做控制的人，十有八九都绕不过倒立摆这道坎。我第一次在MATLAB里把一级倒立摆“立住”的时候，说实话比当年第一次让板子上的LED闪起来还兴奋——LED闪了就是闪了，但倒立摆是天生不稳定的对象，你必须在每个控制周期里跟它较劲，稍微慢半拍它就倒给你看。
“基于MATLAB的一级倒立摆直线运动稳定性控制仿真”说白了就是这么一件事：一辆小车在直线轨道上运动，车上面铰接一根摆杆，你给它一个初始倾角，然后通过控制小车左右加速，把摆杆稳稳扶正。这个项目听起来像教科书上的经典实验，但它背后牵扯的东西一点不少：系统建模、线性化、状态空间方程、LQR最优控制、非线性仿真验证、参数整定……每一个环节都能单独拎出来写一篇长文。
这篇文章适合谁看？控制方向的学生、准备做毕业设计的本科生、刚接触现代控制理论的工程师，以及任何想搞清楚“LQR到底怎么用”的人。我会从数学推导开始，一路讲到MATLAB代码和Simulink模型，最后把我踩过的坑、调参的经验全部摊开讲，照着做你也能复现整套仿真。
1. 项目整体设计与思路拆解
1.1 为什么非要是“一级倒立摆”
倒立摆在控制领域的位置，相当于“hello world”在编程界的地位，但它远比hello world有价值。一级倒立摆是典型的欠驱动系统——你要控制小车的位置和摆杆的角度，但手上只有一个控制量：小车的驱动力。摆杆本身没有驱动，你只能通过加速小车，用惯性力“间接”把摆杆扶正。
这个特性让它成为绝佳的控制算法试验场。现实生活里大量系统都是欠驱动的：火箭起飞时的姿态控制、两轮自平衡车、双足机器人的步态控制、以及抓取机械臂在运动中的振动抑制。倒立摆的数学模型与研究方法是它们共同的基础。
更吸引人的是，倒立摆是个“简单但不好搞”的系统。说简单，因为它只有两个自由度，方程写出来不复杂；说不好搞，因为它在平衡点附近是处处不稳定的——你手一松，摆杆马上倒下，而且倒下的速度比你反应快得多。这个“简单+不稳定”的组合，让它可以用来分析几乎所有线性控制方法的能力边界。
1.2 控制方案选型：为什么先走LQR
设计倒立摆控制器，可选的路子很多：经典PID、根轨迹法、极点配置、LQR最优控制、模糊控制、滑模控制、自适应控制……但在仿真阶段，我强烈建议先用LQR（Linear Quadratic Regulator，线性二次型调节器）。
原因是LQR有三大优势，恰好对应倒立摆仿真的三个痛点：
第一，它天然支持多变量控制。倒立摆有四个状态（小车位移、小车速度、摆杆角度、摆杆角速度），PID虽然也能调，但一个PID回路管不了四个状态，实际做的时候要额外加虚拟反馈或者串级结构，麻烦。LQR可以直接处理多输入多输出状态空间方程，一次设计出完整的反馈增益矩阵。
第二，它自带“性能调优旋钮”。LQR的权重矩阵Q和R可以直观地表达你的控制目标：你想让角度收敛快就加大角度权重，你想让小车位移别跑太远就加大位移权重，你想让控制力别太大就加大R。这种“按需加权”的设计方式非常符合工程直觉。
第三，它和状态空间模型是无缝对接的。前面你花力气推导系统的状态方程，下一步用MATLAB的lqr函数一行命令就能算出反馈增益，整个链路特别顺畅。
作为一个基准控制器，LQR做出来的结果非常干净，后续不管你要加非线性补偿、鲁棒控制还是扰动观测器，都可以在LQR基础的框架上叠加对比，逻辑非常清晰。
1.3 完整仿真链路：从物理模型到结果曲线
整个项目我按四步走，这个顺序也是我认为做所有控制仿真都应该遵循的顺序：
- 建模：用拉格朗日方程推导系统的运动方程，再在平衡点附近做小角度线性化，得到标准的状态空间表达式。
- 控制器设计：选择合适的性能指标，用LQR解出反馈增益矩阵K。
- 仿真验证：先用线性模型快速验证控制效果，再切换成非线性动力学模型做“压力测试”，看控制器在模型误差下还稳不稳。
- 结果分析：观察小车位移、摆杆角度、控制力的响应曲线，确认收敛速度、超调量、稳态精度是否满足设计指标。
这个流程最巧妙的地方在于“一鱼两吃”：线性模型用来快速调参，非线性模型用来验证鲁棒性。很多新手一开始直接拿线性模型调完觉得万事大吉，结果换成非线性模型就发散，就是因为缺少了第三步的交叉验证。
2. 数学模型建立与参数解析
2.1 从拉格朗日方程开始推导
建模这件事，从牛顿力学硬推也行，但我推荐用拉格朗日方程，因为它对约束多、自由度多的系统更友好，推导过程不容易出错，出错也更容易检查。
先定义系统参数：小车质量M，摆杆质量m，摆杆质心到转轴的距离l（注意不是摆杆全长，是质心距离），重力加速度g，小车位移x，摆杆相对竖直方向的偏角θ，作用在小车上的水平驱动力F。
系统的动能包含两部分。小车动能是：
T车 = 0.5 M ẋ²
摆杆质心的速度要小心算。摆杆质心的位置是(x + l sinθ, l cosθ)，对时间求导得到速度分量，合成后摆杆动能是：
T摆 = 0.5 m (ẋ² + 2l ẋ θ̇ cosθ + l² θ̇²)
系统的势能来自摆杆质心高度变化：
V = m g l cosθ
拉格朗日量L = T - V，代入欧拉-拉格朗日方程，分别对x和θ求偏导，得到两个耦合方程：
(M+m) ẍ + m l θ̈ cosθ - m l θ̇² sinθ = F
m l ẍ cosθ + m l² θ̈ + m g l sinθ = 0
看到没有，这两个方程一个描述小车运动，一个描述摆杆摆动，但它们互相耦合——小车加速会影响摆杆，摆杆摆动也会影响小车。这就是倒立摆复杂性的数学根源。
到这里模型是完整的非线性模型，没做任何近似。后面所有线性控制方法都要在这个基础上做简化。
2.2 小角度线性化与状态空间化
控制器设计需要线性模型，所以在平衡点（θ=0）附近做小角度近似。标准做法是取：
sinθ ≈ θ, cosθ ≈ 1, θ̇² ≈ 0
代入上面的耦合方程，得到线性化模型：
(M+m) ẍ + m l θ̈ = F
m l ẍ + m l² θ̈ + m g l θ = 0
从这两个方程中解出ẍ和θ̈。先把第二个方程除以ml，得到ẍ = -l θ̈ - g θ，代到第一个方程里，化简后得到：
ẍ = (m g / M) θ + (1 / M) F
θ̈ = -((M+m) g / (M l)) θ - (1 / (M l)) F
你看，线性化之后，小车的加速度只跟角度和控制力有关，摆杆的角加速度也只跟角度和控制力有关，完全去掉了速度耦合项，这就是线性模型的简洁之处。
现在定义状态向量x = [x, ẋ, θ, θ̇]ᵀ，控制输入u = F，就可以写成标准状态空间形式：
ẋ = A x + B u其中：
A = [0 1 0 0 ] [0 0 (m g / M) 0 ] [0 0 0 1 ] [0 0 -((M+m) g)/(M l) 0 ] B = [0; 1/M; 0; -1/(M l)]把A、B矩阵拿出来，你的“建模”任务就完成了。后面所有线性控制方法，不管是LQR还是极点配置，都是围绕这套矩阵展开的。
2.3 参数取值与物理意义
仿真参数我建议从一个真实实验平台的量级出发，别拍脑袋乱填，不然后面调控制器的时候你会被不合理的物理参数坑惨。
我用的参数如下，你可以按自己的需求调整：
| 参数 | 数值 | 单位 | 说明 |
|---|---|---|---|
| M | 1.0 | kg | 小车质量，包含电机转子折算质量 |
| m | 0.1 | kg | 摆杆质量 |
| l | 0.5 | m | 摆杆质心到转轴距离 |
| g | 9.8 | m/s² | 重力加速度 |
这几组参数隐含了系统的两个重要特征值。把数值代入A矩阵，用MATLAB算一下eig(A)，你会发现系统矩阵有两个极点落在右半平面——正实部极点对应的就是那个“不扶就倒”的不稳定模态。这个检查很值得做，它验证了模型的正确性：一个稳定的物理对象不可能在右半平面有极点，倒立摆必须有，这才是正确的模型。
2.4 建模环节的几个坑
建模这块看起来推导简单，但我见过太多人在这一步翻车，说几个高发问题：
第一个坑是把l当成摆杆全长而不是质心距离。如果摆杆是均匀杆，质心在杆的中间，l应该是摆杆长度的一半。用错这个参数，系统的固有频率会直接偏掉，控制器设计出来以后跟实际对象对不上。
第二个坑是线性化时把θ̇²丢掉的时机。很多教材在列方程时就先近似再推导，结果初学者搞不清楚哪些项是被“近似”删除的。我的建议是先用完整的非线性方程推导，最后一步再做线性化，这样你能看清楚每一个被省略的项，也知道它们在什么情况下不能省略——比如摆杆高速摆动的时候，θ̇²项的影响是没法忽略的。
第三个坑是搞错状态向量的排列顺序。后面写代码、写Simulink模型、算反馈增益K的时候，所有矩阵的顺序必须完全一致。我习惯用[x, ẋ, θ, θ̇]，你选了就要从头到尾贯彻，中途换顺序会混乱到怀疑人生。
3. 控制器设计与MATLAB仿真实现
3.1 LQR权重矩阵的调节思路
LQR的核心是最小化一个二次型性能指标：
J = ∫(xᵀQx + uᵀRu) dt
这个指标的经济学含义很直白：Q里每一项代表状态偏离零点的“罚款”，R代表控制能量的“罚款”。你希望系统状态远离原点时付出代价，用控制力努力拉回来也要付出代价，两者叠加，找最优折中。
Q是4×4的对角阵，对应四个状态的权重：
- Q(1,1)：小车位移权重。越大，小车越不愿意远离原点，但代价是初始阶段加速度更猛。
- Q(2,2)：小车速度权重。影响阻尼感，越大越能抑制高速运动。
- Q(3,3)：摆杆角度权重。这是最核心的权重，因为保持摆杆竖直是第一目标，一般设置得比位移权重大一个数量级。
- Q(4,4)：摆杆角速度权重。影响角度的超调量，越大越“拽着”角速度。
R是控制力的权重。R越小，系统允许用越大的力去扶正摆杆，响应快但控制力的峰值高；R越大，控制越保守，响应慢但更省力。
我常用的初值是Q = diag([100, 10, 1000, 100])，R = 1。这个组合的含义是：角度误差的优先级是位移误差的10倍，而控制力本身没有过强的约束。基于这个权重，用MATLAB一行命令就能算出K：
K = lqr(A, B, Q, R)打印出来的K大概是这样一组数：位移增益量级在几百，速度增益在几十，角度增益在几千，角速度增益在几百。角度增益明显大于位移增益，这就是“优先扶正、其次归位”的控制策略。
3.2 完整MATLAB脚本：从参数到仿真曲线
我直接把能跑的完整脚本贴在这里，并逐段解释。这段代码包含两个部分：主脚本用ode45对非线性模型做仿真，验证LQR控制器在真实模型上的表现。为什么要用非线性模型？因为线性控制器是在小角度假设下设计的，但仿真里初始角度可能到10度甚至更大，非线性模型才是对它真正的考验。
主脚本：
% ===== 系统参数 ===== M = 1.0; % 小车质量 kg m = 0.1; % 摆杆质量 kg l = 0.5; % 摆杆质心到转轴距离 m g = 9.8; % 重力加速度 m/s^2 % ===== 线性化状态空间模型 ===== A = [0 1 0 0; 0 0 (m*g/M) 0; 0 0 0 1; 0 0 -((M+m)*g)/(M*l) 0]; B = [0; 1/M; 0; -1/(M*l)]; C = eye(4); D = zeros(4,1); % ===== LQR 控制器设计 ===== Q = diag([100, 10, 1000, 100]); R = 1.0; K = lqr(A, B, Q, R); % 显示反馈增益 disp('LQR Feedback Gain K:'); disp(K); % 检查闭环极点 eig_closed = eig(A - B*K); disp('Closed-loop poles:'); disp(eig_closed); % ===== 非线性仿真 ===== x0 = [0; 0; 0.1; 0]; % 初始状态：角度 0.1 rad ≈ 5.7° tSpan = [0 5]; [t, x] = ode45(@(t, x) nonlinearCartPole(t, x, M, m, l, g, K), tSpan, x0); % ===== 计算控制力 ===== u_hist = zeros(length(t), 1); for k = 1:length(t) u_hist(k) = -K * x(k,:)'; end % ===== 绘图 ===== figure; subplot(3,1,1); plot(t, x(:,1), 'LineWidth', 1.5); ylabel('位移 x (m)'); title('LQR控制一级倒立摆——非线性模型仿真'); grid on; subplot(3,1,2); plot(t, x(:,3) * 180/pi, 'LineWidth', 1.5); ylabel('摆杆角度 θ (°)'); grid on; subplot(3,1,3); plot(t, u_hist, 'LineWidth', 1.5); ylabel('控制力 F (N)'); xlabel('时间 (s)'); grid on;对应的非线性模型函数：
function dx = nonlinearCartPole(~, x, M, m, l, g, K) % 状态向量: x = [x_pos, x_vel, theta, theta_vel] x_pos = x(1); x_vel = x(2); theta = x(3); theta_vel = x(4); % LQR 控制律: u = -K * x u = -K * x; % 非线性动力学方程，来自拉格朗日推导 % 质量矩阵与右侧力向量 M_mat = [M + m, m*l*cos(theta); m*l*cos(theta), m*l^2]; rhs = [u + m*l * theta_vel^2 * sin(theta); -m*g*l * sin(theta)]; % 解加速度 acc = M_mat \ rhs; x_ddot = acc(1); theta_ddot = acc(2); dx = [x_vel; x_ddot; theta_vel; theta_ddot]; end这里我用了完全非线性的拉格朗日方程来判断LQR控制器的效果。如果你把初值设成0.1弧度（约5.7度），控制器应该能在大约2秒内把摆杆拉回竖直并稳定。这个“线性控制器+非线性仿真验证”的思路，一定要养成习惯。
3.3 Simulink模型搭建要点
有些人喜欢用Simulink做仿真，因为可以搭出更直观的信号流。搭建方式有三种，复杂度递增：
最简单的是用State-Space块。在Simulink库中找到State-Space模块，把A、B、C、D矩阵填进去，输入接一个Mux算出来的反馈信号u = -K*x，输出直接用Mux拆出四个状态。整个过程五分钟搞定，适合快速验证。
但我个人更推荐用积分器模块手搭，因为你能完全掌控信号走向，后面加非线性项也方便。搭法如下：
- 放两个Integrator模块串联，第一个输出小车速度ẋ，第二个输出小车位移x。
- 再放两个Integrator模块串联，第一个输出角速度θ̇，第二个输出摆杆角度θ。
- 在积分器输入端，用Gain模块和Sum模块搭出线性化方程： ẍ = (m g / M) θ + F / M θ̈ = -((M+m) g / (M l)) θ - F / (M l)
- 反馈信号F用Gain模块乘以-K，输入来自四个状态信号。
- 把四个状态信号用Mux汇总，乘上-K矩阵，得到F。
用Integrator搭的好处是，你可以在θ的位置加一个饱和模块模拟机械限位，或者加一个传感器噪声模块，逐步把仿真做“脏”，越来越接近真实系统。
一个重要的Simulink注意点：如果你在搭反馈回路的时候发现仿真报“代数环”警告，通常是因为某个模块的输出直接参与了同一时刻的输入计算。解决办法是在反馈路径上加一个Memory模块或者Transport Delay，把信号延迟一个步长，破坏代数环。这在LQR控制里不太常见，但如果你加了非线性观测器或者补偿器，大概率会碰到。
3.4 仿真结果怎么读
仿真跑完之后，不要只盯着“有没有稳住”看，要学会从三条曲线上读信息：
位移曲线：观察小车是不是最终回到了原点附近。LQR的期望是渐近稳定到原点，所以稳态位移应该趋向0。如果稳态位移不为0，检查是不是有常值扰动没被抑制——线性LQR对恒定扰动是有稳态误差的，要加积分项或者扰动观测器才能解决。
摆杆角度曲线：关注两个指标——峰值偏差和收敛时间。峰值偏差是初始角度之外的最大偏离角，它反映了控制器的“拽回力度”；收敛时间是你定义的在多少误差范围内算“稳住”，我一般取角度在±0.5度以内持续不超出。好的LQR设计角度响应没有振荡，几乎是一路单调收敛。
控制力曲线：这是很多人忽略的。观察控制力的峰值是不是超过了物理系统的承受范围。如果你的电机只能输出20N，结果仿真里控制力峰值到了50N，那仿真再好看也没用，真实系统一上电就饱和。
我仿真跑下来的典型结果是：初始角度5.7度，位移最大跑到0.15米左右，摆杆角度约1.5秒内收敛到0.5度以内，控制力峰值大约15N，车辆最终回到原点。这个结果符合预期，说明权重设置合理。
4. 常见问题与排查技巧实录
4.1 仿真一跑就散：第一反应查这几项
倒立摆仿真发散，是我被问得最多的问题。别慌，按优先级排查：
第一查初始角度。线性控制器设计基于小角度假设，你初始化给了0.5弧度（接近30度），非线性模型必然发散，因为线性化模型在30度的时候早就不准了。解决办法：把初始角度控制在0.15弧度以内，验证线性控制的适用边界。
第二查Q和R的比例。如果你发现角度收敛很快、位移跑飞了，那是Q(1,1)太小；如果控制力剧烈振荡，那是R太小，增益过大导致反馈太“猛”。这种情况第一眼看控制力曲线，满幅振荡就是增益过大。
第三查计算步长。如果你用Simulink默认的可变步长，遇到stiff系统可能会不收敛。尝试把求解器换成ode45或者设置最大步长为0.01秒。很多时候不是控制器的问题，是数值积分的问题。
第四查符号。LQR反馈是u = -Kx，很多人习惯在模型里直接写u = Kx，符号错了整个闭环就是正反馈，摆得比没有控制器还快。这个错误低级但极其常见，我用加粗提醒：反馈符号错了，系统只会更快发散。
4.2 调参经验：Q和R的几条实用法则
调LQR权重，不要一次全改。我用一套“分层调参法”：
先固定R = 1不动，Q矩阵从对角单位阵开始（Q = eye(4)），看仿真结果找感觉。然后一层层调整：先单独增大Q(3,3)直到角度收敛速度满足要求，再增大Q(1,1)抑制位移跑远，最后微调Q(2,2)和Q(4,4)处理超调和阻尼。
举个例子，如果角度收敛慢，把Q(3,3)从1000提到2000，角度响应明显变快，但控制力峰值也会上升。如果位移回不到原点附近，把Q(1,1)从100提到500，位移峰值会减小，但小车初始加速度更猛。这个过程有点像调音响的均衡器——你先找到影响最大的那个旋钮，再微调其他频段。
再有，如果你发现LQR设计的响应“太软”，有个技巧是把闭环极点往左半平面推移。LQR的性能由Q和R决定，但等价地可以通过预设闭环极点来反向构造Q矩阵。不过这对初学者不友好，我建议还是老老实实调Q和R，直观得多。
4.3 从仿真到实物的差距提醒
如果有机会把这套仿真移植到真实实验平台上，至少有三个差距你得提前有心理准备：
第一，线性模型忽略了摩擦。仿真里小车轨道没有摩擦力，真实导轨有黏性摩擦和静摩擦。摩擦会让小车难以启动，也会造成低速时的小幅力振荡。解决思路是在控制律中加入摩擦补偿项。
第二，执行器有饱和。真实电机输出力不是无界的，仿真里控制力峰值15N可能没问题，但换成实际电机可能到了10N就饱和了。执行器饱和是一种强非线性，会导致“积分饱和”甚至周期振荡。在仿真里加一个饱和模块，提前看看系统在出力受限时的表现。
第三，传感器噪声和采样周期。真实编码器有量化分辨率和噪声，控制器的采样周期也不是仿真里的连续时间。把这些因素逐步加入仿真模型，让仿真尽量“脏”起来，是缩短仿真与实物差距最有效的办法。
5. 后续能玩的方向
5.1 控制算法的进阶
LQR做完了，下一步可以尝试给系统加扰动观测器，或者改用模型预测控制。我特别推荐加积分型LQR——在原有状态向量里加入误差积分状态，形成新的增广系统，再用LQR设计。这样能消除恒定扰动下的稳态误差，控制效果比纯LQR上升一个档次。
滑模控制也是不错的选择，它对参数摄动和外部扰动有很强的鲁棒性。倒立摆的模型不确定性主要来自摩擦和摆杆质心偏移，滑模控制可以直接“忽略”这些不确定性。代价是控制量会出现高频抖振，你在仿真里能直观地看到振铃现象。
5.2 控制对象的进阶
一级直线倒立摆的“毕业设计”是二级倒立摆。二级摆的方程复杂程度翻倍，状态向量变成6维，控制难度骤然增加，LQR要想把两个摆杆都立起来，权重调整的挑战完全不同。这可以让你真正理解什么是高维欠驱动系统。
如果不想升级对象也可以，把直线导轨改成旋转底座就是旋转倒立摆。旋转倒立摆的运动方程更复杂，因为底座旋转会产生径向加速度，线性化模型的结构都不一样。
5.3 平台扩展：从MATLAB仿真走向半实物
仿真做熟之后，可以关注实时仿真工具，把MATLAB里写的控制器部署到真实控制器硬件上。现在很多实验平台支持硬件在环测试，可以在PC上跑被控对象模型，控制器跑在实物处理器上，中间通过IO板卡连接。这个过程能体验到代码生成、时序约束、实时调试这些仿真根本不涉及的工程细节。
说句实在话，从“仿真里立住”到“实物上立住”，中间的距离比从零写代码到仿真通过还要长。但正是这段距离，才是控制工程师真正的价值所在。
最后分享一个我自己的习惯：所有仿真项目，第一版跑通之后我都会返工一次，把模型里的参数全部改成命名常量，把注释写到“三个月后拿出来依然能看懂”的程度，把仿真结果导出并和设计指标对照归档。这些看起来不酷的整理工作，在毕业设计和工程项目里，反而能帮你省下最多的时间。
