从玩具平衡车到火箭姿态控制：拆解LQR在倒立摆上的应用，附MATLAB/Simulink源码

从玩具平衡车到火箭姿态控制：拆解LQR在倒立摆上的应用

想象一下，一个简单的倒立摆系统，竟然与价值百万的无人机和航天器共享着相同的控制逻辑。这听起来有些不可思议，但正是线性二次调节器（LQR）这一现代控制理论的明珠，将这些看似毫不相关的系统紧密联系在一起。本文将带你从一阶倒立摆这个经典教学模型出发，逐步揭开LQR控制器设计的神秘面纱，并探索它在更复杂系统中的实际应用。

1. LQR控制器的数学之美

LQR（Linear Quadratic Regulator）是现代控制理论中最优雅的解决方案之一。它的核心思想是通过数学上的"代价"来换取系统的最优性能。这种"代价"体现在两个精心设计的矩阵上：

• 状态代价矩阵Q：衡量系统状态偏离期望值的"代价"
• 控制代价矩阵R：衡量控制能量消耗的"代价"

在倒立摆系统中，典型的LQR问题可以表述为寻找控制律u=-Kx，使得以下代价函数最小化：

J = ∫(xᵀQx + uᵀRu)dt

其中，x是状态向量（通常包括角度、角速度、位置和速度），u是控制输入（通常是施加在小车上的力）。

1.1 倒立摆系统的状态空间模型

倒立摆系统的动力学可以用以下状态空间方程描述：

A = [0 1 0 0; 0 0 0 0; 0 0 0 1; 0 0 29.4 0]; B = [0; 1; 0; 3]; C = [1 0 0 0; 0 0 1 0]; D = [0; 0];

这个模型揭示了几个关键点：

• 系统有一个不稳定的极点（5.4222）
• 系统完全能控且能观
• 摆杆角度对系统稳定性影响最大（A矩阵第4行第3列的29.4）

1.2 LQR与极点配置的对比

传统极点配置和LQR都能实现系统稳定，但方法截然不同：

提示：在实际工程中，LQR通常比手动极点配置更受欢迎，因为它能自动平衡性能和控制代价。

2. 从实验室到现实世界：LQR的工程实践

将LQR从理论应用到实际系统，需要跨越几道关键的桥梁。首先是模型准确性——实验室的倒立摆模型往往做了许多简化，而真实系统要考虑更多因素：

• 电机动态特性
• 传感器噪声
• 传动机构非线性
• 计算延迟

2.1 MATLAB/Simulink实现技巧

在Simulink中实现LQR控制器时，有几个实用技巧可以提升模块化程度和可重用性：

1. 封装LQR增益计算：创建一个MATLAB Function块，自动计算K矩阵
2. 参数化Q和R：使用工作区变量而非硬编码值
3. 添加安全限制：在控制器输出端加入饱和限制

function K = calculate_LQR(A,B,Q,R) [K,~,~] = lqr(A,B,Q,R); end

2.2 处理模型不确定性

真实系统往往存在模型误差。增强LQR鲁棒性的常用方法包括：

• 增加积分环节：消除稳态误差
• 结合状态观测器：当不能直接测量所有状态时
• 增益调度：针对不同工作点设计多个LQR控制器

3. 从倒立摆到自平衡车：复杂度升级

两轮自平衡车本质上是一个移动的倒立摆，但增加了几个维度的复杂性：

1. 运动耦合：前后运动与平衡控制相互影响
2. 非完整约束：车轮不能侧向滑动
3. 执行器限制：电机扭矩和速度有限制

3.1 扩展状态空间模型

自平衡车的状态向量通常包括：

• 车身倾斜角及角速度
• 车轮位置及速度
• 有时还包括电机电流

对应的A矩阵会变得更加复杂，需要考虑：

• 车体与车轮的质量分布
• 电机动力学
• 地面摩擦特性

3.2 实践中的调参技巧

选择Q和R矩阵是LQR设计中最具挑战性的部分。对于自平衡车，可以采用以下策略：

1. Bryson规则：根据允许的最大状态偏差和控制量确定Q和R的对角元素
2. 迭代调整：从小值开始，逐步增加直到性能满意
3. 频域分析：检查开环传递函数的幅值裕度和相位裕度

4. 从地面到太空：LQR在航天器中的应用

航天器姿态控制可以看作是在三维空间中的"倒立摆"问题。阿波罗登月舱就使用了LQR的变种进行姿态控制。这类应用带来了新的挑战：

• 强非线性：大角度机动时欧拉方程非线性显著
• 参数不确定性：燃料消耗导致质量特性变化
• 环境干扰：太阳辐射压力、大气阻力等

4.1 应对挑战的技术方案

现代航天器通常结合多种技术增强LQR的性能：

4.2 实际工程考量

航天器控制器的实现还需要考虑：

• 计算资源限制：星载计算机性能有限
• 故障容错：传感器或执行器失效时的应对策略
• 能源效率：最小化控制能量消耗

% 简化的航天器姿态LQR设计示例 J = [1000 0 0; 0 800 0; 0 0 1200]; % 转动惯量 A = [zeros(3) eye(3); zeros(3) zeros(3)]; B = [zeros(3); inv(J)]; Q = diag([1e6 1e6 1e6 1e4 1e4 1e4]); % 强调角度误差 R = eye(3)*1e3; % 控制力矩权重 K = lqr(A,B,Q,R);

5. 超越LQR：现代控制的发展

虽然LQR强大而优雅，但在某些场景下需要与其他技术结合使用：

• 模型预测控制(MPC)：处理输入输出约束
• 鲁棒控制：应对模型不确定性
• 强化学习：在模型不精确时学习最优控制

在实际项目中，我经常采用分层控制架构：上层使用MPC或LQR生成期望轨迹，下层使用PID或滑模控制实现快速跟踪。这种组合既保持了最优性，又增强了鲁棒性。