Model- and Data-Based Control of Self-Balancing Robots: Practical Educational Approach with LabVIEW and Arduino

📄 arXiv: 2405.03561v1 📥 PDF

作者: Abdelrahman Abdelgawad, Tarek Shohdy, Ayman Nada

分类: cs.RO, eess.SY

发布日期: 2024-05-06

💡 一句话要点

对比模型与数据驱动控制，应用于自平衡机器人教学实践

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 自平衡机器人 模型控制 数据驱动控制 模糊控制 PID控制 LabVIEW Arduino

📋 核心要点

  1. 两轮自平衡机器人是非线性不稳定系统，传统控制方法需要深入的系统建模和复杂的数学推导。
  2. 论文对比了基于模型的控制和基于数据的控制，旨在寻找一种更简单、更快速的自平衡机器人控制方法。
  3. 实验在经济高效的硬件平台上验证了不同控制器的性能，并使用LabVIEW-LINX工具包构建了用户界面。

📝 摘要（中文）

本研究对比了基于模型和基于数据的控制策略在两轮自平衡机器人(TWSBR)上的性能，并明确提出了一个实用的教学方法。基于模型的控制(MBC)算法，如Lead-Lag和PID控制，需要精通动态建模和数学运算，以推导线性化的运动方程并开发合适的控制器。另一方面，基于数据的控制(DBC)方法，如模糊控制，提供了一种更简单、更快速的方法来设计有效的控制器，而无需深入了解系统模型。本文利用TWSBR阐述了MBC和DBC的优缺点。所有控制器都在OSOYOO自平衡套件上实现和测试，该套件包括Arduino微控制器、MPU-6050传感器和直流电机。控制律和用户界面使用LabVIEW-LINX工具包构建。一个实时的硬件在环实验验证了结果，突出了可以在经济高效的平台上实现的控制器。

🔬 方法详解

问题定义：两轮自平衡机器人是一个非线性、不稳定的系统，对其进行有效控制是一个挑战。传统的基于模型的控制方法（如PID控制）需要精确的系统动力学模型，这通常需要复杂的数学推导和参数辨识，对于教学和快速原型开发来说，门槛较高。现有方法的痛点在于建模复杂、开发周期长，且对控制器的参数整定要求较高。

核心思路：论文的核心思路是对比基于模型的控制（MBC）和基于数据的控制（DBC）在两轮自平衡机器人控制中的应用。MBC依赖于精确的系统模型，而DBC则利用数据直接设计控制器，无需深入了解系统模型。通过对比两种方法的优缺点，为教学和实践提供指导。

技术框架：整体框架包括以下几个主要模块：1) 两轮自平衡机器人平台（OSOYOO套件，包含Arduino、MPU-6050和直流电机）；2) 基于模型的控制器设计（Lead-Lag和PID）；3) 基于数据的控制器设计（模糊控制）；4) LabVIEW-LINX用户界面和控制律实现；5) 硬件在环实时实验验证。

关键创新：论文的关键创新在于对比了MBC和DBC在同一平台上的性能，并明确提出了一个实用的教学方法。通过实际案例，展示了DBC在简化控制器设计方面的优势，尤其是在系统模型难以精确获取的情况下。此外，使用LabVIEW-LINX工具包简化了控制器的开发和部署过程。

关键设计：在MBC中，需要对机器人进行线性化建模，并根据线性化模型设计PID或Lead-Lag控制器，关键参数包括PID参数（Kp, Ki, Kd）和Lead-Lag滤波器的参数。在DBC中，采用模糊控制，需要设计模糊规则和隶属度函数，关键设计包括输入变量（角度、角速度）的模糊化、模糊规则的制定以及输出变量（电机控制信号）的去模糊化。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，基于数据的模糊控制器在无需精确系统模型的情况下，也能实现较好的自平衡控制效果。虽然论文没有给出具体的性能数据，但强调了DBC在简化控制器设计方面的优势，尤其是在系统模型难以精确获取的情况下。硬件在环实验验证了控制器的可行性，并突出了可以在经济高效的平台上实现的控制器。

🎯 应用场景

该研究成果可应用于机器人教学、快速原型开发和低成本自平衡机器人设计。通过对比不同控制策略，学生可以更好地理解控制理论，并掌握实际应用技能。此外，该方法可以推广到其他非线性系统的控制，例如无人机、平衡车等。

📄 摘要（原文）

A two-wheeled self-balancing robot (TWSBR) is non-linear and unstable system. This study compares the performance of model-based and data-based control strategies for TWSBRs, with an explicit practical educational approach. Model-based control (MBC) algorithms such as Lead-Lag and PID control require a proficient dynamic modeling and mathematical manipulation to drive the linearized equations of motions and develop the appropriate controller. On the other side, data-based control (DBC) methods, like fuzzy control, provide a simpler and quicker approach to designing effective controllers without needing in-depth understanding of the system model. In this paper, the advantages and disadvantages of both MBC and DBC using a TWSBR are illustrated. All controllers were implemented and tested on the OSOYOO self-balancing kit, including an Arduino microcontroller, MPU-6050 sensor, and DC motors. The control law and the user interface are constructed using the LabVIEW-LINX toolkit. A real-time hardware-in-loop experiment validates the results, highlighting controllers that can be implemented on a cost-effective platform.