简介本资源是一套面向自动化、控制工程专业本科生及初学者的二阶倒立摆控制系统MATLAB/Simulink实践教学包聚焦经典非线性系统建模、稳定性分析与多种控制策略对比验证。压缩包共6个文件3个Simulink模型.mdl、2个MATLAB脚本.m、1个模糊推理系统.fis总大小仅19KB轻量易用其中.mdl文件实现PID、滑模等不同结构的闭环仿真.m文件封装系统动力学模型与核心算法.fis文件提供可调参的模糊控制器便于理解规则设计与实时响应特性。已有1176人学习下载适用于课程设计、控制原理实验及毕业设计前期验证。读者可直接运行仿真观察角位移/小车位置响应曲线对比不同控制器在抗扰性、超调与稳态精度上的差异并基于源码快速修改参数、替换控制律或拓展为状态反馈设计是贯通理论推导—编程实现—仿真分析全流程的典型入门范例。1. 项目缘起从经典难题到动手实践如果你在自动化、机械电子或者控制理论领域摸爬滚打过一阵子大概率听说过“倒立摆”这个玩意儿。它不是什么新潮的科技产品但绝对是控制领域里一块经久不衰的“试金石”。简单说就是一根杆子底部连接在一个可以水平移动的小车上你的任务是通过控制小车的左右移动让这根杆子保持竖直不倒。听起来有点像杂技演员用下巴顶着一根长杆只不过我们是用算法和电机来代替人的肌肉和神经。而“二阶倒立摆”则是这个游戏的“地狱模式”。它有两根杆子像一根钓鱼竿的竿稍又接了一节更细的梢子两级串联底部同样由小车驱动。它的不稳定性和非线性特性被急剧放大对控制算法的鲁棒性、响应速度和抗干扰能力提出了近乎苛刻的要求。很多教科书上高大上的控制理论比如状态反馈、最优控制、模糊控制乃至神经网络都会拿它来做仿真验证和性能比拼。所以当你看到“二阶倒立摆_matlab_控制系统”这个标题时它背后隐含的是一系列非常具体的问题这个系统的数学模型到底怎么建立在MATLAB/Simulink里如何把它“搭建”出来PID、LQR这些控制器该怎么设计和调试仿真跑起来和理论分析有多大差距我最初接触这个项目是为了给一门研究生课程的大作业“找点有挑战性的乐子”。课本上的单摆例子已经玩腻了就想试试这个更刺激的。结果发现虽然网上资料不少但要么是只给理论公式要么是只贴一张完美的仿真结果图中间从推导到实现从调参到分析的那些“脏活累活”和“坑”很少有人系统性地讲透。这次我就把自己从零开始在MATLAB里构建、仿真并分析一个二阶倒立摆控制系统的完整过程包括那些卡住我很久的细节和最终跑通后的心得毫无保留地分享出来。无论你是相关专业的学生在做课程设计还是工程师想验证某个先进控制算法这篇文章都能提供一个可直接复现的、细节拉满的参考框架。2. 核心原理拆解二阶倒立摆的动力学建模动手写代码之前我们必须搞清楚要控制的这个“对象”到底遵循什么物理规律。这是所有控制设计的基石模型建得准后续仿真才有意义。二阶倒立摆是一个典型的欠驱动、多变量、强非线性系统我们通常采用拉格朗日方程来推导其动力学模型因为它能系统性地处理复杂约束比牛顿-欧拉法更清晰。2.1 系统定义与假设我们先明确系统参数和假设这是推导的起点小车质量M 可以在水平导轨上无摩擦运动。下摆杆质量m1 长度2L1质心在杆中点距关节L1。上摆杆质量m2 长度2L2。小车位置x 以初始位置为原点。下摆杆与垂直向下方向的夹角θ1顺时针为正。上摆杆与下摆杆的夹角θ2相对于下摆杆顺时针为正。因此上摆杆相对于绝对垂直线的角度是θ1 θ2。控制输入作用在小车上的水平力F。假设摆杆为均质细杆所有关节为理想铰接无摩擦系统在二维平面内运动。2.2 拉格朗日方程推导过程拉格朗日方程的核心是计算系统的拉格朗日量L T - V其中T是总动能V是总势能。第一步计算各部件质心坐标在惯性坐标系中小车质心坐标(x, 0)下摆杆质心坐标(x L1*sinθ1, L1*cosθ1)上摆杆质心坐标这需要一点几何知识。它是下摆杆末端坐标为(x 2L1*sinθ1, 2L1*cosθ1)再加上从上关节指向上摆杆质心的向量。这个向量在惯性系中的分量是(L2*sin(θ1θ2), L2*cos(θ1θ2))。 因此上摆杆质心坐标为(x 2L1*sinθ1 L2*sin(θ1θ2), 2L1*cosθ1 L2*cos(θ1θ2))第二步计算各部件速度对时间求导对上述坐标求时间一阶导数得到速度向量。这里以下摆杆质心速度的平方计算为例这是一个关键的运算技巧v1x dx/dt L1*cosθ1*dθ1/dt v1y -L1*sinθ1*dθ1/dt v1^2 v1x^2 v1y^2 (dx/dt)^2 (L1*dθ1/dt)^2 2*L1*cosθ1*(dx/dt)*(dθ1/dt)同理可以求出上摆杆质心速度的平方v2^2表达式会更复杂因为它包含θ1,θ2,dθ1/dt,dθ2/dt和dx/dt的交叉项。第三步计算总动能 T 和总势能 V动能 T小车平动动能0.5 * M * (dx/dt)^2下摆杆动能包含平动和转动。平动动能0.5 * m1 * v1^2 转动动能0.5 * I1 * (dθ1/dt)^2其中I1 (1/3)*m1*(2L1)^2 (4/3)*m1*L1^2细杆绕端点的转动惯量。注意如果我们用质心速度计算平动动能那么转动惯量应取绕质心的值I1_cm (1/12)*m1*(2L1)^2 (1/3)*m1*L1^2。两种方法等价但必须匹配。这里采用质心法更通用。上摆杆动能同理0.5 * m2 * v2^2 0.5 * I2_cm * (d(θ1θ2)/dt)^2I2_cm (1/3)*m2*L2^2。势能 V以小车高度为势能零点下摆杆势能m1 * g * L1 * cosθ1上摆杆势能m2 * g * (2L1*cosθ1 L2*cos(θ1θ2))第四步建立拉格朗日方程并线性化将L T - V代入拉格朗日方程d/dt(∂L/∂q_i˙) - ∂L/∂q_i Q_i其中广义坐标q [x, θ1, θ2]^T 广义力Q [F, 0, 0]^T只有小车受到主动力 F。执行这个微分运算会得到三个非常复杂的二阶非线性微分方程。我们关心的平衡点是[x, θ1, θ2, dx/dt, dθ1/dt, dθ2/dt] [0, 0, 0, 0, 0, 0]即小车在原点两根杆都竖直向上倒立。为了设计经典的线性控制器如LQR我们需要在平衡点附近对这个非线性模型进行线性化。线性化的方法是假设角度θ1,θ2及其导数都很小并利用近似sinθ ≈ θ,cosθ ≈ 1,(dθ/dt)^2 ≈ 0。将这些近似代入非线性方程并忽略高阶小量就能得到线性化后的状态空间方程M * d²q/dt² C * dq/dt K * q B * F经过整理可以写成标准的状态空间形式dx/dt A * x B * uy C * x D * u其中状态向量x [x; θ1; θ2; dx/dt; dθ1/dt; dθ2/dt] 控制输入u F。矩阵A和B的表达式由系统参数M, m1, m2, L1, L2, g决定推导过程繁琐但机械。很多论文和教材会直接给出线性化后的系数矩阵为了节省时间我们可以借助符号计算工具如MATLAB的Symbolic Math Toolbox来辅助完成。注意这是整个项目最容易出错的地方。手动推导时一个正负号、一个系数错误都会导致后续仿真完全失败。强烈建议1将你的推导过程用符号工具验证2在网上找一个可靠的、经过验证的模型表达式作为基准进行对照。我个人的经验是花费在验证模型上的时间远比仿真调参时因为模型错误而抓狂的时间要划算得多。3. 在MATLAB/Simulink中构建仿真模型有了数学模型我们就可以在MATLAB/Simulink这个强大的仿真环境中将它“搭建”出来。这里有两种主流思路一是基于状态空间方程直接搭建二是利用物理建模工具Simscape进行更直观的多体动力学仿真。我两种都试过各有优劣。3.1 方法一基于状态空间方程的Simulink模型这是最经典、最直接也是对理解控制系统最有帮助的方法。我们假设已经通过推导或查找得到了线性化后的系统矩阵A,B,C,D。步骤1在MATLAB工作区定义系统参数和矩阵首先我们给定一组合理的物理参数并计算出A和B矩阵。例如M 1.0; % 小车质量 (kg) m1 0.3; % 下摆质量 (kg) m2 0.1; % 上摆质量 (kg) L1 0.5; % 下摆半长 (m) L2 0.3; % 上摆半长 (m) g 9.81; % 重力加速度 % 此处应放置根据参数计算A B矩阵的代码。 % 为了示例我们假设一个计算好的AB实际需要根据你的模型填充。 % A ... ; (6x6 matrix) % B ... ; (6x1 matrix) % C eye(6); % 假设输出全部状态 % D zeros(6,1);步骤2在Simulink中搭建模型新建一个Simulink模型。从库Library Browser - Simulink - Continuous中拖入一个State-Space模块。双击它在参数对话框中填入A, B, C, D矩阵以及初始状态例如可以设一个很小的初始角度模拟扰动。这个模块的输入是控制力F输出是6维状态向量x。接下来需要设计控制器。例如我们可以拖入一个Gain模块作为状态反馈矩阵K。K可以通过lqr函数计算得到。Q diag([10, 100, 100, 1, 1, 1]); % 状态权重矩阵调整Q和R是调参关键 R 0.1; % 控制输入权重 K lqr(A, B, Q, R); % 计算线性二次型最优状态反馈增益将State-Space模块的输出连接到K增益模块然后连接到一个Sum模块设置为负反馈Sum模块的另一个输入可以接一个参考信号比如期望的小车位置x_ref通常为0。Sum模块的输出即为控制力F再反馈给State-Space模块的输入。这样就形成了一个闭环。添加Scope模块观察状态变化添加To Workspace模块将数据导出到MATLAB工作区以便后续分析。步骤3处理非线性与饱和上述模型是线性的但实际系统存在非线性如摆角过大时线性模型失效和执行器饱和电机出力有限。为了仿真更真实我们可以在控制力F输出后加一个Saturation模块来限制最大控制力。同时初始状态不要设得离平衡点太远否则线性控制器会失效。3.2 方法二使用Simscape Multibody进行物理建模如果你觉得推导方程太头疼或者想验证你的推导是否正确Simscape Multibody是更好的选择。它允许你以“搭积木”的方式构建机械系统自动生成动力学方程。步骤1搭建物理结构新建Simulink模型打开Library Browser找到Simscape - Multibody。从库中拖入以下核心模块World Frame定义全局坐标系和重力。Mechanism Configuration设置求解器、重力等全局参数。Rigid Transform/Brick Solid/Cylindrical Solid用来构建小车和摆杆的几何体与质量属性。你需要为小车、下摆杆、上摆杆分别创建Solid模块并正确设置其质量、尺寸、惯量矩阵和质心位置。Prismatic Joint模拟小车与地面之间的平移运动。这是我们的驱动关节需要在此处添加Actuation力输入。Revolute Joint模拟小车与下摆杆、下摆杆与上摆杆之间的旋转关节。通常设置为被动关节无驱动。Transform Sensor/Joint Sensor用于测量小车位置、摆杆角度等状态作为控制器的反馈信号。Solver Configuration必须添加用于配置物理网络求解器。步骤2连接与配置按照物理连接关系用线条连接各个模块的B(Base) 和F(Follower) 端口。例如World Frame连接到Prismatic Joint的B口Prismatic Joint的F口连接到小车Solid的B口小车Solid的F口再连接到第一个Revolute Joint的B口以此类推。这是一个需要耐心和细心的过程确保拓扑结构正确。步骤3集成控制器Simscape模型输出的是物理信号Physical Signal而我们的控制算法通常在Simulink的“信号流”世界中运行。因此我们需要使用PS-Simulink Converter模块将关节传感器如角度、角速度输出的物理信号转换为Simulink信号。在Simulink部分搭建控制器如PID或状态反馈根据这些信号计算控制力。使用Simulink-PS Converter模块将计算出的控制力Simulink信号转换为物理信号输入到Prismatic Joint的Actuation端口。两种方法对比与选择状态空间法优点是与理论结合紧密仿真速度极快便于进行控制器设计如LQR和性能分析如极点配置、频域分析。缺点是模型是线性化的无法研究大范围非线性动态。Simscape法优点是模型直观更接近物理真实自动包含非线性、摩擦等复杂因素是验证线性控制器鲁棒性的好工具。缺点是模型搭建稍复杂仿真速度较慢且“黑箱”特性使得基于模型的高级控制器设计不那么直接。我的建议是先用状态空间法方法一快速设计并调试好你的核心控制算法因为它迭代快。然后用Simscape模型方法二作为一个“高保真测试平台”来检验你的线性控制器在更真实、非线性环境下的表现。当Simscape模型能稳定时你的控制器才算是真正有鲁棒性。4. 控制器设计与参数整定实战模型准备好了接下来就是设计让这个不稳定系统立起来的“大脑”——控制器。我们重点讨论两种最实用、也最经典的方法PID控制和线性二次型最优控制LQR。4.1 串级PID控制从单摆经验出发对于单级倒立摆单回路PID通常是PD控制角度就能奏效。但对于二阶倒立摆由于存在两个耦合的摆角直接控制一个角度会导致另一个失稳。一种行之有效的策略是串级PID控制。控制思路内环控制上摆杆相对于下摆杆的角度θ2。这个环路的响应应该最快因为它稳定的是最顶端、最不稳定的部分。我们使用一个PD控制器输入是θ2和θ2的微分角速度输出是一个“虚拟力矩”这个力矩试图让θ2归零。外环控制下摆杆相对于垂直方向的角度θ1。但此时外环的“被控对象”不仅仅是下摆杆本身而是包含了内环闭环后的“等效对象”。外环也使用一个PD控制器输入是θ1和θ1的微分输出是另一个“虚拟力矩”。最外环控制小车位置x。这个环路的响应最慢。使用一个P或PI控制器输入是小车位置误差输出最终作用于小车的控制力F。在Simulink中的实现 你需要搭建一个嵌套的控制结构。内环PD的输出作为外环的一个前馈或附加设定值。最终三个控制器的输出经过某种组合通常是相加形成总控制力F。调试顺序必须从内到外先断开外环只整定内环PID参数让上摆杆能快速响应并稳定在θ20附近。然后闭合内环整定中间环参数最后整定最外环的小车位置环。实操心得串级PID调参是个体力活非常依赖经验。我的经验法则是内环重“微分”D用于抑制振荡外环重“比例”P用于快速响应最外环的“积分”I要非常小心避免引起小车缓慢漂移或饱和。可以先给P一个较小值D给一个中等值I设为0。通过观察Scope中θ2的响应逐步增大P直到出现等幅振荡然后增大D来阻尼这个振荡。内环调稳后再以同样的思路调外环。整个过程可能需要反复数十次。4.2 线性二次型最优控制LQR更优雅的全局方案LQR是一种全状态反馈控制它通过求解一个优化问题最小化状态偏差和控制能量的二次型代价函数直接得到一个最优状态反馈增益矩阵K。对于我们已经线性化并得到(A, B)矩阵的系统LQR是天然匹配的。设计步骤确定状态向量x [x; θ1; θ2; dx/dt; dθ1/dt; dθ2/dt]。我们需要能测量或观测所有这六个状态。实践中小车位置x和速度dx/dt可用编码器测量两个角度θ1,θ2可用安装在关节处的编码器测量两个角速度则可以通过对角度信号差分或使用观测器获得。设计权重矩阵 Q 和 RQ状态权重矩阵通常是对角阵。Q(i,i)的值越大表示我们对第i个状态的误差惩罚越重控制器会花更多“精力”去让这个状态快速归零。R控制输入权重标量单输入情况。R值越大表示我们越“吝啬”使用控制力控制器会倾向于更温和的控制但响应可能变慢。使用lqr函数求解% 假设 A, B 已定义 Q diag([100, 1000, 1000, 10, 10, 10]); % 示例权重 R 1; [K, S, P] lqr(A, B, Q, R);计算得到的K是一个1x6的行向量。控制律为u -K * x。参数整定技巧 LQR的调参就是调整Q和R。一个系统化的方法是先确定 R根据执行器电机的最大出力F_max设定一个合理的R值。可以先将R设为1/F_max^2量级作为一个起点。再调整 Q这是调参的核心。遵循一个原则对越不稳定、越需要快速稳定的状态给予越高的权重。对于倒立摆角度θ1和θ2是最不稳定的状态因此它们的权重Q(2,2)和Q(3,3)应该最大。角速度的权重次之用于提供阻尼。小车位置x和速度dx/dt的权重通常可以设得小一些因为系统的主要目标是“不倒”而不是“不动”。观察闭环极点计算lqr后返回的闭环极点P。理想的极点应该是一对或多对稳定的共轭复数提供适当的阻尼振荡以及一些更快的实极点。如果极点离虚轴太近系统响应太慢如果太远可能对噪声敏感或需要过大控制力。通过调整Q和R观察极点位置的变化是一个很有效的调试手段。在Simulink中实现LQR 非常简单。将状态向量x乘以增益矩阵-K输出就是控制力u。记得在前面加上一个Saturation模块来限制最大控制力模拟执行器饱和。4.3 控制器性能对比与鲁棒性测试设计好控制器后我们需要在仿真中全面评估其性能。测试场景平衡稳定性给定一个非零的初始角度如θ15°, θ23°观察系统能否自行稳定到竖直位置。记录稳定时间、超调量。抗干扰测试在系统稳定后在某一时刻施加一个短暂的脉冲干扰力比如作用在小车上或摆杆上观察系统能否恢复平衡。这考验控制器的干扰抑制能力。跟踪测试让小车的期望位置x_ref从一个点缓慢移动到另一个点如正弦波观察两根摆杆在跟踪过程中的晃动情况。参数鲁棒性故意在控制器中使用的模型参数如m1, m2, L1与实际Simscape模型参数之间设置一些偏差例如±10%观察控制器是否仍然能稳定系统。这是检验控制器鲁棒性的关键。结果分析PID控制器通常能实现稳定但在大干扰或参数变化时容易失稳。调试得当的串级PID响应速度可能很快但各环之间的耦合需要精心解耦。LQR控制器在模型准确的情况下性能通常优于PID能实现快速、平滑的稳定。其最优性保证了在给定权重下“最好”的性能。但LQR最大的弱点是对模型误差敏感即鲁棒性可能不足。这也是为什么在LQR基础上发展出了H∞、μ综合等鲁棒控制方法。在我的仿真中使用同一组系统参数精心调试的LQR在稳定时间和抗小幅干扰方面表现略优于串级PID。但当我把Simscape模型中的摆杆质量增加20%而控制器模型参数不变时PID控制器经过重新调参还能勉强工作而原参数的LQR控制器则直接失稳了。这生动地说明了理论最优与工程鲁棒之间的差距。5. 仿真实现、可视化与结果深度分析控制器设计好了最后一步就是让整个系统在仿真中跑起来并把结果直观、专业地呈现出来。5.1 完整的Simulink模型集成无论你采用状态空间模型还是Simscape模型最终都需要集成传感器、控制器、执行器饱和限制和被控对象。一个健壮的仿真模型还应包括参考信号生成使用Step、Sine Wave或Signal Builder模块生成x_ref。噪声注入为了模拟真实的传感器噪声可以在状态反馈通道上加入Band-Limited White Noise模块。这对于评估控制器的噪声抑制性能很重要。数据记录使用To Workspace模块将关键信号如时间t、所有状态x、控制力u、参考信号ref以数组形式保存到MATLAB工作区。手动切换开关方便在仿真中动态施加脉冲干扰。5.2 使用MATLAB脚本进行批量仿真与数据分析Simulink跑一次仿真只是开始我们通常需要改变参数如不同的Q/R权重、不同的初始条件进行多次仿真并系统性地分析结果。这时就需要编写MATLAB脚本。示例脚本框架clear; close all; clc; % 1. 定义系统参数和计算AB矩阵 sysParams defineSystemParameters(); % 自定义函数 [A, B] linearizeModel(sysParams); % 自定义函数计算线性化模型 % 2. 设计控制器例如LQR Q diag([100, 1000, 1000, 10, 10, 10]); R 1; K lqr(A, B, Q, R); % 3. 准备Simulink模型参数 modelName double_inverted_pendulum_sim; load_system(modelName); % 加载模型 % 将参数K等设置到模型工作区或使用set_param set_param([modelName /Gain_K], Gain, mat2str(K)); % 4. 定义不同的仿真场景 scenarios {small_perturb, large_perturb, tracking}; for i 1:length(scenarios) scenario scenarios{i}; % 根据场景设置模型初始条件、参考信号等 configureScenario(modelName, scenario); % 5. 运行仿真 simOut sim(modelName, StopTime, 10); % 6. 提取数据 t simOut.tout; x_data simOut.logsout.get(states).Values.Data; u_data simOut.logsout.get(control_force).Values.Data; % 7. 绘图与分析 figure(Name, scenario); subplot(2,1,1); plot(t, x_data(:,1:3)); % 绘制位置和角度 legend(x, \theta_1, \theta_2); grid on; subplot(2,1,2); plot(t, u_data); % 绘制控制力 legend(Force F); grid on; xlabel(Time (s)); % 8. 计算性能指标 settling_time computeSettlingTime(t, x_data(:,2)); % 计算下摆杆稳定时间 max_control max(abs(u_data)); fprintf(场景 %s: 稳定时间%.3fs, 最大控制力%.3fN\n, scenario, settling_time, max_control); end5.3 高级可视化动画演示静态曲线图虽然能分析数据但远不如一个动态的动画直观。MATLAB提供了强大的动画绘制功能。创建动画的基本步骤从仿真数据中提取出小车位置x和两个摆角θ1,θ2。根据这些数据计算每一帧每个时间点小车和两个摆杆末端点的坐标。使用plot或line函数在循环中绘制这些坐标并用pause(0.01)控制帧率。使用getframe和writeVideo函数可以将动画保存为视频文件如MP4。一个简化的动画绘制代码片段figure(Position, [100, 100, 800, 600]); hold on; axis equal; grid on; xlim([-2, 2]); ylim([-0.5, 1.5]); % 根据你的系统尺寸调整 % 初始化图形对象 cart_plot plot(0, 0, s, MarkerSize, 20, MarkerFaceColor, b); pend1_plot line([0, 0], [0, 0], Color, r, LineWidth, 3); pend2_plot line([0, 0], [0, 0], Color, g, LineWidth, 2); for k 1:10:length(t) % 跳帧以提高速度 x_cart x_data(k, 1); th1 x_data(k, 2); th2 x_data(k, 3); % 计算摆杆端点坐标 x_pend1_end x_cart 2*L1*sin(th1); y_pend1_end 2*L1*cos(th1); x_pend2_end x_pend1_end 2*L2*sin(th1th2); y_pend2_end y_pend1_end 2*L2*cos(th1th2); % 更新图形对象数据 set(cart_plot, XData, x_cart); set(pend1_plot, XData, [x_cart, x_pend1_end], YData, [0, y_pend1_end]); set(pend2_plot, XData, [x_pend1_end, x_pend2_end], YData, [y_pend1_end, y_pend2_end]); title(sprintf(Time: %.2f s, t(k))); drawnow; pause(0.01); % 控制播放速度 end看着自己设计的控制器让两根杆子晃晃悠悠地立起来那种成就感是看曲线图无法比拟的。动画还能帮你直观地发现一些问题比如控制器虽然让角度归零了但小车却漂移出了画面这说明你的位置环可能需要加强积分作用或调整权重。5.4 结果分析与报告撰写要点仿真完成后一份清晰的分析报告是必不可少的。你应该关注以下指标稳定性所有状态量是否最终收敛到平衡点或期望轨迹动态性能上升时间从扰动到首次到达平衡点附近的时间。调节时间进入并保持在最终值±2% (或5%) 误差带内的时间。超调量最大偏差与稳态值的百分比。对于倒立摆我们希望超调尽可能小。稳态误差最终是否存在静态偏差特别是小车位置x。控制效率控制力幅值最大控制力是否超出执行器限制控制力变化率控制信号是否平滑剧烈的变化可能在实际电机中无法实现。鲁棒性在模型参数摄动、存在测量噪声和外部干扰时上述性能指标恶化的程度。在报告中用对比图表来展示不同控制器如PID vs LQR或不同参数下的性能差异。例如可以画一个子图对比两者在相同脉冲干扰下的角度恢复曲线另一个子图对比它们的控制力输出看看谁更“省力”或更“平滑”。最后别忘了讨论仿真的局限性。我们的模型忽略了关节摩擦、电机响应延迟、数字控制器的离散化效应、传感器采样噪声的频谱特性等。这些因素在实物系统中都会出现。因此一个在仿真中表现完美的控制器在实物调试阶段几乎肯定需要再次调整。仿真最大的价值在于提供一个安全、低成本的原型验证和参数初选平台大幅降低实物调试的试错成本。本文还有配套的精品资源点击获取