LQR调参实战:如何用Python快速实现倒立摆稳定控制(附完整代码)

开源倒立摆:从PID到LQR的嵌入式控制实践指南 在嵌入式系统与机器人控制领域,实时控制是确保系统稳定运行的核心技术。其原理在于通过传感器采集系统状态,经控制器计算后驱动执行器,形成闭环反馈。这项技术的价值在于将理论算法转化为物理世界的精确行为,广泛应用于无人机平衡、机器人行走、工业自动化等场景。本文聚焦于经典控制对象——倒立摆,深入探讨如何利用STM32微控制器和FreeRTOS实时操作系统,实现从基础的PID控制到现代LQR(线性二次型调节器)算法的全栈开发。通过剖析传感器选型、电机驱动电路设计、状态估计等关键模块,并结合卡尔曼滤波等热词技术,为开发者 阅读详情

LQR调参实战:如何用Python快速实现倒立摆稳定控制(附完整代码)

如果你正在机器人控制或自动化领域摸索,想找一个既经典又实用的控制器设计方法,那么LQR(线性二次调节器)绝对是你绕不开的一站。它不像某些玄学般的调参方法,LQR提供了一套清晰的数学框架,让你能系统地权衡“状态误差”和“控制代价”。但理论归理论,真正把它用起来,尤其是在像倒立摆这样经典的欠驱动系统上,很多人还是会卡在调参这一步。这篇文章,我就想抛开那些冗长的公式推导,直接带你上手,用Python一步步搭建一个倒立摆的LQR控制器,并聚焦于最关键的环节——如何高效地调整Q和R这两个权重矩阵,让摆杆从晃晃悠悠到稳稳立住。整个过程,我会分享一些从仿真到实际调试中积累的“手感”和经验,希望能帮你少走弯路。

1. 从零搭建:倒立摆的数学模型与线性化

在动手写代码之前,我们必须先理解要控制的对象。一个典型的旋转倒立摆系统,通常包含一个可以绕轴旋转的摆杆和一个驱动摆杆的电机。我们的目标是,无论摆杆初始是下垂还是被扰动,都能通过控制电机转矩,让它快速且稳定地保持在上方的垂直平衡位置。

1.1 定义状态变量与动力学方程

首先,我们需要用数学语言描述这个系统。对于倒立摆,最核心的状态变量通常有四个:

  • 摆杆角度(θ):偏离垂直向上位置的角度。这是我们最关心的。
  • 摆杆角速度(θ_dot):角度随时间的变化率。
  • 电机(或小车)位置(x):在某些倒立摆变体中存在。
  • 电机速度(x_dot):位置的变化率。

为了简化,我们这里先考虑一个经典的、忽略电机位置的水平旋转倒立摆模型。其非线性动力学方程可以通过拉格朗日力学推导出来,它描述了摆杆角度、角速度与控制转矩(u)之间的关系。这个方程通常形如:

[ (J + ml^2)\ddot{\theta} + b\dot{\theta} - mgl \sin(\theta) = u ]

其中:

  • J 是摆杆的转动惯量。
  • m 和 l 分别是摆杆的质量和质心到转轴的长度。
  • b 是粘滞摩擦系数。
  • g 是重力加速度。
  • u 是施加的控制转矩。

这个方程是非线性的,主要是因为包含了 sin(θ) 项。而LQR是线性控制器,所以下一步必须进行线性化。

1.2 在平衡点附近线性化

LQR设计基于线性状态空间模型。我们的控制目标是让摆杆稳定在垂直向上位置,即平衡点 θ = 0。我们在这一点附近对系统进行线性化处理。

线性化的核心技巧是使用小角度假设:当 θ 很小时,sin(θ) ≈ θ,cos(θ) ≈ 1。将这个近似代入原非线性方程,并定义状态向量 x = [θ, θ_dot]^T,我们可以得到线性化后的状态空间方程:

[ \dot{x} = A x + B u ]

其中,系统矩阵 A 和输入矩阵 B 的具体形式为:

[ A = \begin{bmatrix} 0 & 1 \ \frac{mgl}{J+ml^2} & -\frac{b}{J+ml^2} \end{bmatrix}, \quad B = \begin{bmatrix} 0 \ \frac{1}{J+ml^2} \end{bmatrix} ]

这个 A, B 矩阵对就是我们设计LQR控制器的基石。它们的准确性直接影响到最终的控制效果。在实际编程中,我们会先定义系统的物理参数,然后由代码计算出 A 和 B。

import numpy as np

# 倒立摆物理参数
m = 0.1      # 摆杆质量 (kg)
l = 0.3      # 质心到转轴长度 (m)
J = 0.006    # 摆杆转动惯量 (kg*m^2)
b = 0.01     # 摩擦系数 (N*m*s)
g = 9.81     # 重力加速度 (m/s^2)

# 计算线性化后的系统矩阵 A 和输入矩阵 B
denominator = J + m * l**2
A = np.array([[0, 1],
              [m*g*l / denominator, -b / denominator]])
B = np.array([[0],
              [1 / denominator]])

print("系统矩阵 A:")
print(A)
print("\n输入矩阵 B:")
print(B)

注意:这里的参数(m, l, J, b)需要根据你实际使用的倒立摆硬件或高保真仿真模型进行标定。不准确的模型参数会导致基于模型设计的LQR控制器性能下降,甚至不稳定。

2. LQR核心:理解代价函数与权重矩阵的艺术

拿到了线性模型 (A, B),接下来就是LQR的舞台了。LQR的核心思想是定义一个衡量控制效果“好坏”的标尺——二次型代价函数,然后找出使这个“坏处”累计值最小的控制律。

2.1 代价函数的直观解读

连续时间LQR的代价函数 J 定义为:

[ J = \int_0^\infty (x^T Q x + u^T R u) , dt ]

这个公式包含了两部分:

  1. 状态代价 x^T Q x:惩罚系统状态偏离平衡点(通常是零点)的程度。Q 越大,控制器就越“讨厌”状态误差,会不惜一切代价(甚至很大的控制量)快速把误差压到零。
  2. 控制代价 u^T R u:惩罚控制输入(如电机转矩)的大小。R 越大,控制器就越“吝啬”,倾向于使用更小的控制力,但这可能导致响应变慢。

所以,调参的本质,就是在“快速收敛”和“控制能耗/执行器压力”之间做权衡。Q 和 R 就是你这个“裁判”手中的打分牌。

2.2 权重矩阵 Q 和 R 的设置策略

Q 和 R 通常被选为对角矩阵,这非常方便,因为对角线上的元素直接对应着每个状态变量和控制输入的权重。

  • 对于状态权重矩阵 Q:

    • 它是一个 n x n 的矩阵(n为状态数,本例中n=2)。
    • Q[0,0] 对应角度 θ 的权重。我们希望摆杆直立,所以这个值通常需要设得比较大。
    • Q[1,1] 对应角速度 θ_dot 的权重。设置它可以抑制摆杆的晃动速度,增加系统阻尼。
    • 非对角线元素一般设为0,除非你明确知道状态之间的耦合需要被特别惩罚。
  • 对于控制权重矩阵 R:

    • 它是一个 m x m 的矩阵(m为控制输入数,本例中m=1)。
    • 在本例中,R 就是一个标量 [r]。r 越大,控制力就越受限制。

一个经典的初始设置策略是 Bryson’s Rule:选择 Q 和 R 的对角元素,使得每个状态和输入的允许最大偏差的平方的倒数作为权重。例如,如果你认为角度 θ 的最大可接受偏差是0.1弧度,那么 Q[0,0] 可以设为 1 / (0.1^2) = 100。这为调参提供了一个有理有据的起点。

# 根据 Bryson‘s Rule 设定初始 Q 和 R
theta_max = 0.1          # 允许的最大角度偏差 (rad)
theta_dot_max = 1.0      # 允许的最大角速度 (rad/s)
u_max = 2.0              # 允许的最大控制转矩 (N*m)

Q = np.array([[1.0 / (theta_max**2), 0],
              [0, 1.0 / (theta_dot_max**2)]])
R = np.array([[1.0 / (u_max**2)]])

print("根据 Bryson‘s Rule 设定的初始权重矩阵:")
print("Q = ")
print(Q)
print("R = ", R)

3. 实战求解:用Python计算LQR反馈增益K

有了 A, B, Q, R,求解LQR控制器就转化为一个标准的数学计算问题:求解连续时间代数Riccati方程(CARE)。幸运的是,我们完全不需要手动推导,利用 SciPy 库可以一键求解。

3.1 求解Riccati方程与增益计算

scipy.linalg.solve_continuous_are 函数就是干这个的。它返回Riccati方程的解矩阵 P,然后最优反馈增益矩阵 K 由公式 ( K = R^{-1} B^T P ) 计算得出。

from scipy.linalg import solve_continuous_are

# 使用上面定义的 A, B, Q, R
# 求解连续时间代数Riccati方程 (CARE)
P = solve_continuous_are(A, B, Q, R)

# 计算最优反馈增益矩阵 K
K = np.linalg.inv(R) @ B.T @ P  # 等价于 np.dot(np.dot(np.linalg.inv(R), B.T), P)

print("Riccati方程的解矩阵 P:")
print(P)
print("\n最优反馈增益矩阵 K:")
print(K)

得到的 K 是一个 1x2 的矩阵(因为1个输入控制2个状态)。控制律就是 u = -K * x。这意味着,控制器会实时测量当前的角度 θ 和角速度 θ_dot,然后按照 K[0]*θ + K[1]*θ_dot 的比例计算出一个控制转矩,但符号为负(负反馈),用于抵消偏差。

3.2 验证闭环系统稳定性

计算出 K 后,一个良好的习惯是立即检查闭环系统 A_cl = A - B@K 的特征值。所有特征值都应具有负实部(位于复平面的左半平面),系统才是稳定的。

# 计算闭环系统矩阵
A_closed = A - B @ K

# 计算闭环系统特征值
eig_vals = np.linalg.eigvals(A_closed)
print("闭环系统矩阵 A_cl:")
print(A_closed)
print("\n闭环系统特征值:")
for eig in eig_vals:
    print(f"  {eig:.4f}")

# 稳定性判断
if np.all(np.real(eig_vals) < 0):
    print("✓ 闭环系统稳定。")
else:
    print("✗ 闭环系统不稳定!需要重新调整 Q 或 R。")

4. 调参心法:从仿真到“手感”的迭代策略

理论计算出的 K 保证了线性化模型在平衡点附近的稳定性,但实际性能如何?能否应对较大的初始偏差?这就要靠调参了。调参是一个迭代和权衡的过程。

4.1 建立仿真环境进行测试

我们需要一个仿真循环来模拟倒立摆的实时控制过程。这里使用欧拉积分进行简单的时间步进。注意,仿真中我们使用完整的非线性动力学模型来评估控制器性能,这比单纯的线性仿真更有说服力。

import matplotlib.pyplot as plt

def simulate_inverted_pendulum(A, B, K, initial_angle=0.2, sim_time=5.0, dt=0.01):
    """
    模拟倒立摆的LQR控制过程。
    使用非线性模型进行仿真,用线性LQR控制律。
    """
    # 初始化
    t = 0
    theta = initial_angle  # 初始角度偏移
    theta_dot = 0.0        # 初始角速度
    time_history = [t]
    angle_history = [theta]
    control_history = [0.0]

    # 物理参数(与之前定义一致)
    # ... (m, l, J, b, g 应作为参数传入或使用全局变量)

    while t < sim_time:
        # 1. 构建当前状态向量 (线性化点附近的状态)
        x = np.array([[theta], [theta_dot]])

        # 2. 计算LQR控制量 u = -K*x
        u = -K @ x
        u = u[0, 0]  # 转换为标量

        # 3. 使用**非线性模型**更新下一个状态 (欧拉积分)
        # 非线性动力学方程: (J+ml^2)*theta_ddot + b*theta_dot - mgl*sin(theta) = u
        theta_ddot = (u + m*g*l*np.sin(theta) - b*theta_dot) / (J + m*l**2)

        theta_dot += theta_ddot * dt
        theta += theta_dot * dt

        # 4. 记录数据
        t += dt
        time_history.append(t)
        angle_history.append(theta)
        control_history.append(u)

    return time_history, angle_history, control_history

# 运行仿真
time, angle, ctrl = simulate_inverted_pendulum(A, B, K, initial_angle=0.3, sim_time=3.0)

# 绘制结果
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(10, 6))
ax1.plot(time, angle)
ax1.set_ylabel('摆杆角度 (rad)')
ax1.set_title('LQR控制下倒立摆角度响应')
ax1.grid(True)
ax1.axhline(y=0, color='r', linestyle='--', alpha=0.5) # 目标线

ax2.plot(time, ctrl)
ax2.set_xlabel('时间 (s)')
ax2.set_ylabel('控制转矩 (N*m)')
ax2.set_title('控制输入历史')
ax2.grid(True)

plt.tight_layout()
plt.show()

4.2 系统性调参流程与问题诊断

运行第一次仿真后,你可能会看到各种不理想的曲线。别急,我们可以根据响应形状来调整 Q 和 R。

观察到的现象可能的原因调整方向
收敛太慢状态惩罚不够,或控制惩罚太重。增大 Q 的对角元(特别是角度权重),或减小 R。
超调过大或振荡角速度阻尼不足,或者状态惩罚相对于控制惩罚过强。增大 Q 中角速度的权重(Q[1,1]),或适当增大 R 以平滑控制动作。
控制输入饱和(达到执行器极限)R 太小,控制器过于“激进”。显著增大 R,或者检查 Q 是否过大,需要整体平衡。
稳态存在微小振荡可能是离散仿真步长或噪声导致,也可能是增益略高。微调 Q 或 R,或在实际系统中加入低通滤波。

一个我常用的迭代流程是:

  1. 固定R,调Q:先将 R 设为一个较小的固定值(如 [0.01]),然后主要调整 Q。优先调整角度权重 Q[0,0],直到响应速度满意。如果出现振荡,再增加角速度权重 Q[1,1] 来增加阻尼。
  2. 固定Q,调R:在响应形状基本满意后,观察控制输入 u 的大小。如果 u 峰值远超你的执行器(如电机)能力,就需要增大 R 来限制控制量。增大 R 通常会减慢响应,所以可能需要回到步骤1微调 Q 进行补偿。
  3. 权衡与折中:反复进行1和2,直到在响应速度、超调/振荡和控制量大小三者之间找到一个可接受的平衡点。

提示:在实际硬件上调试时,务必先从非常保守的参数(大 R, 小 Q)开始,逐步增加“攻击性”,并密切关注执行器温度和状态,防止损坏设备。

4.3 进阶技巧:处理输出调节与积分抗扰

基础的LQR是状态调节器,目标是让状态回到零点。但有时我们希望摆杆稳定在一个非零的角度(比如跟踪一个缓慢变化的期望角度),或者消除稳态误差。这时就需要引入参考输入前馈和积分控制。

  • 前馈控制:如果期望状态是 x_ref,控制律可修改为 u = -K*(x - x_ref)。对于常数 x_ref,这需要重新求解一个包含参考点的Riccati方程,或者简单计算稳态控制量 u_ff。
  • 积分抗扰:在状态向量中增加误差的积分项,构成LQI(Linear-Quadratic-Integral)控制器,可以有效抑制常值干扰。这需要扩展系统状态矩阵 A 和 B,并重新设计 Q。
# 示例:为角度控制增加积分环节 (LQI简化思路)
# 1. 扩展系统状态,增加角度误差的积分 state_int
# 新的状态向量: x_aug = [theta, theta_dot, integral_of(theta_error)]^T
# 2. 构建增广系统矩阵 A_aug, B_aug
# 3. 为增广系统设计新的 Q_aug 和 R,求解新的增益 K_aug = [Kp, Kd, Ki]
# 4. 控制律: u = -Kp*theta - Kd*theta_dot - Ki*state_int
# 注意:这是一个概念示例,具体实现需谨慎处理积分抗饱和等问题。

调参没有银弹,它混合了理论指导、仿真验证和实际经验。最好的学习方法就是动手修改代码中的 Q 和 R,观察仿真曲线的变化,慢慢培养出对这两个矩阵影响的直觉。当你看到摆杆从跌落中迅速甩起并稳稳立住时,那种成就感就是对你调试工作最好的回报。

最优控制与轨迹规划实战:倒立摆上翻与车辆泊车路径优化 最优控制与轨迹规划是机器人、自动驾驶等领域解决运动决策与控制问题的核心技术,它们共享统一的数学框架:在动力学约束、状态与控制边界下,通过极小化代价函数求解最优输入序列。直接配点法将连续最优控制问题离散为非线性规划,配合求解器高效求解;混合A*则面向运动学约束下的路径搜索,结合Reeds-Shepp曲线生成可行轨迹。这些方法在倒立摆上翻稳定、自动泊车路径优化等场景中发挥关键作用,本文以倒立摆和车辆路径规划为例,梳理能量整形控制、LQR切换、混合A*搜索及离散点参数化轨迹优化的完整设计与实现细节,并分享仿真到实 阅读详情

相关推荐

强化学习与控制理论:从贝尔曼方程到HJB方程的连接

时序决策问题广泛存在于机器人控制、自动驾驶和过程优化中,解决这类问题通常有两条技术路径:强化学习和最优控制理论。前者依赖奖励信号从交互中试错,后者依赖数学模型计算最优输入,但二者共享动态规划与最优控制这一数学地基。贝尔曼方程描述了离散系统中长期收益最优化的递归关系,HJB方程则是其在连续系统下的延伸;LQR和MPC作为经典控制方法,与无模型强化学习在价值函数和策略表达上存在清晰对应。理解这些概念的内在联系,有助于工程师根据模型可得性、安全约束和样本成本做出合理的技术选型,避免盲目套用算法。无论做控制还是学习

anjichan4261的博客 391

【自动驾驶】LQR控制实现轨迹跟踪 | python实现 | c++实现

文章目录参考资料1. 基本概念1.1 运动学模型的离散状态方程1.2 LQR求解步骤2. python实现2.1 车辆模型2.2 相关参数设置2.3 生成轨迹曲线2.4 角度归一化2.5 解代数里卡提方程2.6 LQR控制算法2.7 主函数 参考资料 基于运动模型的LQR优化 强化学习与最优控制:用于轨迹跟踪的 LQR Linear–quadratic regulator (LQR) steering control 路径规划与轨迹跟踪系列算法 1. 基本概念 从控制理论角度出发的讲解可以翻看博客。

weixin_42301220的博客 1万+

人形机器人步频与储能:从核心原理到工程权衡

在机器人学与机电一体化领域,关节驱动与运动控制是构建高性能移动平台的基础。其核心原理在于通过电机或液压系统将电能转化为精确的机械运动,并依赖实时控制算法维持动态平衡。这项技术的核心价值在于赋予机器人在复杂环境中自主、稳定、高效执行任务的能力,是仓储物流、特种作业等场景自动化的关键使能技术。实现这一目标面临的核心工程挑战之一,便是如何在有限的能源储备下,协调运动性能与续航能力。这直接引出了对步频与储能两大关键指标的深度权衡。步频提升意味着对驱动系统瞬时功率、控制响应速度及机械结构强度的极限挑战,而储能方案则决

weixin_30550081的博客 315

LQR轨迹跟踪|python实现

离散LQR求解公式推导看,这里直接给出结果。​Pk​QATPk−1​A−ATPBBTPk−1​BR−1BTPk−1​AKBTPBR−1BTPAu∗k−Kxk​式中Pk​表示LQR求解过程中的黎卡提矩阵迭代值,P表示收敛后的黎卡提矩阵;K表示反馈增益;AB表示离散的系统矩阵;QR表示系统状态和输入的权重矩阵;xu分别表示系统状态和系统输入,u∗表示最优系统输入。

TeenLucifer的博客 1324

RL vs 最优控制:用于轨迹跟踪的 LQR(使用 Python 代码)

在本博客系列中,我们将了解最优控制的经典方法,这些方法在某种程度上为强化学习等更熟悉的主题奠定了坚实的基础。这两个领域之间存在着不可避免的共同边界,本系列旨在提出这些最优控制的形式化方法,作为强化学习方法的有效替代方案。最优控制或RL旨在在某些约束和不断变化的系统动态下找到顺序行动/控制的最佳方法。

gongdiwudu的专栏 7268

MoJoCo 入门教程(六)Python LQR 教程

本笔记本提供了一个使用 MuJoCo 物理原理的 LQR 控制器示例。版权声明根据 Apache License 2.0 版("许可协议")授权;除非遵守许可协议,否则不得使用本文件。您可以从 http://www.apache.org/licenses/LICENSE-2.0 获取许可证副本。除非适用法律要求或书面同意,否则根据许可协议分发的软件均按 "原样 "分发,不附带任何明示或暗示的保证或条件。请参阅许可协议,了解有关许可协议下的权限和限制的具体语言。

机器人控制与仿真应用 1993

基于python的lqr实现

这篇是转载,怕原来的地址没有了 转载地址https://blog.youkuaiyun.com/gophae/article/details/104429209 from numpy import * from math import * import matplotlib.pyplot as plt import scipy.linalg as la import time Kp = 1 dt = 0.1 L = 2.9 Q = eye(4) Q[0,0] = 19.7 Q[1,1] =0.01 Q[2,2] = 1

weixin_43492473的博客 1295

基于遗传算法自动寻优LQR控制器参数的MATLAB仿真工具包

一套开箱即用的MATLAB+Simulink工具包,专为LQR控制器权重矩阵Q和R的自动优化设计。核心由GA_LQR.m(定义遗传编码、选择、交叉、变异及适应度计算逻辑)和GA_LQR_run.m(主调度脚本,启动优化并驱动仿真)组成,配合Active_Suspension_LQR.mdl主动悬架闭环模型,实时评估超调量、调节时间、控制能耗等性能指标作为优化依据。所有代码注释详尽、模块解耦清晰,支持直接运行、参数微调或替换被控对象模型——比如换成倒立摆、机械臂等线性系统。额外提供GA_LQR_run.py脚

o0p1q2r3的博客 208

用Python实现倒立摆LQR稳定控制:从Riccati方程到仿真

倒立摆作为经典的不稳定非线性系统,是检验控制算法优劣的试金石。从控制系统的稳定性原理出发,状态反馈设计需要解决多变量耦合与最优控制问题。线性二次型调节器(LQR)通过求解Riccati方程获得最优状态反馈增益,能够以数学上可证明的方式将不稳定系统镇定至平衡点。在工程实践中,LQR的设计方法具备清晰的可解释性和鲁棒性,常被用于机器人平衡、火箭垂直着陆等场景。本文从状态空间建模到LQR数学推导,再到基于Python和Jupyter Notebook环境的三行核心代码实现,完整演示了从理论到仿真的闭环过程,帮助读

weixin_33552698的博客 222

MPCandLQR.py

使用Python对《无人驾驶车辆模型预测控制》第三章的算法进行了实现。其中有线性化的MPC算法仿真,非线性化的MPC算法仿真和LQR算法的仿真。

Verilog实战:手把手教你实现四路组相联Cache(附完整代码解析)

本文提供了一份详细的Verilog实战指南,手把手教你实现一个四路组相联Cache。内容涵盖从设计规格、核心存储阵列、LRU替换策略到状态机设计的完整流程,并附有代码解析与优化技巧,旨在帮助硬件设计者掌握Cache控制器的RTL实现与调试方法。

pp12345的博客 520

别再手动调PID了!用Python+Matlab手把手实现LQR控制器(附倒立摆仿真代码)

本文详细介绍了如何使用Python和Matlab实现LQR控制器,特别针对倒立摆系统进行最优控制。通过系统建模、Q/R矩阵设计、Riccati方程求解等步骤,展示了LQR在多变量耦合系统中的优势。相比传统PID控制,LQR能自动处理变量间耦合关系,提供更优的控制性能。文章包含完整代码示例和仿真结果,适合控制算法工程师和机器人开发者参考。

weixin_30555125的博客 442

DataWorks数据安全治理最佳实践

DataWorks基于数据安全治理的常见思路,针对资产梳理、技术体系建设和运营体系建设,提供了一系列数据安全产品能力,您可通过“基础防护建设、数据安全防护措施及策略增强建设、数据安全持续运营”三个阶段在DataWorks上落地数据安全治理项目。参考本文启动数据安全治理项目前,建议您先了解DataWorks数据安全产品相关能力了解DataWorks数据安全产品能力后,您可参考如下三个阶段在DataWorks上落地数据安全治理项目。

soso1968的博客 1439

CartPole稳定控制从入门到精通:基于safe-control-gym的LQR算法实现与参数调优

safe-control-gym是一个基于PyBullet的开源控制算法测试平台,特别适用于CartPole和Quadrotor等经典控制系统的学习与开发。本文将以CartPole稳定控制为核心,详细介绍如何使用LQR(线性二次调节器)算法实现系统稳定控制,并通过参数调优提升控制性能,帮助新手快速掌握安全控制的关键技术。 ## 为什么选择LQR算法控制CartPole? 在控制系统领域,Car

gitblog_00941的博客 317

RAG-Anything 实战:构建企业级多模态知识图谱问答系统

本文详细介绍了如何利用RAG-Anything构建企业级多模态知识图谱问答系统,解决跨模态文档处理的痛点。通过架构设计解析、部署实战指南和典型业务场景解决方案,帮助企业实现高效的知识管理和智能检索,提升决策效率。

weixin_29089057的博客 386

px3 有感分析

px3 后续分析

qq_39707917的博客 3117

MPC算法和LQR算法

好的,我很乐意为您介绍控制理论中的MPC(模型预测控制)和LQR(线性二次型调节器)算法。好的,我来为您介绍机器人模型中的MPC(模型预测控制)算法。# 定义优化变量。

远方雪的专栏 1321

从DIY桌面CNC到工业机器人:手把手教你用LinuxCNC搭建自己的第一台数控系统(基于Xenomai实时补丁)

本文详细介绍了如何使用LinuxCNC和Xenomai实时补丁搭建高性价比的数控系统,从硬件选型到实时系统构建,再到HAL硬件抽象层实战和G代码加工,手把手教你打造从DIY桌面CNC到工业机器人的完整解决方案。

weixin_28727975的博客 289

控制理论终极指南:从零开始掌握系统控制的完整资源库

你想学习控制理论但不知道从哪里开始?面对复杂的数学公式和抽象概念感到困惑?awesome-control-theory项目为你提供了完整的解决方案!这个开源资源库汇集了全球顶尖的控制理论学习材料,让你从基础概念到高级应用都能找到合适的资源。 ## 为什么控制理论如此重要? 控制理论是现代工程技术的核心支柱,从自动驾驶汽车到工业机器人,从航天器到智能家居系统,几乎所有自动化设备都离不开控制理论的

gitblog_00918的博客 601

Python 爬虫实战:科研数据库学术论文数据抓取

在科研工作中,学术论文是获取前沿知识和研究方法的重要资源。然而,手动从科研数据库中查找和整理论文信息往往耗时费力。幸运的是,Python 爬虫技术可以自动化这一过程,帮助我们高效地抓取和管理学术论文数据。本文将详细介绍如何使用 Python 爬虫技术抓取科研数据库中的学术论文数据,并进行全字段提取和文献管理,助力科研工作。

u014481728的博客 948

如何通过Davinci Configurator来新增一个BswM仲裁规则

详细介绍如何通过Davinci Configurator来新增一个BswM仲裁规则。

initiallizer的博客 773

电赛车载平衡滚球系统:从PID控制到STM32与OpenMV的完整实现

在嵌入式系统与自动控制领域,PID控制算法是经典且核心的闭环反馈控制方法,通过比例、积分、微分三个环节的协同作用,实现对系统偏差的精确调节,广泛应用于机器人、无人机、工业自动化等场景,以达成稳定、快速、准确的控制目标。其技术价值在于算法结构简单、易于实现且鲁棒性强,是学习复杂控制系统的基础。本文聚焦于全国大学生电子设计竞赛中的“车载平衡滚球运动”这一具体应用场景,深入剖析如何将双环PID控制策略应用于该赛题。通过结合STM32微控制器进行实时算法运算与电机驱动,并利用OpenMV进行视觉感知实现球体定位,构

weixin_34014555的博客 312

【Bug已解决】npm install -g @anthropic-ai/claude-code 出现 EACCES: permission denied 解决方案

方案适用场景推荐指数nvm 管理 Node长期开发环境,一次配置永久生效⭐⭐⭐⭐⭐修改 npm 全局目录不想引入 nvm,快速解决⭐⭐⭐⭐修复现有目录权限之前用过 sudo 装包,需要修复⭐⭐⭐Windows 管理员/改目录Windows 平台专用⭐⭐⭐⭐官方原生安装脚本想彻底避开 npm 权限问题⭐⭐⭐⭐报的本质是npm 全局安装目录的属主权限与当前执行用户不匹配,而不是 npm 或 Claude Code 本身有问题。不要用sudo"强行"解决。

一键难忘的博客 1万+

从PID到模型预测:管道小球摆杆控制的核心难点与工程实现

系统辨识与控制是自动化领域的核心基础,它研究如何根据系统的输入输出数据建立数学模型,并基于模型设计控制器以实现期望的动态性能。其原理在于将复杂的物理对象抽象为可数学描述的系统,通过分析系统特性(如延迟、非线性、噪声)来设计控制算法。这项技术的价值在于能够将理论控制策略应用于真实的工程对象,实现精确、稳定、快速响应。在机器人、无人机、工业过程控制等场景中,系统辨识与控制是实现高性能自主运动的关键。本文聚焦于“管道小球滚动摆杆控制”这一典型赛题,深入剖析其作为非线性、有时延的物理系统所面临的挑战,并探讨如何结合

weixin_34199335的博客 395

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

电赛国一报告模板解析:控制系统设计从架构到实现的完整指南

控制系统设计是嵌入式开发与自动化领域的核心,其原理基于反馈机制与数学建模,通过传感器、控制器和执行器的协同工作实现精准调节。这项技术的工程价值在于将理论算法转化为稳定可靠的物理系统,广泛应用于机器人、智能车、工业自动化等场景。在大学生电子设计竞赛(电赛)中,一份优秀的报告需要清晰呈现系统方案论证、硬件电路设计、软件算法实现及测试数据分析的全过程。本文以电赛E题(控制类)为例,深入剖析**STM32微控制器**与**PID控制算法**在复杂系统中的应用,提供从摘要撰写到附录规范的完整框架与实战技巧,帮助参赛者

weixin_34378767的博客 441

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

上一篇: Python+CoppeliaSim实战:5步搞定机械臂远程控制(附完整代码)
下一篇: 5G小白必看:3GPP TS 38.300协议里的NG-RAN架构到底讲了啥?
普通网友
博客等级 码龄27年 205粉丝 1502原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值