把一根一米长的拖把杆立在手心里大多数人撑不过十秒就手忙脚乱——倒立摆小车控制要解决的正是这个“竖着的东西别倒下去”的经典问题只不过把“人手”换成了“能沿轨道移动的小车”把“直觉”换成了状态空间方程和LQR控制器。我这次系统整理Control of an Inverted Pendulum on a Cart这个MATLAB帮助文档里的经典案例一开始面对满屏英文术语和矩阵推导啃起来效率很低后来用DeepSeek逐段翻译、解释公式和术语再回到MATLAB里一点点复现和调参整个过程才算顺起来。这篇文章就是我从“读不懂英文帮助文档”到“独立设计出控制器并让仿真稳定”的完整记录。无论你是正在做倒立摆课程设计还是想学会怎么高效啃MATLAB官方英文文档或者是刚接触状态反馈控制的初学者都能从我整理的内容里找到可以照做的思路。1. 倒立摆小车项目从哪来MATLAB帮助文档里那个经典例子的全貌1.1 为什么倒立摆被称为“控制理论的白鼠”我先说结论倒立摆小车是控制理论里使用频率最高、性价比也最高的教学实验对象地位差不多等于生物实验室里的小白鼠。它在竖直向上这个位置是一个典型的不稳定平衡点不加控制时哪怕一个极小的扰动也会让摆杆加速倒下。这个特性和火箭垂直着陆、双足机器人的躯干稳定、平衡车自动站立等真实工程问题在数学结构上非常相似所以很多控制理论教材和MATLAB帮助文档都把它当成演示首选。但要注意倒立摆的“不稳定”并不是坏事。正因为不稳定设计出的反馈控制器才有明显的存在感。你给系统施加一个反馈律 u −Kx闭环以后把所有极点都移到左半平面摆杆就像被一只无形的手扶住一样即使有干扰也能自己回正。这种“从无法自稳到自动站稳”的转变对刚接触控制理论的人来说冲击感特别强也特别能帮助建立对反馈控制作用的直觉。1.2 帮助文档里那个例子的完整骨架我最初打开MATLAB帮助文档中关于倒立摆小车控制这个页面时第一感觉是“内容太多、英文太长”一度想直接跳过推导去找现成代码。但逐段看下来才发现它的结构其实非常清晰完全就是按控制工程师的标准工作流来组织的系统描述小车在水平导轨上滑动摆杆通过转轴安装在小车上控制目标是在小车移动过程中让摆杆保持竖直向上数学建模基于牛顿力学或拉格朗日方程建立非线性微分方程线性化在竖直平衡点附近做小偏差近似得到状态空间方程控制器设计用LQR方法设计状态反馈增益 K仿真验证在Simulink或脚本里搭建闭环观察初始扰动下的响应曲线。在帮助文档里前两步通常只是快速带过重点放在LQR设计和仿真结果上。但我想提醒一句恰恰是前两步没吃透后面的控制器才可能怎么调都调不出来。这个观点会贯穿整篇文章后面调试部分的坑基本都是从这里派生出来的。1.3 工具准备MATLAB环境与DeepSeek的分工准备工作核心就两件事装好MATLAB以及控制工具箱再选一个好用的“英文文档理解”工具。MATLAB版本我建议R2020b以上因为lqr、ctrb、initial、lsim这些常用函数在较新版本里都原生支持不需要额外插件。如果许可证里没有Control System Toolbox很多功能会提示未授权这时候需要先解决组件授权问题再继续。DeepSeek在这个项目里负责“把英文帮助文档变成人话”。我的实际使用方法是把不懂的英文段落原样贴进去先让它给出准确的中文翻译再追问“这个公式里的每一项代表什么物理意义”“为什么这里要做线性化”。相比去网上搜二手教程的搬运这样做的好处是每一个结论都能和官方原始文档一一对应可信度高很多。不过要记得AI给出的解释也要回到MATLAB里验证一遍不能直接抄进论文或报告。2. 建模是控制成败的前提从受力分析到状态空间方程2.1 参数定义与单位陷阱倒立摆小车系统的参数定义如下这也是MATLAB帮助文档示例里的默认值参数符号数值单位小车质量M0.5kg摆杆质量m0.2kg小车摩擦系数b0.1N/(m/s)摆杆质心到转轴距离l0.3m摆杆绕质心转动惯量I0.006kg·m²重力加速度g9.8m/s²这里必须要重点提醒表中的l是“摆杆质心到转轴的距离”不是整根摆杆的长度。英文原文通常会写成 distance from the pivot to the center of mass of the pole如果把它理解成整根杆长惯量比重会严重偏差后续所有矩阵数值都会错。我当时用DeepSeek翻译时专门把这个参数的英文描述单独挑出来核对才发现自己第一次建模就在这个细节上栽了跟头。这个坑特别隐蔽因为仿真代码不会报错只会表现为“系统模型和物理直觉对不上”。2.2 动力学方程从牛顿第二定律到状态空间直接给推导后的非线性微分方程这两个方程是整个项目的地基(Mm)ẍ b ẋ m l θ̈ cosθ − m l θ̇² sinθ F (I m l²)θ̈ − m g l sinθ − m l ẍ cosθ第一式描述水平方向的力平衡外力 F 推小车要克服小车和摆杆的总惯性、车轮摩擦还要提供让摆杆转动的耦合作用力第二式描述摆杆绕转轴的力矩平衡重力矩、小车加速带来的惯性力矩和摆杆自身的转动惯量相互制约。注意第一式里那个 θ̇² 项来自摆杆旋转产生的向心加速度也是系统非线性最强的来源之一。在竖直平衡点 θ0 附近做小偏差线性化取近似关系sinθ ≈ θcosθ ≈ 1θ̇² ≈ 0非线性方程就退化成线性常系数方程。选择状态向量 x [x, ẋ, θ, θ̇]ᵀ输入 u F可以整理成状态空间标准形式ẋ A x B u y C x D u经过推导整理状态矩阵的一种常见形式如下公共分母 den (Mm)I Mml²A [0 1 0 0; 0 −(Iml²)b/den −m²gl²/den 0; 0 0 0 1; 0 −(ml·b)/den m·g·l·(Mm)/den 0] B [0; (Iml²)/den; 0; ml/den]这个分母 den 可以理解为“小车—摆杆”耦合系统的等效质量惯性它把两个物体的质量、转动惯量和几何尺寸折叠成了一个标量所有矩阵元素都受它缩放。把表里的参数代进去后就可以直接用MATLAB计算。2.3 建模环节的三个自检步骤模型建好后不要急着设计控制器先做三个自检能省下后面大量排错时间量纲检查A矩阵每个非零元的单位是否合理。比如 A(2,3) 对应的单位应该是 1/s² 量级如果某个元素和周围元素差出好几个数量级多半是建模时单位换算出了问题可控性检查计算 rank(ctrb(A,B))结果等于4说明系统完全可控状态反馈设计有解开环极点检查计算 eig(A)如果看到一个正实部极点说明模型确实体现了“竖直平衡点不稳定”的物理特性。我在复现时习惯把这三个检查都打印出来确认没问题后再往下走。很多教程不会提这一步但事实证明它真的能筛掉大量低级错误。3. LQR设计的完整MATLAB实现与核心代码解读3.1 LQR到底在优化什么LQR全称Linear Quadratic Regulator中文是线性二次型调节器。它要优化的目标函数是J ∫₀^∞ (xᵀ Q x uᵀ R u) dt用人话说就是整个控制过程中状态误差的“面积”与控制力量的大小做一个加权和LQR负责找到让这个加权和最小的固定增益 K控制律是u −K xQ 矩阵里某个状态对应的权重越大控制器就越拼命把那个状态压回零R 越大控制器就越不敢放大控制力代价是响应变慢。帮助文档示例里通常给一组参考权重Q diag([1000, 0, 500, 0]) R 0.01为什么位移权重给到1000因为如果不惩罚位移会出现“摆杆虽然立起来了但小车一直往一个方向漂移”的现象为什么角度权重给500因为保持竖直是第一目标但角度误差的修正速度比位移快所以权重稍微低一点也不会失控。R 取 0.01 表示系统允许控制器使用较强的力毕竟倒立摆第一优先级是“别倒下去”。3.2 完整MATLAB脚本与运行结果我写了一个可以直接运行的MATLAB脚本注释尽量详细方便边跑边对照% 倒立摆小车 LQR 控制器设计与闭环仿真 clear; clc; close all; % 系统参数 M 0.5; % 小车质量 kg m 0.2; % 摆杆质量 kg b 0.1; % 小车摩擦系数 N/(m/s) l 0.3; % 质心到转轴距离 m I 0.006; % 摆杆绕质心转动惯量 kg*m^2 g 9.8; % 重力加速度 den (Mm)*I M*m*l^2; % 状态空间矩阵 A [0 1 0 0; 0 -(Im*l^2)*b/den -m^2*g*l^2/den 0; 0 0 0 1; 0 -m*l*b/den m*g*l*(Mm)/den 0]; B [0; (Im*l^2)/den; 0; m*l/den]; C eye(4); D zeros(4,1); % 建模自检 fprintf(可控性矩阵秩%d系统阶数%d\n, rank(ctrb(A,B)), size(A,1)); fprintf(开环极点\n); disp(eig(A)); % LQR 权重 Q diag([1000, 0, 500, 0]); R 0.01; K lqr(A, B, Q, R); fprintf(反馈增益 K\n); disp(K); % 闭环系统 Acl A - B*K; fprintf(闭环极点\n); disp(eig(Acl)); % 初始条件响应摆杆初始偏角 0.3 rad其余状态为 0 sys_cl ss(Acl, B, C, D); t 0:0.01:5; x0 [0; 0; 0.3; 0]; [y, t, x] initial(sys_cl, x0, t); % 绘图 figure; subplot(2,2,1); plot(t, x(:,1)*100); grid on; xlabel(时间 (s)); ylabel(小车位移 (cm)); title(小车位移); subplot(2,2,2); plot(t, x(:,2)); grid on; xlabel(时间 (s)); ylabel(小车速度 (m/s)); title(小车速度); subplot(2,2,3); plot(t, x(:,3)*180/pi); grid on; xlabel(时间 (s)); ylabel(摆杆角度 (deg)); title(摆杆角度); subplot(2,2,4); plot(t, x(:,4)*180/pi); grid on; xlabel(时间 (s)); ylabel(摆杆角速度 (deg/s)); title(摆杆角速度);这段代码跑完预期的结果应该是摆杆角度在大约1到2秒内从0.3 rad约17度收敛到接近0小车位移也同步回到0整个系统2秒左右进入稳态响应看起来“稳准快”。如果看到角度来回振荡不收敛或者小车一路漂移那就要回去检查Q、R权重的设置。3.3 从代码结果反推物理含义跑通仿真之后我还建议做一次“反推”把反馈增益 K 拆开看每个分量的作用u −K(1)·x − K(2)·ẋ − K(3)·θ − K(4)·θ̇如果 K(1) 很大说明位移偏差会转化为较大的反向控制力如果 K(3) 很大说明摆杆角度偏差会立刻触发纠正力矩。这样读代码就不会觉得矩阵和公式是一堆死数字了。以后调试时也能根据“哪个状态出了问题”反推出应该调 Q 矩阵的哪个位置比起盲目改权重高效得多。4. 仿真调试层的真实教训发散、超调与权重参数整定4.1 英文文档翻译中的术语坑这个项目里DeepSeek帮我翻译了不少英文帮助文档但翻译本身也带来一个隐蔽问题专业术语如果按字面翻译很容易埋雷。我整理了几个出现频率最高的“翻译坑”cart在这个语境下是“小车”不是“购物车”也不是“推车”pole / pendulum bob是“摆杆/摆锤”不是“极”或“杆件”的泛泛说法plant控制领域里指“被控对象”不是“植物”state feedback状态反馈强调使用的是全部状态量upright equilibrium竖直平衡点也就是 θ0 那个位置。术语只是表层更大的坑在“数值单位”。翻译时要特别留意原文里每个数值的单位比如 N/(m/s)、kg·m² 这种并和模型参数逐项对应。单位看错一个仿真发散趋势完全不一样。4.2 仿真发散的第一现场我复现时踩的坑我复现这个例子的过程并不是一次跑通。第一次跑Simulink版本系统直接在0.1秒内炸了角度一路飞走仿真直接报错。逐步排查之后发现问题出在把参数 l 理解成了整根摆杆长度而帮助文档里明确写的是“质心到转轴的距离”。这个弄错之后系统惯量比重严重偏离真实情况线性化模型已经完全不能代表原系统了。后来我把实际遇到过的发散情况按“现象—原因—处理”整理成一张排查表每次仿真异常会先对照分类再做处理现象可能原因处理办法角度曲线快速发散仿真中断初始角度太大超出线性化有效范围把初始角压到0.3 rad以内或改用非线性控制先稳定角度收敛但小车位移一直漂移Q(1,1) 权重太小或为0增大 Q(1,1)比如从0提到1000响应太慢半天才平衡Q整体偏小或R偏大增大Q或减小R提高反馈增益出现高频振荡R过小控制器作用过强适当增大R观察控制输入幅值闭环极点有正实部但仍不稳定模型矩阵计算错误多为den或l出错回到建模环节逐项核对参数和矩阵元素这张表可以说是我这个项目里最有用的“交付物”之一。遇到仿真异常先定位到具体现象再动参数比“凭手感”乱调靠谱得多。4.3 LQR权重整定的可操作原则很多同学拿到帮助文档给的 Qdiag([1000, 0, 500, 0])、R0.01 之后就以为任务完成了但其实这组权重只是初始参考不是标准答案。我自己做权重整定时遵循三个原则第一先让角度稳再让位移稳。不要一上来就把所有非零权重都改一遍。我习惯先用 Qdiag([0, 0, 1, 0]) 跑一版确认摆杆角度能单独收敛再逐步加入位移权重观察位移曲线。第二看控制输入波形而不只是看状态波形。如果 u−Kx 在有些时间段出现很大的尖峰说明控制器在用大力硬掰。仿真里这没问题但实物里会直接撞上电机饱和。通常建议把 R 取到不让输入饱和的量级再回头看状态响应是否还能接受。第三一组权重只对应一组工况。如果项目要求“角度偏差不许超过0.05 rad”那角度权重必须加大如果要求“小车不能偏出轨道太多”位置权重就要优先保证。LQR设计从来不是套公式交差而是根据控制指标反复权衡的过程。4.4 建立自己的“调参-验证-回滚”闭环为了不让调参变成玄学我建议把权重整定脚本化写一个循环把 Q 对角元从 1、10、100、1000 这几个数量级依次试一遍同时记录每次的调节时间、超调量、最大控制输入最后横向对比选一组折中方案。比如固定 R0.01只把 Q(1,1) 依次取 0、10、100、1000就能明显看到位移收敛速度加快但控制输入峰值也会上升。有了这样一批实验数据选择就有了依据而不是“我觉得这个参数顺眼”。5. 控制器落地与下一步从仿真到实物实验的注意点5.1 仿真和实物的差距清单如果你接下来要把控制器部署到真实倒立摆装置比如实验室里带编码器和直流电机的导轨小车一定要清楚仿真和实物之间的几座大山执行器饱和仿真里的力可以无限大实物电机输出力矩有限还有加速度限制传感噪声与延迟角度编码器有分辨率速度信号通常要差分或滤波相位延迟会直接影响反馈带宽摩擦与间隙帮助文档模型里只给了一个线性阻尼 b但真实导轨往往还有库仑摩擦和粘滞摩擦低速段表现差别很大离散化实物控制器通常按固定周期运行需要把连续LQR控制器离散化采样周期一般取1到10毫秒离散化后要重新检查闭环极点位置。我的建议是在仿真阶段就提前为实物做“预演”。给模型加输出白噪声给控制输入加饱和限幅用零阶保持器做离散化再观察控制器还能不能稳住。这一步在MATLAB里很容易实现但对后续实物调试能省下大量时间。5.2 值得继续尝试的扩展方向基础LQR从仿真跑通之后如果还想做得更“像样”可以从这几个方向往下走MATLAB里也都有对应的函数和示例可以参考能量控制起摆swing-up初始摆杆是自然下垂的先用非线性控制把摆杆“甩”起来接近竖直时再切换成LQR稳定控制状态观测器如果现场不能直接测到角速度或速度可以用卡尔曼滤波或Luenberger观测器估计未测量状态非线性控制LQR本质上是基于线性化模型的工作范围有限滑模控制、反馈线性化、模糊控制可以把稳定域扩大鲁棒控制与MPC对模型不确定性有更强的处理能力尤其适合实物装置。这些方向并不需要推倒重来它们和基础LQR是同一套思维框架只是不断往更真实、更复杂的方向扩充。比如用dlqr做离散化用kalman做状态估计用fmincon做MPC权重优化都是同一套状态空间语言的延伸。5.3 一点个人体会做这个项目给我最大的收获是翻译一份帮助文档本身就是一个“逼自己读原文”的过程。多亏有DeepSeek这类工具能把英文术语和公式解释成中文但它翻译得再顺最后跑仿真验证的还是你自己。遇到矩阵算不对、仿真发散的时候回到帮助文档重新抠原文通常比盲目调参快得多。先把模型吃透再谈控制器设计——这句话我在文章里反复写因为真的是我踩完坑之后最大的体会。希望这篇整理能让你在复现倒立摆小车控制时少走几步弯路也希望你跑通之后愿意再往前走一步把控制器从仿真搬到实物上去试试。
