阻抗控制与导纳控制：基于Matlab Simulink的参数仿真与优化

阻抗控制 导纳控制 Matlab simulink 参数仿真 参数优化 可仿真不同的MBK参数值

最近在折腾机器人控制算法的时候，总有人问我阻抗和导纳控制到底该怎么调参。今天咱们就用Matlab Simulink搞点实战操作，手把手带你看不同MBK参数组合下系统的响应特性。

先丢个模型框架上来。在Simulink里搭建阻抗控制模型其实特简单——核心就是个二阶质量-弹簧-阻尼系统。咱们直接怼上这几个模块：

% 阻抗模型核心参数初始化 M = 1; % 惯性参数 B = 20; % 阻尼参数 K = 100;% 刚度参数 % 生成白噪声作为环境干扰 noise_power = 0.001; env_disturbance = BandLimitedWhiteNoise('NoisePower', noise_power);

这个模型有意思的地方在于，当我们把刚度K调得特别大的时候，系统会表现出"死硬"的特性。举个栗子，设置K=500时，系统响应曲线就像根钢筋似的直挺挺的，碰到障碍物时接触力能飙到20N以上。但要是把K降到50，接触力瞬间变得温柔多了，这时候系统反而像个橡皮筋一样能自适应环境变化。

阻抗控制 导纳控制 Matlab simulink 参数仿真 参数优化 可仿真不同的MBK参数值

导纳控制这边咱们换个玩法。在Simulink里把导纳控制器接上六轴力传感器后，参数对系统稳定性的影响立竿见影。试试这个参数扫描脚本：

for M = [0.5, 1, 2] for B = linspace(10,50,5) simOut = sim('admittance_model'); plot(simOut.force.Data, simOut.position.Data); hold on end end xlabel('接触力(N)'); ylabel('位移(m)'); legend('不同阻尼下的响应');

跑完这个脚本你会发现，当阻尼B超过临界值时，系统响应曲线会出现明显的迟滞环。这时候要是把惯性参数M从2降到0.5，迟滞现象瞬间消失，但代价是系统变得特别敏感，随便有点噪声就抖得跟帕金森似的。

说到参数优化，Matlab的优化工具箱可不是吃素的。咱们整了个自动调参的脚本，用fmincon来找最优MBK组合：

function tuning_cost = admittance_cost(params) K = params(1); B = params(2); simOut = sim('tuning_model'); % 代价函数计算：超调量+稳态误差+能耗 overshoot = max(simOut.position.Data) - simOut.position.Data(end); steady_error = abs(0.1 - simOut.position.Data(end)); energy_cost = trapz(simOut.force.Data.^2); tuning_cost = 0.4*overshoot + 0.5*steady_error + 0.1*energy_cost; end % 启动优化 options = optimoptions('fmincon','Display','iter'); optimal_params = fmincon(@admittance_cost,[100,20],[],[],[],[],[50,10],[200,50],[],options);

这算法跑三小时后给出的最优解，比咱们手动调参强多了。不过要注意代价函数的权重分配——给稳态误差多加了0.1的权重，结果优化出来的阻尼参数直接飙到上限值，系统稳是稳了，响应速度却慢得像树懒。

最后说个坑：仿真时千万别直接拿理论模型参数往真实系统上套。上次我拿M=0.8的仿真参数用到真机器人上，结果机械臂直接跳起了甩葱舞。后来发现是没考虑电机谐波和减速器背隙，仿真和实战之间至少得留30%的参数冗余量才靠谱。