双关节机械臂自适应模糊反演控制理论与MATLAB仿真实现

简介：面向机械臂智能控制方向的高校本科生与硕士生，该压缩包围绕双关节机械臂的自适应模糊反演控制方法，提供了一套可直接运行的Matlab仿真实现，适用于智能控制、自适应控制及机器人技术等方向的课题研究。包内共9个文件，以4个.m脚本和1个Simulink模型（.mdl）为核心：.m脚本依次实现被控对象建模、模糊隶属度函数设计、控制器构建与结果绘图，.mdl模型则展示完整闭环仿真结构；另附3张仿真结果图和1份文字说明，便于对照曲线验证控制效果。资源整体仅472KB，却涵盖了从模型搭建到结果分析的完整链路；.m函数采用模块化编程，便于移植到其他机械臂模型或修改控制器参数。支持Matlab 2014/2019a/2021a多个版本，说明文档中提供了运行方法与基本排错提示，可帮助读者快速复现。目前已有538人学习下载，适合用于课程设计、实验报告或毕业设计的前期验证与二次开发。

1. 双关节机械臂的自适应模糊反演控制，先把理论框架立起来

双关节机械臂轨迹跟踪的真正难点，不是“多一个关节”，而是参数不确定。惯性矩阵、科里奥利项、重力项只要有质量或杆长不准，计算力矩法就会从指数收敛退化成带静差的 PD 控制。自适应模糊反演控制想解决的就是这件事：反演负责把二阶非线性系统拆成两个递推误差面，保证控制器结构稳定；模糊系统在线逼近模型里说不清的那部分动力学；自适应律让参数不靠离线辨识就自己更新。它适合负载变化、末端质量未知、模型参数不准的机械臂场景。对做机械臂控制仿真、复现自适应控制论文的工程师和研发人员来说，把下面的推导和 MATLAB 脚本对照着看，会比只跑压缩包里的结果图更有收获。

2. 双关节机械臂动力学模型与模糊反演控制的问题提法

2.1 两连杆刚性机械臂的矩阵形式与参数不确定性

最常见的最小复现场景是平面两连杆刚性机械臂，所有质量集中在连杆末端，动力学写成标准矩阵形式：

$M(q)\ddot{q} + C(q,\dot{q})\dot{q} + G(q) = \tau + d$

其中 $q=[q_1,q_2]^T$ 是两个关节角，$M(q)$ 是 $2\times2$ 对称正定惯性矩阵，$C(q,\dot{q})$ 是科里奥利/离心项矩阵，$G(q)$ 是重力项，$\tau$ 是关节力矩，$d$ 是外部扰动。按集中质量假设取 $m_1,m_2,l_1,l_2,g$ 这组参数，$M,C,G$ 的显式表达式为：

$M(q)=\begin{bmatrix} (m_1+m_2)l_1^2+m_2l_2^2+2m_2l_1l_2\cos q_2 & m_2l_2^2+m_2l_1l_2\cos q_2 \ m_2l_2^2+m_2l_1l_2\cos q_2 & m_2l_2^2 \end{bmatrix}$

$C(q,\dot{q})=\begin{bmatrix} -m_2l_1l_2\sin q_2,\dot{q}_2 & -m_2l_1l_2\sin q_2(\dot{q}_1+\dot{q}_2) \ m_2l_1l_2\sin q_2,\dot{q}_1 & 0 \end{bmatrix}$

$G(q)=\begin{bmatrix} (m_1+m_2)gl_1\cos q_1+m_2gl_2\cos(q_1+q_2) \ m_2gl_2\cos(q_1+q_2) \end{bmatrix}$

这套式子是“被控对象”，控制器里不允许直接出现真实的 $m_1,m_2$。很多初学实现把 $M,C,G$ 既当模型又当控制器的一部分，那其实是计算力矩法，不是自适应控制。这里要区分清楚：仿真里用真实参数给被控对象，模糊系统逼近的则是控制力矩 $\tau$ 要抵消的那部分复合未知项。

需要特别提醒的是 $C$ 矩阵的取法并不是唯一的。这里采用满足 $\dot{M}=C+C^T$ 的形式，即 $\dot{M}-2C$ 是反对称矩阵。这个属性在后面稳定性分析中会让 $z_2^T(\dot{M}-2C)z_2=0$，是反演设计里最常用的一个手法。如果从别的论文里直接抄一个不同形式的 $C$ 矩阵，但沿用这里的稳定性推导，多出来的项会让闭环分析对不上。仿真复现时先检查 $C$ 矩阵是否满足这个关系。

2.2 控制目标与反演设计的误差变量

控制目标是让关节角 $q$ 跟踪一条充分光滑的参考轨迹 $q_d(t)$，跟踪误差 $z_1=q-q_d$ 最终进入原点附近的小邻域，同时控制力矩保持在合理范围。自适应模糊反演的基本思路是分两步，不直接对 $q$ 设计力矩，而是先设计一个虚拟控制：

$\alpha_1 = \dot{q}_d - K_1 z_1$

其中 $K_1$ 是正定增益矩阵。这里把 $\dot{q}_d-K_1z_1$ 当作“希望 $\dot{q}$ 具备的形式”。如果 $\dot{q}$ 真的等于 $\alpha_1$，那么 $z_1'=-K_1z_1$，跟踪误差指数收敛。但 $\dot{q}$ 不会自动等于 $\alpha_1$，二者之差定义为：

$z_2 = \dot{q} - \alpha_1$

于是 $z_1' = z_2 - K_1 z_1$。控制目标从“让 $q$ 直接跟踪 $q_d$”转成“让 $z_2$ 尽快收敛到零”。只要 $z_2\to 0$，$z_1$ 就指数趋近零。这一步把二阶系统的控制问题拆成两个一阶误差面的递推，这就是反演控制名称的由来。

第二个误差面 $z_2$ 表达式中包含 $\alpha_1$ 的导数，而 $\alpha_1$ 含 $z_1$ 和 $q_d$，所以要计算：

$\dot{\alpha}_1 = \ddot{q}_d + K_1^2 z_1 - K_1 z_2$

这里用的是 $\dot{z}_1=z_2-K_1z_1$。公式中的 $K_1^2z_1$ 项常被初学实现漏掉，漏掉后虚拟控制导数不完整，仿真里误差会出现振荡却不收敛。这是我拿到这类代码后第一优先检查的位置。

为什么不用传统的线性参数化自适应？标准模型参考自适应反演要求 $M,C,G$ 满足线性参数化（LP）条件，即未知动力学可以写成回归矩阵 $Y(q,\dot{q})$ 乘常数未知向量 $\theta$。纯刚体模型下这个条件成立，但一旦加入摩擦、死区、非线性负载，LP 结构就被破坏。模糊系统恰好不依赖这种结构：只要被逼近函数充分光滑，模糊基函数就能在紧集内任意逼近，配合自适应律在线调整权值。这是“自适应模糊反演”而不是“标准自适应反演”的核心理由。

3. 自适应模糊反演控制器的分步推导

3.1 从误差动力学看控制器必须补偿什么

把第二个误差面求导，代入机械臂动力学。因为 $\dot{q}=z_2+\alpha_1$，展开后得到：

$M\dot{z}_2 = \tau - W - Cz_2 + d$

其中未知复合项为：

$W = C\alpha_1 + G + M\dot{\alpha}_1$

这一项包含了模型参数和虚拟控制导数，正是控制器需要精确补偿、但实际又不知道的部分。取李雅普诺夫函数 $V=\frac12 z_1^Tz_1+\frac12 z_2^TMz_2$，求导后利用 $z_1'=z_2-K_1z_1$ 和 $\dot{M}=C+C^T$：

$V' = -z_1^TK_1z_1 + z_1^Tz_2 + z_2^T(\tau - W + d)$

如果 $W$ 已知，取 $\tau^* = W - z_1$ 就能消掉交叉项 $z_1^Tz_2$，得到 $V'=-z_1^TK_1z_1+z_2^Td$，在有界扰动下闭环一致终极有界。问题是 $W$ 里藏着真实 $M,C,G$，控制器拿不到。模糊系统要补上的就是这个“孔”。

3.2 用模糊逻辑系统在线逼近未知复合项

采用乘积推理机、单值模糊器、中心平均解模糊化的标准模糊系统。对每个输入变量定义若干高斯隶属函数，输入向量 $x\in\mathbb{R}^n$，第 $r$ 条规则的模糊基函数为：

$\varphi_r(x)=\dfrac{\prod_{i=1}^{n}\mu_{i,j_{r,i}}(x_i)}{\sum_{r=1}^{R}\prod_{i=1}^{n}\mu_{i,j_{r,i}}(x_i)+\varepsilon}$

其中 $R=\prod_i N_i$ 为规则总数，$N_i$ 是第 $i$ 个输入的隶属函数个数，$\varepsilon$ 是防除零的小常数。于是 $W$ 的两个分量分别用两个模糊系统逼近：

$\hat{W}_i(x)=\theta_i^T\varphi(x),\quad i=1,2$

$\theta_i$ 是 $R$ 维权值向量，也就是自适应参数。这里输入 $x$ 选什么，直接决定规则数。如果严格按“把所有状态和跟踪信号都放进去”的做法，取 $x=[q_1,q_2,\dot{q}_1,\dot{q}_2,z_1,z_2]$ 六个变量，每个变量分 3 个隶属函数，规则数是 $3^6=729$，每个 $\theta_i$ 就有 729 维；如果每个变量分 5 个，规则数膨胀到 15625 条，普通笔记本做变步长积分会非常慢。

工程代码里常见做法是先降维。下面这套实现把模糊输入取成四个误差信号 $x=[z_{1,1},z_{1,2},z_{2,1},z_{2,2}]$，每个变量 3 个高斯隶属函数，规则数压到 $3^4=81$，再用自适应律在线补足输入选择受限带来的额外逼近误差。代价是理论上只能说逼近误差有界，最终稳态误差界会比全状态输入时略大，但换来的是代码能跑、调参直观。对复现论文实验来说，这个折中很实用。

3.3 自适应律与李雅普诺夫稳定性结论

控制器取：

$\tau = \hat{W} - z_1$

也就是用模糊输出替代理想控制律里的 $W$，同时保留 $-z_1$ 项用于抵消第一个误差面交叉项。把 $\theta_i$ 的最优逼近权值记为 $\theta_i^*$，逼近误差 $w_i=W_i-\theta_i^{T}\varphi$ 有界 $|w_i|\le \bar{w}_i$。定义参数误差 $\tilde{\theta}_i=\theta_i-\theta_i^$，自适应律采用带 σ 修正的形式：

$\dot{\theta}i = \Gamma_i\big(z{2,i}\varphi(x) - \sigma_i\theta_i\big),\quad i=1,2$

$\Gamma_i$ 是正定学习率矩阵，实现中取标量乘单位阵；$\sigma_i>0$ 是漏项系数。σ 修正项的作用是防止参数在持续激励不足时无限漂移，工程仿真里必须加，不加就会出现“误差已经收敛但 $|\theta|$ 缓慢线性增长”的典型现象。

把控制器和自适应律代入 $V$ 的导数，利用 $\tilde{\theta}^T\theta=\frac12(|\tilde{\theta}|^2+|\theta|^2-|\theta^*|^2)$ 整理得到：

$V'\le -z_1^TK_1z_1 - \frac{\sigma}{2}|\tilde{\Theta}|^2 + \frac{\sigma}{2}|\Theta^*|^2 + |z_2|(\bar{w}+\bar{d})$

其中 $\bar{d}$ 是扰动上界，$|\tilde{\Theta}|^2=|\tilde{\theta}_1|^2+|\tilde{\theta}_2|^2$。这个不等式说明：当 $V$ 足够大时 $V'$ 为负，闭环信号有界，跟踪误差一致终极有界。注意结论不是“误差收敛到零”，而是“收敛到原点的可调邻域”，邻域大小由 $K_1$、σ、模糊逼近误差上界和扰动上界共同决定。仿真里看到 ±0.01 rad 量级的稳态误差，大概率是设计内行为，而不是代码写错了。

3.4 实现时自适应参数放进状态向量

实现中 $\theta_1,\theta_2$ 不能作为全局变量放在导数函数里更新，否则 ode45 的变步长机制会破坏每一步“状态-参数”的同步，结果不可复现。常见做法有两个：一是把 $\theta$ 作为扩展状态，$X=[q;\dot{q};\theta_1;\theta_2]$，直接交给 ode45，但状态维度会到 $4+2R$，R 大时变步长积分变慢；二是自写固定步长 RK4，每一步同时更新 $q,\dot{q},\theta_1,\theta_2$。下面采用第二种，R=81 时状态维度 166，RK4 固定步长足够稳，代码也容易逐行看懂。

4. MATLAB 仿真实现：脚本结构、运行方法与结果曲线

4.1 文件组成与最小运行命令

这类压缩包一般包含主脚本、被控对象模型、模糊基函数、参考轨迹和结果图。文件命名可能不同，按职责替换即可。这里整理一套可直接运行的版本：

运行方法：把所有.m文件解压到同一目录，MATLAB 当前路径切换到该目录，命令行输入main_backstepping回车，或者打开主脚本直接点“运行”。R2016b 之后的版本都不需要额外工具箱。如果直接运行报“未定义函数”，第一反应是当前路径没切对，不是代码问题。中文注释在老版本 Windows MATLAB 里可能出现乱码，把.m文件另存为 UTF-8 或 GBK 即可。

4.2 主脚本与核心控制函数

主脚本里先设参数，再初始化状态，最后循环积分：

%% 主脚本：双关节机械臂自适应模糊反演控制 clear; clc; close all; % 被控对象真实参数（控制器不知道这些值） params.m1 = 1.0; params.m2 = 1.0; params.l1 = 1.0; params.l2 = 1.0; params.g = 9.8; % 控制与自适应参数 params.K1 = diag([5, 5]); params.K2 = diag([5, 5]); params.gamma = 20; % 学习率 params.sigma = 0.01; % sigma修正系数 % 模糊系统：4个输入，每个3个高斯隶属函数 nMF = 3; params.xrange = [-1 1; -1 1; -2 2; -2 2]; % z1_1,z1_2,z2_1,z2_2 量程 [params.c, params.sig] = build_mf(params.xrange, nMF); params.R = nMF^4; % 规则数 = 81 % 固定步长 RK4 积分 dt = 0.005; T = 10; t = 0:dt:T; N = length(t); X = zeros(4 + 2*params.R, N); X(1:4, 1) = [0.2; -0.3; 0; 0]; % 初始 q1, q2, dq1, dq2 X(5:end, 1) = 0; % 自适应参数从零开始 % 记录控制量与误差 tau = zeros(2, N-1); z1_rec = zeros(2, N-1); z2_rec = zeros(2, N-1); for k = 1:N-1 [~, tau(:,k), z1_rec(:,k), z2_rec(:,k)] = ... plant_and_control(t(k), X(:,k), params); X(:,k+1) = rk4_step(@(tt,xx) plant_and_control(tt,xx,params), ... t(k), X(:,k), dt, params); end

参数含义：K1决定第一个误差面的收敛速度，K2决定第二个误差面的阻尼，gamma是自适应学习率，sigma是参数漂移抑制系数。8自己体会：循环里多调一次plant_and_control只是为了记录力矩和误差，实际积分只取第一个返回值，代码是慢了一点，但每一步状态与参数完全对齐。

核心函数plant_and_control.m同时完成三件事：计算控制器、计算被控对象动力学、计算自适应律：

function [dX, tau, z1, z2] = plant_and_control(t, X, params) % X = [q1; q2; dq1; dq2; theta1; theta2] q = X(1:2); dq = X(3:4); theta1 = X(5:4+params.R); theta2 = X(5+params.R:end); [qd, dqd, ddqd] = ref_traj(t); z1 = q - qd; alpha1 = dqd - params.K1 * z1; % 虚拟控制 z2 = dq - alpha1; % 模糊输入取误差信号，计算基函数 x_fuzzy = [z1; z2]; phi = fuzzy_basis(x_fuzzy, params.c, params.sig); % 模糊系统输出两个关节的 W_hat Theta = [theta1'; theta2']; % 2 x R W_hat = Theta * phi; % 2 x 1 % 控制力矩：tau = W_hat - z1 tau = W_hat - z1; % 被控对象：M(q)ddq + C(q,dq)dq + G(q) = tau + d [M, C, G] = two_link_model(q, dq, params); d_pert = [0.2*sin(3*t); 0.2*cos(3*t)]; % 外部扰动 ddq = M \ (tau + d_pert - C*dq - G); % 自适应律：带 sigma 修正 dtheta1 = params.gamma * (z2(1)*phi - params.sigma*theta1); dtheta2 = params.gamma * (z2(2)*phi - params.sigma*theta2); dX = [dq; ddq; dtheta1; dtheta2]; end

逻辑顺序是：先算误差面和虚拟控制，再用模糊基函数得到 $\hat{W}$，组合出力矩，然后把力矩送进被控对象求 $\ddot{q}$，最后用 $z_2$ 和基函数更新自适应参数。注意tau = W_hat - z1里的-z1不能省，它是反演设计里抵消交叉项的关键。模糊基函数fuzzy_basis.m中每个输入的高斯隶属函数宽度直接取该变量量程的 60% 除以隶属函数间距，量程设太窄会让基函数迅速饱和，这一点在第五章继续讲。

4.3 仿真参数与结果判读

按上面的参数组合，参考轨迹取 $q_d=[\sin t;\cos t]$，初始关节角偏差 $[0.2;-0.3]$，加入幅值 $0.2$ 的正弦扰动。仿真结果通常表现为：前 0.5 到 1 秒内两个关节角快速跟上参考轨迹，跟踪误差进入 $10^{-2}$ rad 量级；控制力矩连续且没有高频抖振，幅值在几十 N·m 量级，具体取决于K1、K2。如果力矩曲线出现锯齿状振荡，先降低gamma或加大sigma，而不是怀疑模糊系统写错了。

绘图代码中主要看三类曲线：$q_1,q_2$ 与参考轨迹的对比、跟踪误差 $z_1$、控制力矩 $\tau$。跟踪误差曲线最容易暴露问题：如果误差单调收敛后稳定，说明控制器与自适应律配合正常；如果误差在零附近做等幅振荡，多半是gamma过大导致参数抖动；如果误差收敛后缓慢漂移，优先查sigma是否太小。

%% 结果绘图 q1 = X(1,:); q2 = X(2,:); [qd1, qd2] = ref_traj(t); figure; subplot(2,1,1); plot(t, q1, 'b', t, qd1, 'r--', 'LineWidth', 1.2); legend('q_1', 'q_{1d}'); xlabel('t/s'); ylabel('q_1/rad'); subplot(2,1,2); plot(t, q2, 'b', t, qd2, 'r--', 'LineWidth', 1.2); legend('q_2', 'q_{2d}'); xlabel('t/s'); ylabel('q_2/rad'); figure; plot(t(1:end-1), z1_rec(1,:), 'r', t(1:end-1), z1_rec(2,:), 'b', 'LineWidth', 1.2); legend('z_{1,1}', 'z_{1,2}'); xlabel('t/s'); ylabel('跟踪误差/rad');

ref_traj.m返回三行输出，分别对应位置、速度、加速度，这在plant_and_control里一次取齐。以后换参考轨迹时只需要改这个文件，控制器不用动。如果想把误差收敛再压一个量级，可以同时增大K1、K2并适当提高gamma，但要留意力矩幅值会同步上升。

5. 调参边界与验证技巧：自适应模糊反演控制器的可靠跑法

5.1 先用“关自适应”做对照实验

判断模糊项是否真正生效，最直接的办法是做一组对照：在plant_and_control里加一个开关enable_adapt，关闭时令dtheta1=0; dtheta2=0，此时控制器退化成“固定模糊权值的反演控制”，误差主要靠K1、K2的 PD 性质压住。同一参考轨迹下先关自适应跑一遍，再开自适应跑一遍，对比 $z_1$ 曲线。如果两条曲线差别很小，说明模糊项基本没起作用，隶属函数量程或输入选择可能有问题；如果差别明显，说明自适应确实在补偿 $W$。这个实验 5 分钟出结果，比盯着误差曲线猜快得多。

5.2 隶属函数量程与学习率的边界

隶属函数量程是最容易被忽略的坑。先用一次开环或初值实验记录四个模糊输入的 min 和 max，再把params.xrange的上下限设为该范围的 1.2 倍。量程太窄时，误差信号一超出范围，所有高斯隶属函数输出同时接近 0，归一化后 $\varphi$ 趋向均匀分布，模糊逼近失效；量程太宽时，高斯函数重叠区太大，基函数对输入变化不敏感，收敛速度明显下降。学习率gamma从 10 起步，每次乘 2，观察 $z_2$ 或力矩是否出现高频振荡。gamma过大时参数更新步长过大，力矩曲线会变得毛糙。sigma一般取 0.001 到 0.1 之间，太大相当于给参数加阻尼，稳态误差变大；太小则 $|\theta|$ 可能出现缓慢漂移。

5.3 换参考轨迹验证泛化性

把ref_traj.m里的正弦轨迹换成频率不同或带过渡段的轨迹，比如 $q_d=[0.5\sin(2t);0.3\cos(1.5t)]$，同时把params.xrange按新轨迹的误差范围同步调整。如果跟踪仍然稳定，说明模糊自适应项不是过拟合到某条特定轨迹。如果换了轨迹后误差变大，优先检查模糊输入量程，而不是怀疑反演设计。最后一个实用技巧：把dt从 0.005 减小到 0.001 重新跑一遍，若误差曲线发生明显变化，先怀疑积分步长，而不是控制器。

本文还有配套的精品资源，点击获取