直线型一阶倒立摆3---控制器设计

2023-05-16

四、控制器设计

       如前文所述,倒立摆状态空间方程表明系统能够被控制、被观测。倒立摆或者其它受控系统达到受控稳定状态,其实质上是指系统的各状态量收敛至一目标稳定值。对于状态空间描述而言,系统矩阵A的特征值为负数,对传递函数而言其特征值在复数平面的左半平面系统状态收敛。因此,设计系统控制器,其本质上是对系统极点进行从新配置。理论上,系统矩阵特征值越远离左半平面,收敛速度越快。但实际上,系统状态收敛速度受到外在物理条件限制。

             1.系统矩阵极点配置                                                                                                                                                                                                                                   系统极点配置就是对输入变量u'进行设计,故假设u'=r-KX。其中K=[k1 k2 k3 k4]。化简之后系统 矩阵变为(A-BK),其中BK为对原状态矩阵A进行配置的反馈量。计算det(sI-(A-BK))=0得到加入控制律之后的特征值方程,将特征值方程因式分解,根据实际需求配置合适的极点即可。   适用于低阶(二阶、三阶)状态方程极点配置。

     A-BK=\begin{bmatrix} 0&1 &0 &0 \\ -k1 & -k2 &-k3 &-k4 \\ 0& 0 &0 &1 \\ -\frac{3}{4l}k1 &-\frac{3}{4l}k2 & -\frac{9g}{16l^{2}}k3 &-\frac{3}{4l}k4 \end{bmatrix}               (15)       

         高阶状态方程极点配置可使用线性代数解法。                                                                                  

          2.传递函数描述下的控制器设计

               传递函数描述下,需要考虑摆杆起摆的过程,在考虑摆杆镇定问题。以下,先介绍摆杆镇定问题。

                在传递函数描述下,常用的控制器是比例-积分-微分组成的控制器或称为PID控制器。由于传递函数只能描述一对输入输出关系,因此,最简单的控制结构就是一个PID控制器。倒立摆模型有四个状态量需要控制,分别为小车位置、小车速度、摆杆角度、摆杆角速度。其中,小车速度量引起摆杆状态变化,小车位置不起直接控制作用。因此,可以先考虑控制小车速度、摆杆角度、摆杆角速度。

                对于这三个状态量,可以采用串级PID进行控制,再采用负反馈进行反馈控制。其串级PID控制框图可以表述为

    第一个PID控制器对小车速度进行控制,目标值为0m/s、第二个PID控制器对摆杆角速度进行控制,目标值为0rad/s、第三个PID控制器对摆杆角度进行控制,目标值为0°。三个状态量对应有三个负反馈环节。当其中某一个目标值未达到预期范围时,控制器调节过程不会停止。

             串级PID控制器仿真:略

倒立摆视频汇总:自动学习起摆和稳定一阶倒立摆

                          VREP仿真之直线型一阶倒立摆:起摆与稳摆 

最后附上Alan V. Oppenheim/奥本海姆对倒立摆的讲解:反馈举例-倒立摆

其它博文链接:直线型一阶倒立摆1---概念篇





                         直线型一阶倒立摆2---建模



                         直线型一阶倒立摆3---控制器设计

                         直线型一阶倒立摆4---能量起摆

                         直线型一阶倒立摆5---硬件平台搭建

                         直线型一阶倒立摆6---软件设计

                            直线型一阶倒立摆7---总结

有需要直线型一阶倒立摆的VREP仿真文件:可点击

                              

本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)

直线型一阶倒立摆3---控制器设计 的相关文章

随机推荐

  • 阿豪找工作

    2021年 财富 世界500强揭晓 xff01 中国143家公司上榜 2021世界500强 2021中国500强 选择国企 私企 外企 xff0c 5年后的差距有多大 xff1f 国企和央企的区别 国企包括中央所属国有企业和地方所属国有企业
  • pycharm快捷键

    pycharm快捷键
  • 大规模多智能体强化学习资料整理

    多智能体中存在一些问题和一些可行解决方法 2020年 xff0c Multi Agent RL领域的主流研究方向有哪些 xff1f 深度强化学习 初学者入门介绍 xff08 通俗易懂 xff09 多智能体强化学习 新手入门算法论文大总结 多
  • python路径拼接os.path.join()函数的用法

    os path join 函数 xff1a 用来连接路径名组件 1 如果各组件名首字母不包含 则函数会自动加上 2 如果有一个组件是一个绝对路径 xff0c 则在它之前的所有组件均会被舍弃 3 如果最后一个组件为空 xff0c 则生成路径以
  • linux python解决中文字体Font family [‘sans-serif‘] not found. Falling back to DejaVu Sans

    点击此处
  • Python导入自定义模块方法

    添加链接描述
  • 课程学习邂逅强化学习

    一篇综述带你全面了解课程学习 Curriculum Learning 课程强化学习 课程学习邂逅多智能体强化学习
  • 常见的几种白盒测试

    2019 6 26 补充与修正了短路相关的内容 2019 9 16 修正了短路部分的错误 xff0c 顺便去掉了用词不合适的前言 目前我所了解到的逻辑覆盖 xff08 而非路径覆盖 xff09 型的白盒测试大概有这几种 xff1a SC x
  • 元强化学习

    元强化学习 即可以迁移到训练阶段未见过的任务中
  • 深度学习中的标量、向量、矩阵和张量的区别

    在深度学习中 xff0c 张量 xff08 tensor xff09 的维数就是张量的阶数 0维的tensor就是标量 xff0c 就是一个单独的数 xff1b 1维的tensor就是向量 xff0c 就是一列数 xff0c 其中的每一个元
  • word使用技巧

    删除文档中多余的空白页 在word中插入图表目录 xff08 插图清单 表格清单 xff09 step1 先设置图表目录 xff08 引用 插入题注 xff09 step2 然后在目录页面点击 xff08 引用 插入表目录 xff09 st
  • tf.AUTO_REUSE的作用

    Tensorflow复用计算图 reuse 61 tf AUTO REUSE tf AUTO REUSE作用
  • 对多智能体强化学习算法MADDPG的理解

    MADDPG的架构 MADDPG采用的是 中心化训练 43 去中心化决策 的架构 xff0c 是一种Actor Critic方法 其中每个智能体都有一个价值网络和策略网络 价值网络和策略网络 第i号价值网络 Critic 输入 xff1a
  • 互联网知识点整理

    软件测试知识点 数据库知识点 计算机网络知识点 数据结构知识点 C 43 43 知识点整理 JAVA知识点整理
  • 导出TensorBoard中的所有数据并平滑处理

    点击此处 tensorboard平滑曲线代码
  • RL论文数据图绘制

    rl plotter 强化学习论文里的训练曲线是用什么画的 xff1f 如何计算相关变量
  • 强化学习之美

    强化学习作为一门灵感来源于心理学中的行为主义理论的学科 xff0c 其内容涉及概率论 统计学 逼近论 凸分析 计算复杂性理论 运筹学等多学科知识 xff0c 难度之大 xff0c 门槛之高 xff0c 导致其发展速度特别缓慢 随着近年来以
  • 直线型一阶倒立摆2---建模

    三 直线型一阶倒立摆模型建立 一级倒立摆系统是一个不稳定的系统 xff0c 需要对其进行机理建模 在研究过程中 xff0c 应忽略空气摩擦 等 xff0c 而后可将倒立摆系统进行抽象化 xff0c 认为其由小车和匀质刚性杆两部分组成并对这两
  • 可用性和可靠性的区别

    首先 xff0c 这两个属性都是质量 xff08 可维护性 xff09 的一部分 按照书上的定义 xff0c 可靠性 xff08 reliability xff09 xff1a 在规格时间间隔内和规定条件下 xff0c 系统或部件执行所要求
  • 直线型一阶倒立摆3---控制器设计

    四 控制器设计 如前文所述 xff0c 倒立摆状态空间方程表明系统能够被控制 被观测 倒立摆或者其它受控系统达到受控稳定状态 xff0c 其实质上是指系统的各状态量收敛至一目标稳定值 对于状态空间描述而言 xff0c 系统矩阵A的特征值为负