1. 项目概述从“会跑”到“站得住”的挑战做智能车尤其是参加全国大学生智能车竞赛的同学们可能都经历过这样一个阶段让车跑起来不难但让它“站”起来像不倒翁一样稳定地直立行走那完全是另一个维度的挑战。我当年第一次接触平衡车组别时看着前辈的代码和一堆看不懂的公式也是一头雾水。后来才明白这背后是一套完整的、从物理世界抽象到代码世界的控制理论。今天我们就来彻底拆解一下“智能车单车组之平衡控制理论分析篇”这个核心命题。说白了就是搞清楚你的车为什么能站住以及如何通过数学和代码让它站得更稳。这不仅仅是写几行PID代码那么简单。它要求你从零开始理解一个物理系统的动力学行为建立数学模型设计控制器最后在真实的、充满噪声和不确定性的硬件上实现。整个过程是理论联系实践的绝佳范例。无论你是刚入门的竞赛新手还是对自动控制感兴趣的技术爱好者这篇文章都将带你走一遍完整的思考和实践路径。我会尽量用“说人话”的方式把那些看起来高深的理论掰开了揉碎了讲清楚并附上大量我在实际调车过程中踩过的坑和总结的经验。我们的目标很明确让你不仅能看懂理论更能亲手调出一辆稳如磐石的平衡车。2. 核心思路从物理摆到数字控制器要让一个两轮车保持平衡我们的核心思路是模仿人类骑独轮车。当你身体前倾时你会下意识地驱动车轮向前滚动以“追赶”你倒下的趋势反之亦然。对于智能车这个“下意识”就是我们的控制器。整个系统的设计流程可以概括为物理系统分析 - 动力学建模 - 控制器设计 - 离散化与数字化实现。2.1 物理系统抽象倒立摆模型这是理解平衡控制最直观的模型。我们把智能车简化为一个“倒立摆”。摆杆就是车身包括所有上层结构摆的支点就是车轮轴心。这个摆天然是不稳定的重心在支点上方稍有扰动就会倒下。我们的任务就是通过控制车轮的加速度进而控制车轮的位置和速度让这个倒立摆的倾角稳定在垂直向上即0度附近。这里有几个关键状态量需要我们时刻关注车身倾角Pitch Angle, θ车身相对于垂直方向的夹角。这是最核心的被控量我们的终极目标就是让它归零并保持。车身倾角速度θ_dot倾角的变化率。它告诉我们车身倒下的趋势和快慢是进行“预见性”控制的关键。车轮转速/位移为了抵消车身的倾倒车轮必须移动。车轮的运动状态既是控制的结果也会反过来影响车身状态。理解这个模型就理解了平衡控制的本质这是一个通过控制底盘车轮运动来稳定上层车身姿态的典型问题。2.2 控制策略选择为什么是PD而不是单纯的P或PID提到控制很多人第一反应就是PID。但在平衡车这个具体场景下我们通常使用PD控制器而不是完整的PID。这是有深刻原因的。比例P控制输出 Kp * 误差。误差就是当前倾角θ。如果只有P控制车轮会产生一个与倾角成正比的加速度去“扶正”车身。但这就好比推一个摇摆的椅子你只根据椅子的倾斜角度去推很容易推过头导致车身在平衡点附近来回振荡甚至发散。因为系统有惯性车身倒下的趋势角速度没有被考虑进去。微分D控制输出 Kd * 误差的变化率。在这里误差的变化率就是倾角速度θ_dot。D控制的作用是“阻尼”它能够预测未来的误差趋势。当车身正在快速倒下时θ_dot很大D项会产生一个很强的控制量来抑制这个趋势相当于给系统增加了“粘性”防止超调和振荡。积分I控制输出 Ki * 误差的积分。I项用来消除静态误差。但在平衡车系统中我们通常不希望存在静态误差即车身长期稳定在一个非零的小角度上。因为那意味着车是在一个“歪着”的状态下靠车轮持续微调来维持的这不是真正的动态平衡。更重要的是平衡车系统对外界干扰如电机死区、地面不平非常敏感引入I控制极易导致积分饱和使得系统响应迟钝甚至失控。因此在基础的平衡控制中我们果断舍弃I项。所以PD控制器成为了最优选择P项提供“扶正”的力D项提供“抑制摆动”的阻尼力两者配合既能快速响应又能平稳收敛。控制器输出通常是车轮的目标加速度或速度可以表示为输出 Kp * θ Kd * θ_dot这个公式就是整个平衡控制算法的核心。3. 动力学建模用数学描述你的车理论分析不能只停留在概念上我们需要定量的数学描述。这就是动力学建模。对于智能车单车组我们通常建立线性化模型。别怕我们一步步来。3.1 模型假设与受力分析为了简化我们做几个合理假设车身是刚体且质量集中在质心。车轮与地面纯滚动无滑动。忽略空气阻力、电机电感等次要因素。在平衡点θ0附近进行线性化即认为sinθ ≈ θ, cosθ ≈ 1。我们对两个部分分别进行受力分析车身摆杆和车轮。对车身它受到重力、车轮轴心对它的作用力水平和垂直分力。根据牛顿第二定律和转动定律可以列出关于车身倾角θ的方程。对车轮它受到车身给它的反作用力、地面摩擦力以及电机提供的扭矩。同样可以列出关于车轮位移x的方程。3.2 状态空间方程推导将上面列出的微分方程联立、整理、消去中间变量如相互作用力我们可以得到一组以状态变量和控制输入描述的系统方程。通常我们选择状态变量为X [θ, θ_dot, x, x_dot]^T即倾角、倾角速度、车轮位移、车轮速度。控制输入u就是电机的扭矩或等效的加速度。经过推导具体过程涉及较多公式这里给出结论性形式系统可以表示为X_dot A * X B * uY C * X(观测输出比如我们只关心倾角θ)其中A是系统矩阵B是输入矩阵。它们的元素由车的物理参数决定比如车身质量m_b、车轮质量m_w、车身质心到轴心距离l、车轮半径r、转动惯量J等。这一步的意义在于我们把一个复杂的物理系统变成了一个标准的、可以用现代控制理论如极点配置、LQR进行分析和设计的数学模型。即使你后续只用PD控制理解这个模型也能让你明白每个参数Kp Kd到底在影响系统的什么特性。3.3 模型参数获取与意义模型里的物理参数从哪里来质量m_b, m_w直接用秤测量。区分车身包括所有上层电路板、电池、传感器支架和车轮含轮胎、电机转子的质量至关重要。质心高度l这是最关键也是最难测准的参数之一。一个实用方法是把组装好的车身部分不含车轮想办法水平支撑起来像天平一样找到它的平衡点测量该点到车轮轴心的距离。也可以用车身总质量、各部件质量和位置估算。转动惯量J车身绕轴心旋转的惯性度量。精确计算复杂可采用等效摆长法估算让车身做小角度自由摆动测量摆动周期T。根据单摆周期公式T 2π * sqrt(L/g)反推出等效摆长L。那么转动惯量J ≈ m_b * L^2。这个方法是实测中比较可靠的。注意你不需要得到一个绝对精确的模型。建模的目的是理解系统内在的动态关系并为控制器参数提供一个数量级正确的初始值。最终参数一定是在实车上“调”出来的但好的初始值能让你少走90%的弯路。4. 控制器设计与参数整定有了模型我们就可以设计控制器了。我们重点讲PD控制器的参数整定这是实操中最耗时的部分。4.1 从连续域到离散域理论到实践的桥梁我们设计的PD控制器u Kp*θ Kd*θ_dot是在连续时间域模拟世界的。但我们的微控制器MCU是在离散时间域数字世界运行的它以固定的周期比如5ms采样传感器数据计算控制量。因此我们需要进行离散化。最常用的方法是一阶后向差分θ_dot(k) ≈ (θ(k) - θ(k-1)) / Δt其中θ(k)是本次采样的角度θ(k-1)是上次采样的角度Δt是控制周期。于是离散域的PD控制算法变为u(k) Kp * θ(k) Kd * (θ(k) - θ(k-1)) / Δt在实际编程中我们常把Kd/Δt合并为一个新的系数Kd_discrete即u(k) Kp * θ(k) Kd_discrete * (θ(k) - θ(k-1))这一点至关重要你在论文或教材里看到的Kd是连续域的而你在代码里调的Kd_discrete是离散域的两者相差一个控制周期的倍数关系。很多同学调参混乱就是因为混淆了这两者。4.2 参数整定方法论从“瞎调”到“有章法”调参是门艺术但更需要科学方法。绝对不要一上来就盲目修改Kp和Kd。第一步准备工作安全措施用架子把车架起来让车轮悬空这是调平衡参数的前提防止调参过程中车窜出去撞坏。数据可视化务必通过蓝牙、WiFi或串口将关键的实时数据如原始角度、滤波后角度、角速度、控制输出发送到上位机如SerialPlot、匿名上位机、自己写的Python程序并绘图。眼睛看灯和听电机声音是靠不住的。第二步先调Kp再调Kd令 Kd 0。先只调Kp。给车一个小的初始倾斜角度。逐渐增大Kp。你会观察到Kp太小车反应迟钝慢慢倒下去扶不起来。Kp合适车开始试图扶正自己但会在平衡点附近来回振荡可能是发散的也可能是等幅振荡。Kp太大车剧烈振荡甚至电机发出高频噪音立即失控。找到一个使车产生稳定、等幅振荡的Kp值记下这个值Kp_osc。这个状态说明P控制提供了足够的“恢复力”但缺乏“阻尼”。第三步引入Kd抑制振荡保持Kp Kp_osc开始逐渐增加Kd。观察振荡变化Kd增加振荡幅度会明显减小周期可能变长。Kd太小振荡衰减慢。Kd合适振荡被快速抑制车身能迅速稳定在平衡点且响应平稳。Kd太大系统“阻尼”过强变得反应迟钝。从倾斜状态恢复到直立的时间很长感觉“粘滞”且可能对传感器噪声异常敏感因为D项会放大噪声。调整Kd直到获得最快的、无超调或微小超调的稳定过程。第四步微调Kp与Kd的配合在有了初步的Kd后可以回头微调Kp。有时适当降低Kp并配合Kd能得到更柔和的响应。最终目标是响应速度快稳定过程平稳无振荡抗干扰能力强轻轻推一下能快速恢复。4.3 高级话题串级控制与速度环单纯的平衡PD环只能让车“站住”。如果你想让它“走起来”或者“定在一个位置”还需要引入速度环和位置环形成串级控制。内环平衡环PD输入是倾角/角速度输出是车轮的目标加速度或直接换算为电机扭矩/占空比。它的任务是“维持直立”响应最快。外环速度环PI输入是目标速度与实际速度由编码器测得的误差输出是平衡环的目标倾角。比如想让车向前走速度环就会计算出一个“需要车身向前倾多少度”的指令发给平衡环。平衡环为了维持这个前倾角度就会驱动车轮向前加速从而让车整体向前运动。最外环位置环P或PI输入是目标位置与实际位置的误差输出是速度环的目标速度。这样位置环指挥速度环速度环指挥平衡环层层嵌套。调试时必须从内环到外环即先调好平衡环再调速度环最后调位置环。切不可顺序颠倒。5. 传感器融合与数据处理控制器的“眼睛”控制器再优秀如果“眼睛”传感器提供的信息不准、不稳一切白搭。平衡车主要依赖陀螺仪和加速度计。5.1 传感器特性与互补滤波加速度计测量的是包括重力在内的所有合加速度。在静止或低速时可以通过反正切计算倾角长期静态精度高。但对车身运动特别是电机振动、车轮加速产生的线性加速度非常敏感动态噪声大。陀螺仪测量角速度积分可以得到角度变化。动态响应好短期精度高。但存在零漂温漂积分会累积误差导致长期角度发散。显然两者优缺点互补。互补滤波就是将它们融合的经典算法其核心思想是用高通滤波器滤掉加速度计的低频噪声运动干扰用低通滤波器滤掉陀螺仪的高频噪声零漂再将两者融合。一个最简单的一阶互补滤波公式如下角度 α * (上一时刻角度 陀螺仪角速度 * dt) (1 - α) * 加速度计角度其中α是一个介于0和1之间的滤波系数dt是采样周期。α接近1更信任陀螺仪系统响应快但长时间会漂移。α接近0更信任加速度计静态稳但动态响应差。通常α取值在0.95-0.99之间需要根据实际传感器噪声和车辆动态测试调整。5.2 卡尔曼滤波初探对于追求更高性能的队伍卡尔曼滤波是更优的选择。你可以把它理解为一个“智能的”互补滤波器。它不仅融合数据还会根据系统模型就是前面推导的动力学模型来预测下一个时刻的状态再与传感器测量值进行“最优”加权融合。它能更好地处理噪声并提供状态估计的协方差即对自己估计值的置信度。对于单片机通常实现的是简化版的卡尔曼滤波因为标准版计算量较大。网上有大量针对MPU6050等IMU的简化卡尔曼滤波代码其效果通常优于互补滤波。实操中如果你的主控芯片性能足够如STM32F4、H7系列强烈建议尝试移植一个成熟的简化卡尔曼滤波库这对提升角度估计的平稳性和抗干扰性有立竿见影的效果。5.3 实操中的传感器注意事项安装位置尽量将IMU惯性测量单元安装在车的重心附近并牢固固定。任何松动都会引入毁灭性的振动噪声。可以用海绵胶扎带双重固定。电源去耦为IMU模块提供干净、稳定的电源最好单独用LDO供电并加上滤波电容。电机驱动产生的电源噪声是传感器数据毛刺的主要来源。数据校准上电后在车静止时采集数百个陀螺仪和加速度计的原始数据计算零偏Offset并在后续读数中减去。这是减少静态误差的基础步骤。采样同步确保角度计算滤波的控制周期与PD控制周期严格一致并使用定时器中断来保证周期性。6. 从理论到实践代码框架与调试实录理论分析得再透彻最终都要落到代码上。这里给出一个最简化的、基于中断服务程序的代码框架思路。6.1 软件架构设计// 全局变量定义 float g_fAngle_Actual; // 融合后的实际角度 float g_fAngle_Last; // 上次角度用于计算角速度 float g_fGyro_Actual; // 滤波后的角速度 float g_fControl_Out; // PD控制器输出通常为电机PWM占空比增量 // 定时器中断服务函数例如5ms周期 void TIMx_IRQHandler(void) { if(TIM_GetITStatus(TIMx, TIM_IT_Update) ! RESET) { TIM_ClearITPendingBit(TIMx, TIM_IT_Update); // 1. 传感器数据读取 MPU6050_ReadData(acc, gyro); // 读取原始加速度计和陀螺仪数据 // 2. 数据滤波与角度解算 g_fAngle_Actual ComplementaryFilter(acc, gyro); // 互补滤波或卡尔曼滤波 g_fGyro_Actual LowPassFilter(gyro); // 对陀螺仪数据低通滤波用于D项 // 3. PD控制器计算 float error g_fAngle_Actual - g_fAngle_Target; // 目标角度通常为0直立 float error_dot g_fGyro_Actual; // 角速度直接作为微分项 // 注意这里用角速度代替角度差分更抗噪声 g_fControl_Out Kp * error Kd * error_dot; // 4. 输出限幅与分配 if(g_fControl_Out PWM_MAX) g_fControl_Out PWM_MAX; if(g_fControl_Out -PWM_MAX) g_fControl_Out -PWM_MAX; // 根据输出正负分配给左右电机差速用于转向控制此处简化为同向 Motor_SetPWM(MOTOR_LEFT, BASE_PWM g_fControl_Out); Motor_SetPWM(MOTOR_RIGHT, BASE_PWM g_fControl_Out); // 5. 更新历史值 g_fAngle_Last g_fAngle_Actual; // 6. 可选数据发送到上位机用于调试 Send_To_PC(g_fAngle_Actual, g_fGyro_Actual, g_fControl_Out); } }6.2 调试技巧与现场实录调试是整个过程中最考验耐心和经验的环节。分享几个血泪教训“先稳后动”务必在车轮悬空的情况下调好平衡参数。在车上电前用手拨动车轮确保电机能正反转且响应正确。悬空调试时用手轻轻拨动车身观察车轮是否反向转动以“抵抗”你的拨动。反应正确且平稳后再尝试下地。下地前的准备限速在代码中给控制输出g_fControl_Out加上一个绝对值上限防止第一次下地时因参数不对而“窜飞”。保护性支架可以在车身两侧临时绑上长长的、向外伸出的轻质杆如碳纤维杆防止车在剧烈摇晃时直接摔倒在地损坏车模。随时断电手指放在电源开关上情况不对立即断电。下地调试第一次下地车大概率会往一个方向加速跑掉。这是因为重心不绝对居中或电机输出不对称。此时需要引入一个很小的速度环或者直接用一个很小的常数项来补偿这个静差让车能原地基本站稳。观察车的振荡模式。如果是高频“哆嗦”可能是Kp太大或Kd太小如果是低频缓慢“摇摆”可能是Kp不足或Kd太大。用手轻轻推车测试其抗干扰能力。恢复速度快且平稳为佳。数据是唯一的真理永远相信上位机绘图的数据而不是你的感觉。通过曲线你可以清晰看到角度、角速度、控制量的变化关系分析振荡频率、超调量等。7. 常见问题排查与进阶优化即使按照流程你也一定会遇到各种问题。这里列一个速查表现象可能原因排查思路与解决方案车轮悬空能稳下地就倒1. 重心太高或太低。2. 电机扭矩不足/响应慢。3. 地面摩擦力太小如光滑地板。4. 传感器安装不牢固下地振动大。1. 调整电池等重物位置降低重心并尽量靠近车轮轴心。2. 检查电机驱动电流是否足够 PWM频率是否合适通常10-20kHz。3. 更换抓地力强的轮胎或在地面铺粗糙胶带。4. 加固IMU并检查软件中是否对加速度计数据做了充分的低通滤波。车在平衡点高频振荡哆嗦1. Kp过大。2. Kd过小。3. 传感器噪声大尤其是D项放大噪声。1. 逐步减小Kp。2. 逐步增大Kd。3. 加强传感器数据滤波降低互补滤波α值或增加卡尔曼滤波的过程噪声参数Q。检查硬件电源和安装。车反应迟钝恢复慢1. Kp过小。2. Kd过大。3. 控制周期太长。1. 逐步增大Kp。2. 逐步减小Kd。3. 在MCU负载允许下缩短控制周期如从10ms减到5ms。向一个方向缓慢跑偏1. 机械结构不对称重心偏。2. 两个电机特性不一致。3. 加速度计零偏未校准。1. 物理配重调整。2. 分别测试两个电机空载转速在代码中对PWM输出做微调补偿。3. 重新进行传感器静止校准。角度估计缓慢漂移1. 陀螺仪零漂未校准或温漂。2. 互补滤波中信任陀螺仪过多α太大。1. 上电时进行静止校准或考虑在线估计零漂较复杂。2. 适当减小α增加加速度计权重。加入速度环后车来回“点头”速度环PI参数不当与内环平衡环耦合产生振荡。1.确保内环平衡环已完全调稳。2. 将速度环的积分项I先设为0只调比例项P。3. 速度环的响应速度应远慢于平衡环。从极小的P开始调慢慢增加。进阶优化方向参数自整定编写简单的上位机通过无线通信实时修改下位机的Kp Kd参数并观察效果能极大提升调试效率。自适应控制当车负载变化如电池电量下降导致电机效能变化时固定参数可能不优。可以探索根据控制效果如误差大小微调参数的方法。LQR控制如果你精确获得了系统的状态空间模型A B矩阵可以尝试使用线性二次型调节器LQR来求解最优状态反馈矩阵K。LQR能同时优化多个状态角度、角速度、位置、速度理论上性能优于手动调试的PD。但这需要更扎实的现代控制理论知识和准确的系统辨识。平衡车的调校是一个螺旋上升的过程理论分析提供方向实践调试验证并修正理论两者不断循环。最令人兴奋的时刻莫过于看到自己亲手搭建、编程的车模从东倒西歪到稳稳立住再到听从指令前进后退。这个过程里学到的系统思维、动手能力和解决问题的方法远比比赛名次本身更有价值。希望这篇长文能成为你智能车平衡控制之旅的一块扎实的垫脚石。
1. 项目概述从“会跑”到“站得住”的挑战做智能车尤其是参加全国大学生智能车竞赛的同学们可能都经历过这样一个阶段让车跑起来不难但让它“站”起来像不倒翁一样稳定地直立行走那完全是另一个维度的挑战。我当年第一次接触平衡车组别时看着前辈的代码和一堆看不懂的公式也是一头雾水。后来才明白这背后是一套完整的、从物理世界抽象到代码世界的控制理论。今天我们就来彻底拆解一下“智能车单车组之平衡控制理论分析篇”这个核心命题。说白了就是搞清楚你的车为什么能站住以及如何通过数学和代码让它站得更稳。这不仅仅是写几行PID代码那么简单。它要求你从零开始理解一个物理系统的动力学行为建立数学模型设计控制器最后在真实的、充满噪声和不确定性的硬件上实现。整个过程是理论联系实践的绝佳范例。无论你是刚入门的竞赛新手还是对自动控制感兴趣的技术爱好者这篇文章都将带你走一遍完整的思考和实践路径。我会尽量用“说人话”的方式把那些看起来高深的理论掰开了揉碎了讲清楚并附上大量我在实际调车过程中踩过的坑和总结的经验。我们的目标很明确让你不仅能看懂理论更能亲手调出一辆稳如磐石的平衡车。2. 核心思路从物理摆到数字控制器要让一个两轮车保持平衡我们的核心思路是模仿人类骑独轮车。当你身体前倾时你会下意识地驱动车轮向前滚动以“追赶”你倒下的趋势反之亦然。对于智能车这个“下意识”就是我们的控制器。整个系统的设计流程可以概括为物理系统分析 - 动力学建模 - 控制器设计 - 离散化与数字化实现。2.1 物理系统抽象倒立摆模型这是理解平衡控制最直观的模型。我们把智能车简化为一个“倒立摆”。摆杆就是车身包括所有上层结构摆的支点就是车轮轴心。这个摆天然是不稳定的重心在支点上方稍有扰动就会倒下。我们的任务就是通过控制车轮的加速度进而控制车轮的位置和速度让这个倒立摆的倾角稳定在垂直向上即0度附近。这里有几个关键状态量需要我们时刻关注车身倾角Pitch Angle, θ车身相对于垂直方向的夹角。这是最核心的被控量我们的终极目标就是让它归零并保持。车身倾角速度θ_dot倾角的变化率。它告诉我们车身倒下的趋势和快慢是进行“预见性”控制的关键。车轮转速/位移为了抵消车身的倾倒车轮必须移动。车轮的运动状态既是控制的结果也会反过来影响车身状态。理解这个模型就理解了平衡控制的本质这是一个通过控制底盘车轮运动来稳定上层车身姿态的典型问题。2.2 控制策略选择为什么是PD而不是单纯的P或PID提到控制很多人第一反应就是PID。但在平衡车这个具体场景下我们通常使用PD控制器而不是完整的PID。这是有深刻原因的。比例P控制输出 Kp * 误差。误差就是当前倾角θ。如果只有P控制车轮会产生一个与倾角成正比的加速度去“扶正”车身。但这就好比推一个摇摆的椅子你只根据椅子的倾斜角度去推很容易推过头导致车身在平衡点附近来回振荡甚至发散。因为系统有惯性车身倒下的趋势角速度没有被考虑进去。微分D控制输出 Kd * 误差的变化率。在这里误差的变化率就是倾角速度θ_dot。D控制的作用是“阻尼”它能够预测未来的误差趋势。当车身正在快速倒下时θ_dot很大D项会产生一个很强的控制量来抑制这个趋势相当于给系统增加了“粘性”防止超调和振荡。积分I控制输出 Ki * 误差的积分。I项用来消除静态误差。但在平衡车系统中我们通常不希望存在静态误差即车身长期稳定在一个非零的小角度上。因为那意味着车是在一个“歪着”的状态下靠车轮持续微调来维持的这不是真正的动态平衡。更重要的是平衡车系统对外界干扰如电机死区、地面不平非常敏感引入I控制极易导致积分饱和使得系统响应迟钝甚至失控。因此在基础的平衡控制中我们果断舍弃I项。所以PD控制器成为了最优选择P项提供“扶正”的力D项提供“抑制摆动”的阻尼力两者配合既能快速响应又能平稳收敛。控制器输出通常是车轮的目标加速度或速度可以表示为输出 Kp * θ Kd * θ_dot这个公式就是整个平衡控制算法的核心。3. 动力学建模用数学描述你的车理论分析不能只停留在概念上我们需要定量的数学描述。这就是动力学建模。对于智能车单车组我们通常建立线性化模型。别怕我们一步步来。3.1 模型假设与受力分析为了简化我们做几个合理假设车身是刚体且质量集中在质心。车轮与地面纯滚动无滑动。忽略空气阻力、电机电感等次要因素。在平衡点θ0附近进行线性化即认为sinθ ≈ θ, cosθ ≈ 1。我们对两个部分分别进行受力分析车身摆杆和车轮。对车身它受到重力、车轮轴心对它的作用力水平和垂直分力。根据牛顿第二定律和转动定律可以列出关于车身倾角θ的方程。对车轮它受到车身给它的反作用力、地面摩擦力以及电机提供的扭矩。同样可以列出关于车轮位移x的方程。3.2 状态空间方程推导将上面列出的微分方程联立、整理、消去中间变量如相互作用力我们可以得到一组以状态变量和控制输入描述的系统方程。通常我们选择状态变量为X [θ, θ_dot, x, x_dot]^T即倾角、倾角速度、车轮位移、车轮速度。控制输入u就是电机的扭矩或等效的加速度。经过推导具体过程涉及较多公式这里给出结论性形式系统可以表示为X_dot A * X B * uY C * X(观测输出比如我们只关心倾角θ)其中A是系统矩阵B是输入矩阵。它们的元素由车的物理参数决定比如车身质量m_b、车轮质量m_w、车身质心到轴心距离l、车轮半径r、转动惯量J等。这一步的意义在于我们把一个复杂的物理系统变成了一个标准的、可以用现代控制理论如极点配置、LQR进行分析和设计的数学模型。即使你后续只用PD控制理解这个模型也能让你明白每个参数Kp Kd到底在影响系统的什么特性。3.3 模型参数获取与意义模型里的物理参数从哪里来质量m_b, m_w直接用秤测量。区分车身包括所有上层电路板、电池、传感器支架和车轮含轮胎、电机转子的质量至关重要。质心高度l这是最关键也是最难测准的参数之一。一个实用方法是把组装好的车身部分不含车轮想办法水平支撑起来像天平一样找到它的平衡点测量该点到车轮轴心的距离。也可以用车身总质量、各部件质量和位置估算。转动惯量J车身绕轴心旋转的惯性度量。精确计算复杂可采用等效摆长法估算让车身做小角度自由摆动测量摆动周期T。根据单摆周期公式T 2π * sqrt(L/g)反推出等效摆长L。那么转动惯量J ≈ m_b * L^2。这个方法是实测中比较可靠的。注意你不需要得到一个绝对精确的模型。建模的目的是理解系统内在的动态关系并为控制器参数提供一个数量级正确的初始值。最终参数一定是在实车上“调”出来的但好的初始值能让你少走90%的弯路。4. 控制器设计与参数整定有了模型我们就可以设计控制器了。我们重点讲PD控制器的参数整定这是实操中最耗时的部分。4.1 从连续域到离散域理论到实践的桥梁我们设计的PD控制器u Kp*θ Kd*θ_dot是在连续时间域模拟世界的。但我们的微控制器MCU是在离散时间域数字世界运行的它以固定的周期比如5ms采样传感器数据计算控制量。因此我们需要进行离散化。最常用的方法是一阶后向差分θ_dot(k) ≈ (θ(k) - θ(k-1)) / Δt其中θ(k)是本次采样的角度θ(k-1)是上次采样的角度Δt是控制周期。于是离散域的PD控制算法变为u(k) Kp * θ(k) Kd * (θ(k) - θ(k-1)) / Δt在实际编程中我们常把Kd/Δt合并为一个新的系数Kd_discrete即u(k) Kp * θ(k) Kd_discrete * (θ(k) - θ(k-1))这一点至关重要你在论文或教材里看到的Kd是连续域的而你在代码里调的Kd_discrete是离散域的两者相差一个控制周期的倍数关系。很多同学调参混乱就是因为混淆了这两者。4.2 参数整定方法论从“瞎调”到“有章法”调参是门艺术但更需要科学方法。绝对不要一上来就盲目修改Kp和Kd。第一步准备工作安全措施用架子把车架起来让车轮悬空这是调平衡参数的前提防止调参过程中车窜出去撞坏。数据可视化务必通过蓝牙、WiFi或串口将关键的实时数据如原始角度、滤波后角度、角速度、控制输出发送到上位机如SerialPlot、匿名上位机、自己写的Python程序并绘图。眼睛看灯和听电机声音是靠不住的。第二步先调Kp再调Kd令 Kd 0。先只调Kp。给车一个小的初始倾斜角度。逐渐增大Kp。你会观察到Kp太小车反应迟钝慢慢倒下去扶不起来。Kp合适车开始试图扶正自己但会在平衡点附近来回振荡可能是发散的也可能是等幅振荡。Kp太大车剧烈振荡甚至电机发出高频噪音立即失控。找到一个使车产生稳定、等幅振荡的Kp值记下这个值Kp_osc。这个状态说明P控制提供了足够的“恢复力”但缺乏“阻尼”。第三步引入Kd抑制振荡保持Kp Kp_osc开始逐渐增加Kd。观察振荡变化Kd增加振荡幅度会明显减小周期可能变长。Kd太小振荡衰减慢。Kd合适振荡被快速抑制车身能迅速稳定在平衡点且响应平稳。Kd太大系统“阻尼”过强变得反应迟钝。从倾斜状态恢复到直立的时间很长感觉“粘滞”且可能对传感器噪声异常敏感因为D项会放大噪声。调整Kd直到获得最快的、无超调或微小超调的稳定过程。第四步微调Kp与Kd的配合在有了初步的Kd后可以回头微调Kp。有时适当降低Kp并配合Kd能得到更柔和的响应。最终目标是响应速度快稳定过程平稳无振荡抗干扰能力强轻轻推一下能快速恢复。4.3 高级话题串级控制与速度环单纯的平衡PD环只能让车“站住”。如果你想让它“走起来”或者“定在一个位置”还需要引入速度环和位置环形成串级控制。内环平衡环PD输入是倾角/角速度输出是车轮的目标加速度或直接换算为电机扭矩/占空比。它的任务是“维持直立”响应最快。外环速度环PI输入是目标速度与实际速度由编码器测得的误差输出是平衡环的目标倾角。比如想让车向前走速度环就会计算出一个“需要车身向前倾多少度”的指令发给平衡环。平衡环为了维持这个前倾角度就会驱动车轮向前加速从而让车整体向前运动。最外环位置环P或PI输入是目标位置与实际位置的误差输出是速度环的目标速度。这样位置环指挥速度环速度环指挥平衡环层层嵌套。调试时必须从内环到外环即先调好平衡环再调速度环最后调位置环。切不可顺序颠倒。5. 传感器融合与数据处理控制器的“眼睛”控制器再优秀如果“眼睛”传感器提供的信息不准、不稳一切白搭。平衡车主要依赖陀螺仪和加速度计。5.1 传感器特性与互补滤波加速度计测量的是包括重力在内的所有合加速度。在静止或低速时可以通过反正切计算倾角长期静态精度高。但对车身运动特别是电机振动、车轮加速产生的线性加速度非常敏感动态噪声大。陀螺仪测量角速度积分可以得到角度变化。动态响应好短期精度高。但存在零漂温漂积分会累积误差导致长期角度发散。显然两者优缺点互补。互补滤波就是将它们融合的经典算法其核心思想是用高通滤波器滤掉加速度计的低频噪声运动干扰用低通滤波器滤掉陀螺仪的高频噪声零漂再将两者融合。一个最简单的一阶互补滤波公式如下角度 α * (上一时刻角度 陀螺仪角速度 * dt) (1 - α) * 加速度计角度其中α是一个介于0和1之间的滤波系数dt是采样周期。α接近1更信任陀螺仪系统响应快但长时间会漂移。α接近0更信任加速度计静态稳但动态响应差。通常α取值在0.95-0.99之间需要根据实际传感器噪声和车辆动态测试调整。5.2 卡尔曼滤波初探对于追求更高性能的队伍卡尔曼滤波是更优的选择。你可以把它理解为一个“智能的”互补滤波器。它不仅融合数据还会根据系统模型就是前面推导的动力学模型来预测下一个时刻的状态再与传感器测量值进行“最优”加权融合。它能更好地处理噪声并提供状态估计的协方差即对自己估计值的置信度。对于单片机通常实现的是简化版的卡尔曼滤波因为标准版计算量较大。网上有大量针对MPU6050等IMU的简化卡尔曼滤波代码其效果通常优于互补滤波。实操中如果你的主控芯片性能足够如STM32F4、H7系列强烈建议尝试移植一个成熟的简化卡尔曼滤波库这对提升角度估计的平稳性和抗干扰性有立竿见影的效果。5.3 实操中的传感器注意事项安装位置尽量将IMU惯性测量单元安装在车的重心附近并牢固固定。任何松动都会引入毁灭性的振动噪声。可以用海绵胶扎带双重固定。电源去耦为IMU模块提供干净、稳定的电源最好单独用LDO供电并加上滤波电容。电机驱动产生的电源噪声是传感器数据毛刺的主要来源。数据校准上电后在车静止时采集数百个陀螺仪和加速度计的原始数据计算零偏Offset并在后续读数中减去。这是减少静态误差的基础步骤。采样同步确保角度计算滤波的控制周期与PD控制周期严格一致并使用定时器中断来保证周期性。6. 从理论到实践代码框架与调试实录理论分析得再透彻最终都要落到代码上。这里给出一个最简化的、基于中断服务程序的代码框架思路。6.1 软件架构设计// 全局变量定义 float g_fAngle_Actual; // 融合后的实际角度 float g_fAngle_Last; // 上次角度用于计算角速度 float g_fGyro_Actual; // 滤波后的角速度 float g_fControl_Out; // PD控制器输出通常为电机PWM占空比增量 // 定时器中断服务函数例如5ms周期 void TIMx_IRQHandler(void) { if(TIM_GetITStatus(TIMx, TIM_IT_Update) ! RESET) { TIM_ClearITPendingBit(TIMx, TIM_IT_Update); // 1. 传感器数据读取 MPU6050_ReadData(acc, gyro); // 读取原始加速度计和陀螺仪数据 // 2. 数据滤波与角度解算 g_fAngle_Actual ComplementaryFilter(acc, gyro); // 互补滤波或卡尔曼滤波 g_fGyro_Actual LowPassFilter(gyro); // 对陀螺仪数据低通滤波用于D项 // 3. PD控制器计算 float error g_fAngle_Actual - g_fAngle_Target; // 目标角度通常为0直立 float error_dot g_fGyro_Actual; // 角速度直接作为微分项 // 注意这里用角速度代替角度差分更抗噪声 g_fControl_Out Kp * error Kd * error_dot; // 4. 输出限幅与分配 if(g_fControl_Out PWM_MAX) g_fControl_Out PWM_MAX; if(g_fControl_Out -PWM_MAX) g_fControl_Out -PWM_MAX; // 根据输出正负分配给左右电机差速用于转向控制此处简化为同向 Motor_SetPWM(MOTOR_LEFT, BASE_PWM g_fControl_Out); Motor_SetPWM(MOTOR_RIGHT, BASE_PWM g_fControl_Out); // 5. 更新历史值 g_fAngle_Last g_fAngle_Actual; // 6. 可选数据发送到上位机用于调试 Send_To_PC(g_fAngle_Actual, g_fGyro_Actual, g_fControl_Out); } }6.2 调试技巧与现场实录调试是整个过程中最考验耐心和经验的环节。分享几个血泪教训“先稳后动”务必在车轮悬空的情况下调好平衡参数。在车上电前用手拨动车轮确保电机能正反转且响应正确。悬空调试时用手轻轻拨动车身观察车轮是否反向转动以“抵抗”你的拨动。反应正确且平稳后再尝试下地。下地前的准备限速在代码中给控制输出g_fControl_Out加上一个绝对值上限防止第一次下地时因参数不对而“窜飞”。保护性支架可以在车身两侧临时绑上长长的、向外伸出的轻质杆如碳纤维杆防止车在剧烈摇晃时直接摔倒在地损坏车模。随时断电手指放在电源开关上情况不对立即断电。下地调试第一次下地车大概率会往一个方向加速跑掉。这是因为重心不绝对居中或电机输出不对称。此时需要引入一个很小的速度环或者直接用一个很小的常数项来补偿这个静差让车能原地基本站稳。观察车的振荡模式。如果是高频“哆嗦”可能是Kp太大或Kd太小如果是低频缓慢“摇摆”可能是Kp不足或Kd太大。用手轻轻推车测试其抗干扰能力。恢复速度快且平稳为佳。数据是唯一的真理永远相信上位机绘图的数据而不是你的感觉。通过曲线你可以清晰看到角度、角速度、控制量的变化关系分析振荡频率、超调量等。7. 常见问题排查与进阶优化即使按照流程你也一定会遇到各种问题。这里列一个速查表现象可能原因排查思路与解决方案车轮悬空能稳下地就倒1. 重心太高或太低。2. 电机扭矩不足/响应慢。3. 地面摩擦力太小如光滑地板。4. 传感器安装不牢固下地振动大。1. 调整电池等重物位置降低重心并尽量靠近车轮轴心。2. 检查电机驱动电流是否足够 PWM频率是否合适通常10-20kHz。3. 更换抓地力强的轮胎或在地面铺粗糙胶带。4. 加固IMU并检查软件中是否对加速度计数据做了充分的低通滤波。车在平衡点高频振荡哆嗦1. Kp过大。2. Kd过小。3. 传感器噪声大尤其是D项放大噪声。1. 逐步减小Kp。2. 逐步增大Kd。3. 加强传感器数据滤波降低互补滤波α值或增加卡尔曼滤波的过程噪声参数Q。检查硬件电源和安装。车反应迟钝恢复慢1. Kp过小。2. Kd过大。3. 控制周期太长。1. 逐步增大Kp。2. 逐步减小Kd。3. 在MCU负载允许下缩短控制周期如从10ms减到5ms。向一个方向缓慢跑偏1. 机械结构不对称重心偏。2. 两个电机特性不一致。3. 加速度计零偏未校准。1. 物理配重调整。2. 分别测试两个电机空载转速在代码中对PWM输出做微调补偿。3. 重新进行传感器静止校准。角度估计缓慢漂移1. 陀螺仪零漂未校准或温漂。2. 互补滤波中信任陀螺仪过多α太大。1. 上电时进行静止校准或考虑在线估计零漂较复杂。2. 适当减小α增加加速度计权重。加入速度环后车来回“点头”速度环PI参数不当与内环平衡环耦合产生振荡。1.确保内环平衡环已完全调稳。2. 将速度环的积分项I先设为0只调比例项P。3. 速度环的响应速度应远慢于平衡环。从极小的P开始调慢慢增加。进阶优化方向参数自整定编写简单的上位机通过无线通信实时修改下位机的Kp Kd参数并观察效果能极大提升调试效率。自适应控制当车负载变化如电池电量下降导致电机效能变化时固定参数可能不优。可以探索根据控制效果如误差大小微调参数的方法。LQR控制如果你精确获得了系统的状态空间模型A B矩阵可以尝试使用线性二次型调节器LQR来求解最优状态反馈矩阵K。LQR能同时优化多个状态角度、角速度、位置、速度理论上性能优于手动调试的PD。但这需要更扎实的现代控制理论知识和准确的系统辨识。平衡车的调校是一个螺旋上升的过程理论分析提供方向实践调试验证并修正理论两者不断循环。最令人兴奋的时刻莫过于看到自己亲手搭建、编程的车模从东倒西歪到稳稳立住再到听从指令前进后退。这个过程里学到的系统思维、动手能力和解决问题的方法远比比赛名次本身更有价值。希望这篇长文能成为你智能车平衡控制之旅的一块扎实的垫脚石。
