一阶倒立摆PID与LQR控制：从建模到实物调试全解析

简介：在机器人控制与自动化工程中，倒立摆系统以其开环不稳定的特性，成为验证PID控制与LQR控制等经典算法的典型平台。其核心在于通过状态空间模型描述小车与摆杆的耦合动力学，并利用反馈稳定控制解决正实部极点问题。PID控制依赖串级双闭环结构和工程整定，直观易行；LQR控制则基于线性二次型最优控制理论，通过加权矩阵实现多状态协同优化。这两种方法广泛应用于平衡小车、无人机姿态控制等场景。本文基于一阶倒立摆项目，详细剖析从动力学建模、Simulink仿真到实物调试的完整链路，并分享参数整定与抗扰经验，帮助读者建立从理论到工程实践的系统性认知。 收到一个叫「一阶倒立摆的PID控制和LQR控制.zip」的项目包，我大概能猜到里面装了什么：一份参数脚本、若干Simulink模型或MATLAB代码、可能还配了一篇实验报告。倒立摆这东西在自动化、控制工程、机器人相关专业里几乎是必经之路，无论是课程设计、毕业设计还是自学入门，它都是检验你对经典控制理论和现代控制理论掌握程度的经典试金石。这个压缩包的价值不在于里面有多少代码，而在于它同时覆盖了两套风格完全不同的控制思路——PID靠直觉和调整，LQR靠数学和优化。你拿到这个包，如果只是跑通仿真，那收获很有限；如果你愿意把模型、原理、参数整定逻辑全部吃透，基本可以横向迁移到无人机姿态控制、平衡小车、机械臂关节控制这些更热门的项目上去。

这篇文章就按我自己的复盘习惯来写：先说清楚这个项目到底在做什么、模型怎么建，再分别拆PID和LQR两套方案的实现细节，最后聊聊从仿真搬到实物时最容易踩的坑。无论你是刚接触控制理论的学生，还是想做毕设但被调参折磨的实操党，应该都能从里面找到可以直接抄作业的东西。

1. 项目定位：先搞清楚你在控制一个什么系统

1.1 “一阶倒立摆”里的“一阶”到底指什么

很多初学者第一次看到“一阶倒立摆”这个名字，会以为系统是一阶的。这是个常见的误解。“一阶”在这里指的是摆杆的数量——只有一根摆杆，对应“一级倒立摆”。系统本身的阶数并不低，以最典型的直线一级倒立摆为例，小车在导轨上平动、摆杆绕转轴转动，合起来是一个四阶系统：状态量包括小车位移、小车速度、摆杆角度、摆杆角速度。

为什么强调这一点？因为阶数直接决定了控制策略的选择空间。如果是真的“一阶系统”，一个P控制器往往就够了；但对于四阶不稳定系统，你面临的是一个同时存在正实部极点（开环不稳定）、多变量耦合、执行器饱和限制的问题。这也是为什么倒立摆适合同时作为PID和LQR的教学对象：两套方法从不同角度解决同一个问题，正好做对比。

1.2 打开压缩包之后，先看这四样东西

按照我的经验，这类项目包里通常包含四种内容，它们的阅读顺序也有讲究：

• 说明文档或实验指导书：先看这个，搞清楚被控对象的物理参数，比如小车质量、摆杆质量、摆杆长度、摩擦系数、编码器分辨率。
• 数学模型文件：可能是.m脚本、.slx模型或者Python脚本，对应状态空间矩阵或传递函数。
• 控制器实现文件：要么是Simulink里的控制回路，要么是纯代码写的控制律。
• 实验数据或波形图：如果有，这其实是调参的宝藏，能帮你看出原作者的参数整定思路。

我见过不少学生拿到压缩包直接双击打开Simulink模型，点运行，看到波形觉得“哦跑起来了”，然后关掉。这其实是最亏的打开方式。正确做法是先对照文档把模型参数抄下来，自己从零推导一遍动力学方程，再去对照包里的模型对不对。这个过程看着费时间，但能把“拿来跑”变成“会改”。

1.3 这个项目和平衡小车、自平衡机器人是什么关系

如果你对这个项目有兴趣，大概率也会对平衡小车这类东西感兴趣。它们本质上是同一类问题：一个开环不稳定的系统，需要通过反馈控制让它稳定在某个平衡点附近。倒立摆和平衡小车的区别在于，倒立摆一般是在固定轨道上运动，自由度少、约束多，更适合做控制理论的验证；而平衡小车自由度更多，还要考虑轮子打滑、地面摩擦等不确定性。

但控制核心是相通的：你需要一个传感器（编码器或IMU）测角度，一个执行器（电机）产生力矩或力，一个控制器（PID或LQR）计算控制量。所以你在倒立摆上调参数的经验——比如先调内环再调外环、注意微分噪声、警惕执行器饱和——拿到平衡小车上一样适用。

2. 动力学建模：所有控制方案的地基

2.1 从牛顿力学到状态空间方程

要设计控制器，先得有被控对象的数学模型。一阶直线倒立摆的建模过程在大多数教科书中都有，但我还是建议你自己推一遍，因为推完你才能理解为什么A矩阵里某些项是正数、为什么系统不稳定。

设小车质量M、摆杆质量m、摆杆质心到转轴距离l（注意，如果摆杆全长是L，质心距离不是L而是L/2）、转动惯量I、小车与导轨间的摩擦系数b。设小车位移x、摆杆与竖直向上方向的夹角θ。对小车和摆杆分别做受力分析，消去内部约束力后可以得到两个方程：

(M + m) * x'' + b * x' + m * l * θ'' = F

m * l * x'' + (I + m * l²) * θ'' - m * g * l * θ = 0

第一个方程描述小车在水平方向的受力平衡，F是电机作用在小车上的水平力；第二个方程描述摆杆绕转轴的转动，注意θ项前面的负号。为什么有个负号？因为当θ为正（摆杆向右倾斜），重力矩会让θ继续增大的方向，也就是说系统是天然失稳的。把这个负号理解到位，你就能明白为什么倒立摆不加控制就一定会倒。

把这两个方程联立，消去x''和θ''，改写成状态空间形式。定义状态向量为[x, θ, x', θ']，得到：

d/dt[x] = [x']，这个关系本身没什么说的。

关键在于A矩阵的第三、四行，它们反映了加速度与状态之间的关系。代入一组经典实验参数（比如M=1.096kg，m=0.109kg，l=0.25m，I=0.0034kg·m²，b=0.1N·s/m），算出来的A矩阵中会有一个大约5.3的正实部极点。这就是倒立摆“撑不住”的根源。

2.2 非线性模型和线性化：小角度假设的边界在哪

上面给出的方程其实已经是小角度线性化之后的结果。完整的非线性模型里，θ''项前面是cosθ，还有θ'² sinθ这种离心力项。控制器设计时，我们默认θ很小（接近0），所以sinθ≈θ，cosθ≈1，θ'²这种二阶小量直接忽略。

这个假设在仿真里看起来云淡风轻，但在实物上非常致命。如果你把摆杆从45度甚至更大的角度释放，线性控制器输出的控制力可能会完全错误。我自己的经验是：线性控制器（无论是PID还是LQR）能可靠恢复的角度范围大致在±15度以内，再大就需要先做摆起控制（swing-up）或者人工扶正。这也是为什么实物调试的第一条规则是：手扶着摆杆，等控制器输出稳定后轻轻松手，而不是直接放手让它自己站起来。

2.3 参数测量：仿真参数和实物参数差距有多大

很多人在仿真里用一组参考参数调好控制器，搬到实物上发现完全不工作，于是怀疑控制器写错了。其实大概率是模型参数和实物对不上。

举几个具体例子：

• 摆杆质量m：实验室摆杆上标称值和实际质量可能有偏差，尤其如果上面还加了配重或传感器。
• 质心距离l：不是随便拿尺子量摆杆长度就行，要找到质心位置。均匀杆的质心在中点，但有些摆杆带加固结构，质心会偏移。
• 转动惯量I：这个最麻烦，因为形状不规则。可以用经验公式估，也可以通过摆动实验反推。

如果你要实物控制，我的建议是做一步参数辨识：把摆杆当作自由摆，记录它小角度摆动的周期，反推转动惯量；给小车一个阶跃力，记录加速度响应，估算摩擦系数和等效质量。这比直接抄仿真参数靠谱得多。

3. PID控制方案：串级结构才是实物能跑的版本

3.1 为什么单环PID稳定不住摆角

如果你试着只用一个PID控制器，输入是摆角θ，输出是力F，你会发现调参特别痛苦。原因在于：单环PID只考虑了角度反馈，但小车的位置和速度是完全自由的。摆杆稳定在直立时，可能小车正在高速向某个方向飞奔，最终冲出导轨限位。

从控制理论的角度解释，系统是四阶的，而你只反馈了一个状态变量θ，剩下三个状态（x、x'、θ'）中至少有两个没有受到任何约束。所以严格意义上的“PID控制倒立摆”，在工程上通常实现为串级PID（双闭环）。

3.2 双闭环串级PID的结构与整定顺序

串级结构是：外环是位置环，输入是目标位置与实际位置的偏差，输出是一个目标摆角θ_ref；内环是角度环，输入是θ_ref与实际θ的偏差，输出是控制力F。

为什么外环输出的是角度而非直接输出力？因为角度是位置变化的“源”，小车要往右走，必须先让摆杆向右倾斜一个角度，重力分量才会拉着小车往右加速。这套思路理解透彻了，PID控制倒立摆的调参方向就很清楚：角度环保证稳定，位置环保证不飘。

我建议的整定顺序是：

1. 先断开位置环，角度环给定θ_ref=0，只调PD参数。Kp从小往大加，加到摆杆能对抗重力回正。有一个粗略的参考：Kp至少要大于mgl（重力矩系数），否则控制力矩根本压不住重力。Kd负责阻尼，减小振荡，但太大会放大噪声。
2. 角度环稳定后，给θ_ref一个正弦或阶跃信号，看跟踪效果。这个环节实际上是在验证“角度内环的带宽够不够”。
3. 接上位置环。位置环的比例系数从很小的值开始加，比如0.2，慢慢加大。位置环作用太强会导致θ_ref频繁饱和，反而让角度环崩溃。

3.3 PID控制器参数选择和代码模板

假设我们的状态变量顺序是[x, θ, x', θ']，控制周期是dt，用一段极简的Python伪代码展示串级PID的控制律：

import numpy as np # 控制器参数（具体值需要按模型调整） Kp_angle = 60.0 # 角度环比例 Kd_angle = 8.0 # 角度环微分 Kp_pos = 1.2 # 位置环比例 Kd_pos = 0.8 # 位置环微分 max_theta_ref = 0.3 # 位置环输出限幅，单位弧度 # 状态估计：这里假定可以直接读取 def update(x_meas, theta_meas, v_meas, omega_meas, x_ref, dt): # 位置环：输出期望摆角 pos_error = x_ref - x_meas theta_ref = Kp_pos * pos_error - Kd_pos * v_meas theta_ref = np.clip(theta_ref, -max_theta_ref, max_theta_ref) # 角度环：输出控制力 theta_error = theta_ref - theta_meas F = Kp_angle * theta_error - Kd_angle * omega_meas return F

注意几个细节：

• 角度环的微分项直接用了角速度测量值，而不是对误差做差分。这样能减少高频噪声放大。
• 位置环一般不加积分项，因为加了积分容易引起位置超调和限幅饱和。如果确实有稳态误差，优先考虑机械零点校准，而不是加积分。
• 控制力F在真实系统里最终要换算成电压或PWM占空比，换算系数取决于电机和驱动器的特性。

3.4 PID控制的不可能三角

PID调参时间长了，你会遇到一个很典型的矛盾：想让摆角更硬（抗扰动强），就要加大Kp；但Kp太大，控制力波动大，电机容易啸叫甚至过热。想让小车位置稳，就要加大位置环增益；但位置环太激进，摆角会大幅摆动甚至失稳。想让系统更平滑，就要加大阻尼；但阻尼太强，响应变慢，抗扰动能力下降。

这个“不可能三角”在PID框架内没有完美解法，只能根据需求取舍。如果你做的是课程设计，通常要求是“摆角稳定在±2度内、位置误差在±1cm内”，按这个标准去调就行。如果你做的是竞赛或实物产品，可能还要加前馈、加陷波滤波器，这些都是后话了。

4. LQR控制方案：从最优控制的角度看同一问题

4.1 LQR的核心思想和适用前提

LQR（线性二次型调节器）的处理方式完全不同：它不再把问题拆成角度和位置两个环路，而是把四个状态变量统一放进一个性能指标里，通过优化得到一个状态反馈矩阵K，使得控制律u = -K·x在某种意义下“最优”。

性能指标是：

J = ∫ (xᵀ Q x + uᵀ R u) dt

Q矩阵对应状态的权重，R对应控制量的惩罚。Q越大，状态偏差收敛越快；R越大，控制动作越温和。这个优化问题的解析解是Riccati方程，主流科学计算库都有现成求解器。

LQR的前提是：所有状态都可测。这是它和PID的一个重要区别——PID反馈两个量（摆角、位置）就够了，LQR需要同时知道四个量（再加上速度、角速度）。这在仿真里毫无障碍，但实物上要额外处理速度和角速度的获取。

4.2 Q和R矩阵的选取：不要靠玄学，用Bryson法则起步

很多初学者卡在LQR的第一个问题就是：Q和R到底怎么选？我给的答案很简单：先按Bryson法则给一个合理初值，再根据仿真结果微调。

Bryson法则的思路是按“允许的最大偏差”来归一化：Q_ii = 1 / (最大允许状态偏差)²，R = 1 / (最大允许控制量)²。

举例来说：

• 位移最大允许偏差0.1m，则q_x = 1/0.1² = 100
• 角度最大允许偏差0.1rad，则q_θ = 1/0.1² = 100
• 速度最大允许偏差1m/s，则q_v = 1/1² = 1
• 角速度最大允许偏差1rad/s，则q_ω = 1/1² = 1
• 控制力最大允许10N，则R = 1/10² = 0.01

于是得到Q = diag([100, 100, 1, 1])，R = 0.01。然后跑仿真，观察：

• 如果控制量一直顶到饱和限幅，说明R太小，增大R。
• 如果角度收敛很慢且位置超调大，说明Q中相应权重太低，增大对应Q值。

4.3 MATLAB和Python的LQR求解与闭环仿真

在MATLAB中，LQR求解非常直接：

% 状态空间矩阵（来自建模部分） A = [0 0 1 0; 0 0 0 1; 0 -m^2*g*l^2/Delta -J*b/Delta 0; 0 m*g*l*(M+m)/Delta m*l*b/Delta 0]; B = [0; 0; J/Delta; -m*l/Delta]; % LQR控制器 Q = diag([100, 100, 1, 1]); R = 0.01; K = lqr(A, B, Q, R); % 闭环系统 Acl = A - B*K; sys_cl = ss(Acl, B, eye(4), zeros(4,1)); % 初始角度偏差仿真 x0 = [0; 0.1; 0; 0]; % 角度偏差0.1rad initial(sys_cl, x0);

Python环境建议用python-control库：

import numpy as np import control as ct # 参数和矩阵定义 M = 1.096; m = 0.109; b = 0.1; l = 0.25; I = 0.0034; g = 9.8 J = I + m*l**2 Delta = (M+m)*J - (m*l)**2 A = np.array([ [0, 0, 1, 0], [0, 0, 0, 1], [0, -m**2*g*l**2/Delta, -J*b/Delta, 0], [0, m*g*l*(M+m)/Delta, m*l*b/Delta, 0] ]) B = np.array([[0], [0], [J/Delta], [-m*l/Delta]]) Q = np.diag([100.0, 100.0, 1.0, 1.0]) R = np.array([[0.01]]) K, S, E = ct.lqr(A, B, Q, R) print("LQR增益K =", K) # 闭环仿真 Acl = A - B @ K sys_cl = ct.ss(Acl, B, np.eye(4), np.zeros((4,1))) x0 = np.array([0, 0.1, 0, 0]) t = np.linspace(0, 5, 1000) _, y = ct.initial_response(sys_cl, T=t, X0=x0)

跑完仿真后看波形：理想的响应是摆角在1-2秒内收敛到0，位移可能会先有一段小小的反向运动（因为要抵消初始角度偏差），然后稳定在0附近。

4.4 LQR增广成LQI：对付系统误差的实用改法

纯LQR有个工程短板：没有积分作用，如果模型有参数偏差或存在恒定摩擦力，系统会存在稳态误差。在仿真里因为模型精确，这个问题不明显；在实物上你会发现小车位置就是差那么一点回不到零点，或者摆角有一个小偏移。

解决办法是增广一个误差积分状态，把系统从LQR升级成LQI（Linear-Quadratic-Integral）。做法是增加一个状态e = ∫(x - x_ref)dt，然后对增广系统重新设计LQR：

# 增广矩阵 A_aug = np.block([ [A, np.zeros((4, 1))], [np.array([[1, 0, 0, 0]]), np.zeros((1, 1))] ]) B_aug = np.vstack([B, 0]) Q_aug = np.diag([100, 100, 1, 1, 50]) # 最后一个对应积分状态权重 R_aug = np.array([[0.01]]) K_aug, _, _ = ct.lqr(A_aug, B_aug, Q_aug, R_aug)

也就是说，控制量变成u = -K_aug·[x; ∫(x-x_ref)dt]。这个改法在实物上非常常用，推荐直接写进你的项目里。

5. 从仿真到实物：实操过程与核心环节迁移

5.1 实验平台的基本硬件构成

如果这个压缩包只是纯仿真项目，你可以跳过本节；但如果你想把它做成实物，我建议关注以下硬件选型：

• 主控：STM32F103或更高性能的MCU，控制周期要求5ms以内，常规单片机足够。
• 角度测量：优先用增量式编码器或绝对式编码器，装在摆杆转轴上。性能远好于IMU，因为编码器没有零漂。
• 位置测量：小车上通常还有一根编码器或光栅尺，测小车在导轨上的位移。
• 执行器：直流减速电机或空心杯电机，通过皮带或齿轮驱动小车。注意电机要能快速响应，力矩是关键指标，最好按需要力的2倍以上选型。
• 驱动器：带电流环的驱动器可以让电机输出更接近“期望力”，但PD控制直接用电压PWM也可以，只是控制律中的K值含义会变。

5.2 控制周期和执行器饱和：两个最容易被忽略的约束

仿真里你可以在任意小的步长内算完控制律，实物不行。控制周期太长，系统会发散；太短，MCU算不过来或微分噪声爆炸。对于一阶倒立摆，经验值是1-5ms。为什么是这个量级？因为系统开环不稳定极点的特征频率大约5rad/s，闭环带宽至少要做到15-20rad/s，按香农采样定理，采样频率至少是带宽的10倍以上，对应采样周期上限大约30ms。但考虑到数字控制的相位延迟，实际要更激进些，1-5ms是比较安全的区间。

执行器饱和是另一个坑。仿真里F可以无限大，实物里电压、PWM占空比都有上限。如果LQR算出的期望控制力经常超过电机输出范围，闭环系统会在大扰动下失控。一个实用的做法：仿真时给控制量加上和实物一致的饱和模块，看看系统在大初始角度、大扰动下是否还能稳定。如果饱和后发散，说明控制器设计得太激进，需要调大R或减小Q。

5.3 状态估计：没有速度传感器怎么办

LQR需要四个状态，但实物上往往只有两个传感器：位置和角度。速度和角速度两种获取方式：

• 最直接的方式：对位置和角度做数值差分。问题在于差分放大了量化噪声，尤其是编码器分辨率不够时，差分出来的速度锯齿状严重。如果编码器每圈2000线、控制周期1ms，一个计数脉冲对应的速度变化会非常大。
• 更稳的方式：用状态观测器（Luenberger观测器）或卡尔曼滤波器。将系统的A、B矩阵放进滤波器中，根据位置和角度测量值实时估计四个状态。这样不仅能得到平滑的速度，还能抑制测量噪声。

如果你只是做课程设计，差分+低通滤波通常够用；如果你要参加竞赛或做项目演示，建议至少做一个基本的观测器。它能明显改善LQR的实物表现。

5.4 实验调试流程：一个可行的具体步骤

我自己在实物上调试时通常按以下流程来：

1. 硬件空转测试：给电机一个阶跃PWM，确认小车运动方向符合预期，记录电机响应延迟。
2. 传感器标定：确认角度编码器零点就是摆杆竖直位置，确认位置传感器量程和方向。
3. 开环扫频或阶跃测试：在摆杆处于低位（稳定下垂状态）时给不同幅值的力，记录小车和摆杆的响应曲线，用来简单验证模型参数。
4. 先跑PD角度环：手扶摆杆，通电后慢慢松手，观察是否有一个“撑住”的瞬间。反复调整Kp和Kd，直到摆杆在小范围内稳定。
5. 加位置环或LQR：如果走PID路线，此时接上位置环；如果走LQR路线，把四个状态通过观测器估计出来，直接切换到状态反馈。
6. 加扰动测试：轻推摆杆，观察恢复过程；再给位置指令，看跟踪效果。

注意，第4步是分水岭。角度环调不通，任何高级算法都白搭。

6. 常见问题与排查技巧实录

6.1 高频问题速查表

6.2 调参阶段最容易让人崩溃的三个坑

第一个坑是“参数好像有效，但波形逐渐变差”。这通常是温度升高或者电池电压下降导致的执行器特性漂移。解决办法不是无限纠结K值，而是加入执行器电压闭环（电流环）或者对控制量做归一化处理。

第二个坑是角度单位换算错误。Simulink里默认弧度，但很多编码器输出的是计数或角度值。如果你在代码里把角度直接当弧度用，Kp等于整整差了57.3倍，系统不散才怪。我建议在代码里统一封装单位转换函数，并在计算控制量之前打印出来核对一遍。

第三个坑是往Simulink模型里堆模块导致仿真步长不可控。有人喜欢用零阶保持器把控制器整成离散的，但仿真步长没有同步改小，结果控制周期变成了伪随机数。更稳妥的做法是调成定步长求解器，步长设置为控制周期的十分之一。

6.3 排查逻辑：先分环节，再找元凶

遇到问题不要直接改参数，先按链路排查：传感器数据是不是平滑的？控制量有没有正确输出到执行器？执行器有没有真正产生力？我见过一个案例，折腾了整整两天，最后发现是电机驱动器的使能引脚被误接了，PWM根本没输出。先确认每一段信号通路正常，再谈调参。

另外一个实用的技巧：在代码里把各个中间变量（传感器原始值、滤波后的值、PID三项各自的输出、最终控制量）通过串口打印出来或记录下来。波形异常时，回看这些日志能迅速定位是哪一层出了问题。不要凭感觉调，要让数据说话。

7. 从项目包到个人技能的延伸建议

如果你已经成功跑通这个项目，我强烈建议你继续做三件事：

第一，把PID控制器改成纯Python或C语言实现，丢掉Simulink依赖。这样你对控制律的理解会更底层，也为后续移植到嵌入式平台打基础。

第二，给系统加一个摆起控制（swing-up）。让摆杆从自然下垂状态自己荡起来，到达直立区域后再切入PID或LQR。这个过渡逻辑看似简单（能量控制+切换），但它能帮你建立“混合控制”的概念，这在很多真实机器人系统里非常常见。

第三，改变被控对象的参数（比如换一根更重的摆杆），重新整定参数。这看似无趣，但能让你真切体会到模型对控制性能的制约。那个时候你会发现，PID和LQR调参的很多经验其实是相通的——核心都是“匹配系统的动态特性”。

我在自己做这个项目时最大的体会是：倒立摆的建模和控制器设计本身是标准化的，难点其实在“工程化的细节”——传感器噪声、执行器饱和、控制周期、单位换算、参数漂移。这些问题在教科书里被大幅简化，却恰恰是决定一个控制系统能不能真正跑起来的关键。这个压缩包给了你一个很完整的起点，但它的终点应该是你脑中的一套方法论，而不是磁盘上的一堆文件。

本文还有配套的精品资源，点击获取