Badanie i porównanie algorytmów LQR i backstepping do sterowania wahadła odwróconego z napędem inercyjnym

W artykule przedstawiono rezultaty działania sterowania liniowo-kwadratowego LQR (ang. Linear Quadratic Regulator) i nieliniowego backstepping na realnym obiekcie. Obiektem sterowania jest wahadło odwrócone z napędem inercyjnym (IWP - ang. Inertia Wheel Pendulum). Posiada ono dwa stopnie swobody: kąt odchylenia od pionu oraz kąt obrotu koła zamachowego. Wirującą masę napędza wysokomomentowy silnik umieszczony wewnątrz konstrukcji. Obiekt posiada mniej wymuszeń (jedno) niż stopni swobody (dwa) i dlatego nazywany jest underactuated. Celem układu regulacji jest utrzymywanie urządzenia w pozycji pionowej stanowiącej punkt równowagi. Zastosowano sterowanie nieliniowe backstepping. Kąt obrotu koła zamachowego mierzony jest przez enkoder inkrementalny. Do pomiaru poziomu odchylenia od pionu zastosowano jednostkę IMU (ang. Inertial Measurement Unit) zawierającą akcelerometr i żyroskop. Chcąc stworzyć efektywnie działającą fuzję sensoryczną, zastosowano filtrację Kalmana. Dzięki temu możliwe jest ustalenie odpowiedniego stopnia zaufania odpowiednim potokom pomiarowym i odfiltrowanie szkodliwych zakłóceń. Wykonano testy na obiekcie rzeczywistym i udowodniono poprawność działania zastosowanych algorytmów.

This paper presents the results and comparison of linear quadratic control LQR and nonlinear backstepping on a real device. This device is the inverted pendulum driven by an accelerating inertia – inertia wheel pendulum. It has two degrees of freedom: the angle of inclination and the angle of rotation of the flywheel and one actuator – a high torque DC electric engine. Thus it is called underactuated. The purpose of the control system is to maintain the device in a vertical position which is the unstable equilibrium point. The angle of rotation of the flywheel is measured by an incremental encoder. To measure the angle from the vertical position, there was used the IMU (Inertial Measurement Unit) containing an accelerometer and a gyroscope. In order to create an effectively functioning sensory fusion, Kalman filtering was used. This made it possible to determine the appropriate level of trust for sensors and to filter out harmful noise. The correct effect of the used algorithms is presented.