基于自抗擾控制算法的兩輪自平衡車分析

胡 建，顏鋼鋒

（浙江大學 電氣工程學院，浙江 杭州 310027）

0 引 言

兩輪自平衡車屬于輪式機器人的范疇，體積小、結構簡單、運動靈活，特別適于在狹小和危險的空間內工作；同時由于它具有不穩定的動態特性，是一個典型的倒立擺運動模型［1-3］，兩輪自平衡車成為驗證各種控制算法的理想平臺，具有重要的理論意義。它的工作原理是:系統利用陀螺儀和加速度傳感器，檢測出車身的俯仰狀態以及狀態變化率，通過中央處理器計算并發出命令，驅動電機加速向前或向后等動作來保持車體的平衡。駕駛者只需通過前傾或后仰來控制車子的速度，通過轉向把手來控制左右的轉向。它屬于典型的非線性、時變、欠驅動、非完整約束系統，解決它的控制問題是其研究的關鍵。

本研究首先運用牛頓動力學分析的方法，對兩輪自平衡車分別進行運動學和動力學的分析，從而得到系統的數學模型，為控制器設計實現提供可靠的理論依據。筆者根據著名的解耦定理［4］，將系統解耦成平衡與轉向兩個子系統分別來控制。針對具有強非線性的前進子系統，論證基于近似線性化、精確線性化及自抗擾控制控制策略的應用可行性。利用Matlab中Simulink模型對自抗擾算法進行仿真，并通過搭建的兩輪自平衡車控制系統實驗平臺進行實驗，獲得期望的平衡效果，以驗證該算法的正確性與有效性。

1 兩輪自平衡車的動力學模型

要定量、準確地分析設計一個控制系統，認識研究對象，提高控制能力，一定要建立控制對象的數學模型。精確地確立兩輪自平衡車的數學模型，是解決其控制問題的關鍵之一。

為了實現兩輪自平衡車的運動狀態控制，需要建立其運動學模型。本研究以右輪和車體為研究對象，進行受力分析，受力分析圖如圖1、圖2所示。

圖1 對右輪進行受力分析

圖2 車體的受力分析

首先，將推導公式中要用到的符號作如下說明:

VR[m/s]，VL[m/s]—左右電機的速度；

MR[kg]，ML[kg]—左右電機的質量；

JR[kg·m2]，JL[kg·m2]—左右電機的相對于z軸轉動慣量；

CR[N·m]，CL[N·m]—左右電機的輸出轉矩；

θ[rad]—車體向前的傾角；

ω[rad/s]—車體向前的角速度；

Jθ[kg·m2]—車體相對于z軸的轉動慣量；

δ[rad]—轉把的轉向角；

δ·[rad/s]—轉把的轉向角速度；

Jδ[kg·m2]—車體相對于y軸的轉動慣量；

MP[kg]—車體的質量（包括駕駛人的質量）；

V[m/s]—兩輪自平衡車向前行駛的速度；

R[m]—電機的半徑；

D[m]—兩電機車輪中心的橫向距離；

L[m]—車體的重心到Z軸的距離；

b—庫侖摩擦系數；

μ—粘滯摩擦系數。

由力學知識可知，庫侖摩擦力fc=μsign(V)，粘滯摩擦力fb=bV。

（1）對于右輪受力分析如圖1所示，運用牛頓定律可知:

同理，左輪的力學方程為:

（2）對于車體的受力分析如圖2所示，有如下的力學方程:

（3）解上面的方程組，求出系統的數學模型。

由相關知識可知，JL=JR=J，x=(xR+xL)/2=R(θR+θL)/2，MR=ML=M，那么，可以先求出:

由式（6，7，9），可得:

由式（13，18），得:

由式（1～10），得:

將式（18，19）代入式（20），則有:

其中:

由物理學知識知，ω=θ·，則有:

其中:

對于轉向，有δ·=(VL-VR)/D，結合式（1，6），可化簡為:

其中:

從上述分析可以看出兩輪自平衡車的模型是一個非線性模型，如果采用經典的控制理論方法則需要將θ限制在 0度附近很小的范圍內（即:sin(θ)≈θ，cos(θ)≈1）作近似處理，得到線性化的模型。而本研究采取的方法，則是根據現代控制理論，選擇一組狀態變量來描述上述系統的動態特征，就可以確定系統的未來狀態和輸出。在兩輪自平衡車所建立的模型基礎上，筆者所選的狀態變量為則該系統的狀態空間［5］非線性方程為:

其中:

本研究利用狀態空間模型來分析非線性系統，利用Matlab強大的矩陣運算能力來進行系統仿真和分析系統的動態和靜態性能，也為下面控制系統的解耦成兩個子系統奠定模型基礎。

2 控制策略

在這里忽略電機的模型，因為電機的時間常數遠比系統的時間常數小，這個動力學模型可被解耦成兩個子系統來控制［6］，即:

式中:Cθ—控制平衡所需要的電機輸出轉矩，Cδ—轉向所需的電機輸出轉矩。

首先，忽略fdL，fdR，fdP，因為它們是擾動力，不能用來控制系統，而2μsign(V)值很小，先作忽略來處理。從解耦出來的平衡狀態的數學模型可知，當θ和V為常值時，則它們各自的微分量ω=0，V·=0，那么Cθ=-A43θ/B4，兩輪自平衡車也將保持一個恒定的速度V=(A43B2-B4A23)θ/A22B4。因此，當駕駛者向前傾斜到一個恒定的角度θ時，為了不使其倒下來，兩輪自平衡車必須到達一個恒定的速度V。

從以上的模型中可以看出，由于駕駛者和其他因素對平衡車系統的影響不同，導致系統的參數大小變化，根據這些情況實時地輸出系統所需的電機轉矩，就需要考慮到自適應算法［7］，它介紹了魯棒控制自適應的控制方法，讓系統根據實際要求輸出所需的轉矩。針對控制系統參數的不確定和擾動作用的不同，下面，本研究介紹引進了一種控制算法，它是由我國著名的韓京清研究員建立并推廣使用的自抗擾控制，把系統中未建模部分和其他因素導致系統變化的部分當成總擾動來補償控制量。

3 自抗擾控制技術

自抗擾控制技術［8-12］是從經典的PID控制理論演變而來的，采取的是PID誤差反饋控制的核心理念。該控制技術由跟蹤微分器、擴張狀態觀測器和非線性狀態誤差反饋律3部分組成。

各部分的功能分別如下:

（1）跟蹤微分器的功能是為系統輸入安排過渡過程，得到光滑的輸入信號以及輸入信號的微分信號。

（2）擴張狀態觀測器（ESO）的功能是實時跟蹤系統狀態，不僅能得到系統的狀態信息，還能獲得對象模型中內擾和外擾的實時作用量。通過將這個實時作用量補償到控制器中去，可以使原來的非線性系統變成線性的積分器串聯型控制系統。這個動態估計補償總和擾動的技術是整個自抗擾控制技術中最關鍵、最核心的技術。

（3）非線性狀態誤差反饋律的功能是把跟蹤微分器產生的跟蹤信號和微分信號與擴張狀態觀測器得到的系統的狀態估計通過非線性函數進行適當組合，作為被控對象的控制量。

自抗擾控制技術中，非線性函數形式有多種，典型的二階自抗擾控制器的算法如圖3所示。

圖3ADRC結構框圖

3.1 安排過渡過程

為了得到微分信號，可以用下面最快地跟蹤給定信號的辦法來提取微分信號的非線性最速跟蹤微分器:

式中:v0—系統的參考輸入信號；v1—安排過渡過程，無超調；v2—其微分信號。

其原則為:選加速度形狀，先正后負，正部分的面積與負部分的面積相等；積分兩次，得單調上升、無條件超調的過渡過程。

fhan(x1,x2,r,h)的定義如下:

3.2 估計狀態和總振動（ESO）

擴張狀態觀測器是一個動態過程，它只用了原對象的輸入-輸出信號，沒有用到描述對象傳遞關系的函數的任何信息，它的狀態方程用如下表達式表示:

式中:z1，z2—實時估計對象的狀態；z3—擴張的狀態即為估計系統的總擾動。

3.3 非線性誤差反饋

對于誤差反饋，可以有很多種反饋形式，有線性的也有非線性的組合。考慮到兩輪車系統為一個非線性系統，采用下面的最速控制綜合函數形式來反饋:

上式中，非線性函數fal(e,α,d)的定義如下所示:

這里不再需要“誤差積分”反饋。“自抗擾”意義在于“補償”項-z3(k)/b，系統的“未建模動態”和“未知外擾”作用一并給予估計和補償。

在控制器中，β01，β02，β03，c，r，h1，b0是控制器的參數，r0是根據過渡過程快慢的需要和系統所能承受的能力決定的，只影響系統的跟蹤精度和過渡過程時間，對系統的輸出沒有影響，因此調整好之后就可以固定下來；參數β01，β02，β03是由系統所用采樣步長來決定的。所以，自抗擾控制系統中真正需要調整的參數為控制量增益r，阻尼系數c，精度因子h1和b0補償因子4個。在一般情況下，控制量增益r是大到一定程度就可以，再大也幾乎沒有影響。

4 仿真與實驗

由于兩輪自平衡車的參考位置為θ=0，則可以不安排合適的過渡過程，對于該系統來說，利用自抗擾控制的擴張狀態觀測器來估算系統的總擾動，作為控制對象輸入的補償即可:

f(x1,x2,t)未知，包含建模中不能確定的所有量。

假定e(k)=z1(k)-y(k)，則離散化的ESO為:

系統的總輸入量為:

對于非線性誤差反饋，其實它的反饋形式有線性和非線性反饋等多種形式，而在兩輪自平衡車的系統中，狀態量x1和x2，也即θ和ω可以通過加速度與陀螺儀傳感器分別測量，通過kalman濾波算法［13-15］可以得到精確的狀態信息，反饋形式可取為如下的線性形式，即:

為了從理論上驗證算法的可行性，本研究首先進行仿真論證。仿真給定初始的角度擾動為5°，利用Matlab中的Simulink模型來搭建系統模型，得到的仿真波形曲線如圖4所示。下面為實驗測得的兩輪車參數:

圖4中，曲線線型的含義如下:虛線表示車的速度V，實線表示傾角θ，點劃線表示角速度ω。從圖4中可以看出，自抗擾控制能抑制初始的擾動，補償輸出控制量讓車的狀態回到θ=0的平衡態，且獲得一定的速度向前行駛，與理論分析一致，說明該方法的正確性。

為了做到理論與實踐相結合，以便更好地驗證算法的正確性，本研究利用ARM公司的Cortex-M3內核的嵌入式微處理器作為主處理芯片來實現自抗擾控制算法，所做的控制器硬件圖如圖5所示。

圖4 仿真波形曲線

圖5 實驗控制器

圖6 不同重量的駕駛者斜坡行駛

為了更好地驗證算法，筆者在實驗室做的自平衡車體上進行實物實驗，用不同重量的人，在斜坡上駕駛著小車，取得了滿意的效果，所得到的實驗效果如圖6所示。不同質量的人在一個大于15°的斜坡上駕駛小車，小車均可以平穩地運行，不會出現不穩定的情況，不會因為人或者運行在地況不好的路段而出現不穩定、不平衡的情況，則說明自抗擾算法能較好地用于自適應地估算系統的擾動并進行控制補償。

5 結束語

本研究從兩輪自平衡車的物理模型著手分析，運用牛頓力學分析出其對應的數學模型，并結合自抗擾控制技術對系統進行了仿真分析，從理論上驗證了算法的可靠性。自抗擾控制技術的核心是把系統的未建模動態和未知擾動作用都歸結為對系統的“總擾動”而進行估計并給予補償，采用的方法是充分利用特殊的“非線性”效應，將一些摩擦力、不同重量的駕駛人員和未知的擾動統一歸為對系統的總擾動來處理，重點利用ESO來估算這個擾動的大小，對系統輸入進行補償。然而對于小車的轉向沒有作相應的分析，實驗中就采取了純開環的控制，轉向的實驗效果也較滿意。

在今后的研究中，可能需要進一步改進自抗擾參數整定的方法，也將自抗擾控制技術應用到小車的轉向控制中，以實現對兩輪自平衡車良好的控制，確保系統的穩定可靠。

（References）:

［1］CARABEL C J P，GARCIA A A Z.Modeling，control and automatic code generation for a two-wheeled self-balanc?ing vehicle using modelica［D］.Department of Automatic Control Lund University，2011.

［2］XV Jian-xin，GUO Zhao-qin，LEE T H.Design and imple?mentation of a takagi-sugeno-type fuzzy logic controller on a two-wheeled mobile robot［J］.Industrial Electronics，IEEE Transaction on，2013，60（12）:5717-5728.

［3］ZHANG Da-wei，HAN Qing-long，JIA Xin-chun.Networkbased H∞fuzzy control for a self-balancing two-wheeled inverted pendulum［C］//Industrial Electronics（ISIE），2013 IEEE International Symposium on ，2013:1-6.

［4］GRASSER F，ARRIGO A D，COLOMBI S.JOE:a mobile，inverted pendulum［J］.IEEE Transactions on Industrial Electronics，2002，2（1）:107-114.

［5］畢沙著.現代控制系統［M］.10版.趙千川，馮 梅，譯.北京:清華大學出版社，2008.

［6］LIN Shui-chun，TAI Ching-chih，HUANG Hsu-chih.De?velopment of self-balancing human transportation vehicle for the teaching of feedback control［J］.IEEE Transac?tions on Education，2009（2）:1-52.

［7］LIN Shui-chun，TSAI Ching-chih，HUANG Hsu-chih.Adaptive robust self-balancing and steering of a twowheeled human transportation vehicle［J］.Intell Robot System，2011，27（2）:103-123.

［8］韓京清.從PID技術到“自抗擾控制”技術［J］.控制工程，2002（5）:9-13.

［9］韓京清，王 偉.非線性跟蹤—微分器［J］.系統科學與數學，1994，14（2）:177-183.

［10］韓京清.一類不確定對象的擴張狀態觀測器［J］.控制與決策，1995，10（1）:85-88.

［11］韓京清.非線性狀態誤差反饋控制-NLSEF［J］.控制與決策，1995，10（3）:22-225.

［12］韓京清.自抗擾控制器及其應用［J］.控制與決策，1998，13（1）:19-23.

［13］馮智勇，曾 瀚.基于陀螺儀及加速度計信號融合的姿態角度測量［J］.西南師范大學學報:自然科學版，2011，8（5）:36-40.

［14］陳 晨，趙文宏，徐慧鑫，等.基于卡爾曼濾波的MEMS陀螺儀漂移補償［J］.機電工程，2013，30（3）:311-313，321.

［15］KALMAN R E.A new approach to linear filtering and pre?diction problems［J］.Transaction of the ASME-Journal of Basic Engineering，1960（3）:35-45.