algébrica de Riccati (ARE). O funcional de custo minimiza uma soma ponderada dos erros de estado e do esforço de controle. Matrizes de ponderação são selecionadas com base na regra de Bryson, priorizando a regulação angular sobre a posição do carrinho.
Simulação Numérica: O sistema de malha fechada é simulado usando um esquema de integração Runge–Kutta de quarta ordem (RK45) com controle de passo adaptativo. As simulações testam a resposta do sistema a perturbações iniciais de até 5° nos ângulos dos elos com velocidades iniciais nulas.

Principais Contribuições
O artigo reivindica as seguintes contribuições específicas:

Uma derivação autossuficiente das equações de movimento não linear do TIP completo, retendo todos os acoplamentos e não linearidades geométricas.
Um procedimento de linearização rigoroso que resulta em um modelo de espaço de estados explícito de 8×8.
A síntese de um controlador LQR e a verificação da estabilidade via análise de autovalores, demonstrando o deslocamento de todos os polos instáveis para o semiplano esquerdo do plano complexo.
Resultados de simulação de alta fidelidade apoiados por dez figuras diagnósticas analisando estados do sistema, energia e dinâmica de plano de fase.
Um estudo de sensibilidade paramétrica quantificando o compromisso entre o desempenho de regulação (tempo de acomodação) e o esforço de controle conforme as matrizes de ponderação de custo de estado são variadas.

Resultos
Simulações numéricas demonstram os seguintes resultados:

Estabilização: O controlador LQR estabiliza com sucesso o sistema a partir de perturbações angulares iniciais de aproximadamente ±3° a ±5°. O sistema converge para o equilíbrio vertical em aproximadamente 3 segundos.
Esforço de Controle: A força de controle de pico necessária é de aproximadamente 18 N, ocorrendo dentro dos primeiros 0,5 segundos. Isso permanece bem dentro do limite de saturação assumido de ±50 N, validando a eficácia da estratégia de controle linear para essas condições iniciais.
Dinâmica do Sistema: O carrinho sofre uma excursão transitória de cerca de 0,08 m antes de estabilizar. Os deslocamentos angulares de todos os três elos convergem para zero, sendo que o Elo 3 (o elo superior) converge mais rapidamente devido aos altos ganhos proporcionais.
Energia e Estabilidade: A energia mecânica total diminui monotonicamente, indicando extração ativa de energia pelo controlador. A análise de plano de fase confirma a estabilidade assintótica global sem ciclos limite ou atratores caóticos.
Sensibilidade: Um estudo de sensibilidade revela que aumentar a ponderação do estado angular ( $Q_\theta$ ) de 10 para 1000 reduz o tempo de acomodação de ~4,2 s para ~1,3 s. No entanto, essa melhoria exibe retornos decrescentes além de $Q_\theta \approx 200$ , enquanto exige forças de controle proporcionalmente maiores.

Significância e Contexto
O artigo posiciona o TIP como um banco de testes crítico para técnicas avançadas de controle, observando sua relevância para a robótica bípede, manipuladores acionados por cabos e o controle de atitude de veículos de lançamento. Ao reconhecer avanços recentes em métodos baseados em dados (ex: aprendizagem por reforço, redes neurais informadas pela física) e sua aplicação em sistemas de polo-carrinho, os autores afirmam que o LQR baseado em modelo retém a primazia para estabilização rápida e determinística devido às suas garantias de otimalidade global dentro do regime linear e carga computacional online negligenciável.

O trabalho serve como uma referência fundamental para os fundamentos teóricos do controle do TIP. Ele contextualiza seus resultados frente à literatura recente (2021–2026) sobre controle aumentado por aprendizagem, mas foca na robustez e interpretabilidade do controle ótimo clássico. Os autores concluem que, embora o LQR linear seja eficaz para pequenas perturbações, trabalhos futuros abordarão estratégias não lineares (como NMPC) para ângulos maiores, validação experimental em bancadas físicas e comparações com aprendizagem por reforço segura e controladores de ODE neural informados pela física.