⚡ electrical engineering

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

本文利用欧拉-拉格朗日法推导了小车驱动的三重倒立摆系统的非线性动力学方程，设计了用于使系统在直立平衡点附近稳定的线性二次型调节器（LQR）控制器，并通过广泛的数值模拟和参数敏感性分析验证了其鲁棒性能。

原作者： Ali Tebaan Hassan

发布于 2026-06-30

📖 1 分钟阅读☕ 轻松阅读

原作者： Ali Tebaan Hassan

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一场听起来像是马戏团失误的平衡表演：一个小推车在轨道上行驶，上面不仅有一个，而是三个长杆叠在一起，它们都在试图同时倒下。这就是“三重倒立摆”（Triple Inverted Pendulum）。

在现实世界中，这极其难以控制。如果你尝试用手掌支撑一根扫帚，这已经很难了。如果你把三根扫帚叠在一起，并试图仅通过手掌的前后移动来保持平衡，这看起来简直是不可能的。这正是这篇论文所研究的内容，只不过它是用数学和计算机模拟，而不是马戏团表演。

以下是这篇论文的故事，分为几个简单的部分：

1. 设置：一座摇晃的塔

研究人员为这个系统建立了一个数学模型。

小推车： 一个只能在直轨道上左右移动的重块。
倒立摆： 三根刚性杆（连杆）连接成链。第一根杆连接在小推车上，第二根连接在第一根上，第三根连接在第二根上。
目标： 在小推车移动的过程中，保持三根杆全部完美地垂直向上（就像一塔铅笔），防止它们倒下。

论文首先写下了“游戏的规则”。他们使用了被称为 欧拉-拉格朗日法（Euler–Lagrange，可以理解为一种极其精确的物理配方）的方法，来精确计算每个部分的运动方式、它们如何相互挤压，以及重力如何试图将它们拉倒。他们发现，由于这些杆是相互连接的，数学计算非常复杂；如果顶端的杆发生晃动，它会拉动中间的杆，进而拉动底部的杆，最后拽动小推车。

2. 问题：它想要倒下

这个系统本质上是不稳定的。这就像是在指尖上立起一支铅笔。如果没有任何帮助，这些杆会在不到一秒钟内倒下。论文表明，如果你直接放手，整个塔会呈指数级速度崩塌。

3. 解决方案：“智能大脑” (LQR)

为了阻止倒塌，研究人员为小推车设计了一个名为 LQR 控制器（线性二次型调节器）的“智能大脑”。

工作原理： 想象一位非常反应敏捷的教练站在小推车旁边。这位教练观察着所有三根杆的角度。如果顶端的杆哪怕只偏离了一点点，教练会立即命令小型车向左或向右移动，以接住它。
数学原理： 教练使用一个特殊的方程（黎卡提方程/Riccati equation）来计算施加多大的力才是最完美的。这不仅仅是为了阻止倒塌，更是为了在消耗最少能量的同时保持杆件直立。
结果： 这位教练非常果断。它计算出，为了保持三根杆平衡，它需要施加大约是重型杆重量 12 倍的力来推动小推车。

4. 模拟：测试运行

由于制造实体的三重倒立摆既危险又昂贵，他们运行了一个高速计算机模拟（类似于视频游戏的物理引擎）来测试这位“教练”。

测试： 他们让模拟实验从杆件已经轻微倾斜（约 3 到 5 度）的状态开始，仿佛有人刚刚碰了一下它们。
结果： 控制器完美运行。在约 3 秒 内，小推车通过前后移动修正了晃动，三根杆重新恢复了完美直立。
小推车的旅程： 小推车并没有静止不动。为了抵消倒下的杆件，它必须向左进行一次快速、剧烈的移动（约 8 厘米），然后平滑地回到中心。
力量： 小推车施加的最大推力约为 18 牛顿（大约相当于拎起一袋 4 磅重的苹果的力量），这完全在标准电机的能力范围之内。

5. 他们的收获

论文通过改变设置来测试教练应该有多“严格”：

严厉的教练： 如果你告诉控制器，“杆件现在必须保持完美”，它会移动得非常快且用力。杆件会在约 1.3 秒内稳定，但电机必须承受巨大的工作量。
随和的教练： 如果你说，“稍微晃动一会儿也没关系”，小推车的动作会更温柔，但需要约 4 秒才能稳定下来。
黄金平衡点： 他们找到了一个折中方案，使杆件能在约 3 秒内稳定，且不会过度消耗电机的性能。

6. 为什么这很重要（根据论文所述）

作者解释说，虽然这是一个“玩具”问题，但其背后的数学原理与许多更大的现实工程挑战是相同的。他们提到，同样的原理也适用于：

双足行走的类人机器人。
在风力或地震中摇晃的高层建筑。
尝试垂直着陆的火箭（例如 SpaceX 的火箭）。

总结

这篇论文是解决物理学中最难平衡问题之一的完整指南。他们编写了数学公式，构建了一个用于控制它的“智能大脑”，并通过计算机模拟证明了单个移动的小推车可以成功平衡一座由三根正在倒下的杆组成的塔，并在短短几秒内使其保持直立。他们精确展示了需要多少力量，以及如何根据需求调整系统，使其变得快速或温和。

技术摘要：三重倒立摆及其 LQR 控制的动力学研究

问题陈述
本文研究了安装在受线性运动约束的小车上的三重倒立摆（TIP）控制问题。该系统被确定为非线性动力学和经典控制理论领域中一个极具挑战性的基准测试模型。该系统的特征是具有 8 个自由度的状态空间（小车位置和三个连杆角度）、单个控制输入（作用于小车的水平力）以及固有的不稳定性。其直立平衡点是不稳定的，具有三对不稳定的开环特征值，且动力学过程涉及质量矩阵中显著的非线性耦合项。研究目标是推导完整的非线性运动方程，在不稳定平衡点附近对系统进行线性化，并设计线性二次型调节器（LQR）以从初始扰动中稳定系统。

研究方法
本研究遵循结构化的分析与数值方法：

解析建模： 作者使用欧拉-拉格朗日法推导了完整的非线性运动方程。系统模型由质量为 $M$ 的刚性小车和三个质心处设有质点的无质量刚性连杆组成。通过构建拉格朗日量（ $L = T - V$ ）来考虑小车及连杆的动能与势能，从而得到与构型相关的质量矩阵 $M(q)$ 、科里奥利-离心力矩阵 $C(q, \dot{q})$ 以及重力向量 $G(q)$ 。
线性化： 利用一阶泰勒展开（ $\sin \theta \approx \theta, \cos \theta \approx 1$ ），在不稳定直立平衡点（ $q^* = 0, \dot{q}^* = 0$ ）附近对非线性方程进行线性化。由此得到了一个常系数的 8 阶线性状态空间表示（ $\dot{z} = Az + Bu$ ）。
可控性分析： 计算了卡尔曼可控性矩阵，证实了在单个小车力输入下，该系统是完全状态可控的（秩为 8）。
控制器设计： 通过求解代数黎卡提方程（ARE）合成 LQR 控制器。代价泛函旨在最小化状态误差与控制能量的加权和。根据布赖森法则（Bryson's rule）选择权重矩阵，优先考虑角度调节而非小车位置。
数值模拟： 使用带有自适应步长控制的四阶龙格-库塔积分方案（RK45）对闭环系统进行模拟。模拟测试了系统对高达 5° 连杆初始角度扰动（初始速度为零）的响应。

主要贡献
本文声称了以下具体贡献：

推导了完整的非线性 TIP 运动方程，保留了所有的耦合项和几何非线性。
进行了严谨的线性化程序，得到了显式的 8×8 状态空间模型。
合成了 LQR 控制器，并通过特征值分析验证了稳定性，证明了所有不稳定极点均已移至复平面的左半部分。
提供了高保真度模拟结果，并通过十幅诊断图表对系统状态、能量及相平面动力学进行了深入分析。
进行了一项参数敏感性研究，量化了随着状态代价权重矩阵变化时，调节性能（调节时间）与控制能量之间的权衡关系。

结果
数值模拟展示了以下结果：

稳定性： LQR 控制器成功使系统从约 ±3° 至 ±5° 的初始角度扰动中恢复稳定。系统在大约 3 秒内收敛至直立平衡位置。
控制能量： 所需的峰值控制力约为 18 N，出现在前 0.5 秒内。这远低于设定的 ±50 N 饱和限制，验证了线性控制策略在这些初始条件下的有效性。
系统动力学： 小车在稳定前经历了约 0.08 m 的瞬态位移。所有三个连杆的角度位移均收敛至零，其中由于比例增益较高，第三个连杆（最顶端连杆）收敛速度最快。
能量与稳定性： 总机械能单调递减，表明控制器正在进行主动能量提取。相平面分析证实了全局渐近稳定性，不存在极限环或混沌吸引子。
敏感性： 敏感性研究表明，将角度状态权重（ $Q_\theta$ ）从 10 增加到 1000 可将调节时间从约 4.2 秒缩短至约 1.3 秒。然而，当 $Q_\theta \approx 200$ 时，这种改进呈现出收益递减的趋势，同时需要相应更高的控制力。

意义与背景
本文将 TIP 定位为先进控制技术的关键试验平台，指出其在双足机器人、绳索驱动机械臂以及发射载具姿态控制方面的相关性。尽管作者承认了近期数据驱动方法（如强化学习、物理信息神经网络）及其在小车-摆杆系统中的应用进展，但作者主张基于模型的 LQR 在线性范围内因其具有全局最优性保证和极低的在线计算负担，仍保持着核心地位。

本研究为 TIP 控制的理论基础提供了参考。作者将其结果置于近期（2021–2026）关于增强学习控制的文献背景下进行讨论，但重点强调了经典最优控制的鲁棒性和可解释性。作者总结道，虽然线性 LQR 对微小扰动非常有效，但未来的工作将针对更大角度开发非线性策略（如 NMPC），并在物理实验台上进行验证，并与安全强化学习及物理信息神经 ODE 控制器进行对比。