二级倒立摆 LQR 与 PD 控制器对比：3 种优化算法下的超调与调节时间实测
二级倒立摆控制策略深度评测：LQR与PD控制器在三种优化算法下的性能对比
引言
倒立摆系统作为控制理论研究的经典对象，其非线性、强耦合和不稳定的特性使其成为验证各类控制算法的理想平台。二级倒立摆在控制复杂度上较一级倒立摆显著提升，对控制策略的鲁棒性和快速响应能力提出了更高要求。本文将聚焦LQR（线性二次型调节器）与PD（比例-微分）两种主流控制方法，结合遗传算法和单纯形法两种优化技术，通过Simulink仿真平台进行系统性对比测试。
核心评测维度包括：
- 超调量（Overshoot）
- 上升时间（Rise Time）
- 调节时间（Settling Time）
- 抗干扰能力
- 参数敏感性
测试对象为直线型二级倒立摆系统，其物理参数如下表所示：
| 参数 | 物理意义 | 数值 | 单位 |
|---|---|---|---|
| M | 小车质量 | 1.30 | kg |
| m₁ | 下摆质量 | 0.04 | kg |
| m₂ | 上摆质量 | 0.13 | kg |
| l₁ | 下摆质心距 | 0.09 | m |
| l₂ | 上摆质心距 | 0.27 | m |
1. 控制算法理论基础与实现
1.1 LQR控制原理与优化
线性二次型调节器（LQR）通过最小化代价函数实现最优控制：
% LQR核心计算示例 Q = diag([10 1 1 0.1 0.1 0.1]); % 状态加权矩阵 R = 0.01; % 控制加权系数 K = lqr(A,B,Q,R); % 求解Riccati方程遗传算法优化要点：
- 染色体编码：采用实数编码表示Q矩阵对角线元素和R值
- 适应度函数：综合超调量、调节时间和控制能耗
- 优化参数范围：
- Q对角元素：0.1-100
- R值：0.001-1
关键提示：遗传算法迭代过程中需保持Q矩阵正定，R值严格为正
1.2 PD控制器设计与优化
三回路PD控制结构如下图所示：
[位置PD] → [下摆角度PD] → [上摆角度PD]单纯形法优化流程：
- 初始参数选取：基于极点配置结果
- 性能指标：ITAE（时间乘绝对误差积分）
ITAE = \int_0^T t|e(t)|dt - 优化变量：6个PD参数（Kp₁-Kp₃, Kd₁-Kd₃）
参数整定对比表：
| 方法 | 优点 | 缺点 |
|---|---|---|
| 经验试凑 | 直观，无需数学模型 | 耗时，结果不可重复 |
| 极点配置 | 理论明确 | 需准确知道系统极点 |
| 单纯形法 | 自动优化，可重复 | 可能陷入局部最优 |
2. 仿真平台搭建与测试方案
2.1 Simulink模型架构
采用分层建模策略：
- 物理层：精确实现倒立摆动力学方程
- 牛顿-欧拉方程
- 非线性摩擦模型
- 控制层：三种控制器并行运行
- 传统LQR
- 遗传算法优化LQR
- 单纯形法优化PD
- 评估层：实时计算性能指标
注意：所有控制器采样时间统一设置为1ms，确保公平对比
2.2 测试场景设计
扰动类型：
- 脉冲干扰（幅值0.1N，持续时间0.1s）
- 持续白噪声（功率0.001）
- 参数摄动（±10%质量变化）
初始条件：
- 摆角偏移：θ₁=5°, θ₂=3°
- 小车位移：x=0.1m
3. 性能对比与结果分析
3.1 时域响应特性
阶跃响应数据对比：
| 指标 | 传统LQR | GA-LQR | 优化PD |
|---|---|---|---|
| 上升时间(s) | 0.82 | 0.95 | 0.78 |
| 超调量(%) | 12.5 | 6.8 | 9.2 |
| 调节时间(s) | 2.1 | 1.7 | 1.9 |
| 稳态误差(mm) | ±0.5 | ±0.3 | ±1.2 |
关键发现：
- 遗传算法优化使LQR超调量降低45%
- 单纯形法优化PD的上升时间最快，但稳态误差较大
- 传统LQR在抗噪声方面表现最优
3.2 频域特性对比
通过Bode图分析显示：
- GA-LQR在0.1-1Hz频段增益更低，说明对低频扰动抑制更好
- 优化PD在高频段（>5Hz）相位裕量更大，抗高频噪声能力更强
% 频域分析代码示例 bode(sys_LQR, sys_GA_LQR, sys_PD) legend('LQR','GA-LQR','PD') grid on3.3 鲁棒性测试
在±10%参数变化下：
- GA-LQR保持稳定所需控制能量增加最少（仅+8%）
- 传统PD控制器出现发散现象
- 优化PD需重新整定参数才能稳定
4. 工程实践建议
根据实测结果，给出不同场景下的选型建议：
快速原型开发：
- 优选单纯形法优化PD
- 参数整定周期短（<30分钟）
- 对模型精度要求较低
高精度控制：
- 选择遗传算法优化LQR
- 需提前进行8-12小时离线优化
- 对处理器计算能力要求较高
抗干扰优先：
- 传统LQR配合降噪滤波器
- 适当增加Q矩阵中速度状态权重
实现技巧：
- 硬件部署时，GA-LQR的Q矩阵可采用定点数表示
- PD控制器的微分项建议增加一阶低通滤波（截止频率50Hz）
- 实时调试时可观察θ₂角速度信号，其突变往往预示失稳
5. 进阶优化方向
对于追求极限性能的场景，可尝试以下混合策略：
分层控制架构：
- 上层：LQR保证全局稳定
- 下层：PD快速抑制局部扰动
参数自适应机制：
# 伪代码示例 def adapt_parameters(): while True: if abs(theta1) > threshold: adjust_Q_matrix(focus='angle') elif velocity > limit: adjust_Q_matrix(focus='damping')硬件加速：
- 使用FPGA实现LQR的矩阵运算
- 利用GPU并行计算遗传算法种群
实际项目中，我们曾通过结合GA-LQR与模糊逻辑，将二级倒立摆的稳定时间进一步缩短了15%。但需注意，复杂算法会增加代码维护难度，建议在基本方案满足需求时不盲目追加优化。