Designing and Analyzing the PID and Fuzzy Control System for an Inverted Pendulum
Universitat Rovira I Virgili（罗维拉·依维尔基里大学）；University of Debrecen（德布勒森大学）
倒立摆是一个非线性的不平衡系统，需要使用电机控制，以实现稳定和平衡。倒立摆是用乐高和乐高Mindstorm NXT建造的，这是一个能够完成许多不同功能的可编程机器人。在本文中，倒立摆的初步设计提出了不同的传感器，这是兼容的乐高Mindstorm NXT的性能进行了研究。此外，计算机视觉的能力，以实现所需的稳定性，以保持系统也进行了研究。倒立摆是一种传统的小车，采用模糊逻辑控制器对小车进行控制，通过MATLAB和Simulink对模糊逻辑和PID进行仿真，并在LabVIEW中开发了机器人控制程序。
2021-11-09 cs.CV cs.RO
DRS-LIP: Linear Inverted Pendulum Model for Legged Locomotion on Dynamic Rigid Surfaces
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）；NVIDIA Research（英伟达研究）；Princeton University（普林斯顿大学）；Department of Mechanical Engineering, University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校机械工程系）
足式机器人在动态刚性表面上的运动（即，在惯性系中运动的刚性表面）涉及高维、非线性和时变的复杂全阶动力学。为了得到一个易于分析的动力学模型，本研究从理论上扩展了降阶线性倒立摆（LIP）模型，从腿运动在一个固定的表面上的运动的动态刚性表面（DRS）。所得到的模型在本文中被称为DRS-LIP。此外，本研究介绍了一个近似的解析解的建议DRS-LIP，计算效率高，精度高。为了说明分析结果的实际用途，它们被用来开发一个层次规划框架，有效地生成物理上可行的DRS运动轨迹。所提出的理论结果和运动规划的有效性证明了通过模拟和实验上的Laikago四足机器人，走在摇摆跑步机。
2022-01-31 cs.RO
Optimal Control of a Differentially Flat 2D Spring-Loaded Inverted Pendulum Model
Southern University of Science and Technology（南方科技大学）；University of Notre Dame（圣母大学）
研究了一个带有两个附加驱动器的扩展弹簧倒立摆（SLIP）模型的最优控制问题。这些附加功能在实践中自然出现，允许在飞行期间考虑摆动腿运动学和对站立动力学的主动控制。另一方面，非线性和混合性质的整体SLIP动态引入的模型的分析和控制的挑战。在本文中，我们首先表明，所考虑的SLIP模型的立场动力学是差分平坦的，这有很强的含义关于立场动力学的可控性。利用这个强大的属性，一个易处理的最优控制策略的开发。这种策略使在线解决方案，同时也处理混合性质的SLIP动态。与最优控制策略一起，扩展的SLIP模型在步态期间的任何点授予自抗扰能力。所提出的控制策略的性能通过数值试验证明，并显示出显着的优势，比现有的方法。
2019-11-17 cs.RO
Contingency Model Predictive Control for Bipedal Locomotion on Moving Surfaces with a Linear Inverted Pendulum Model
Motional AD, LLC（Motional AD有限责任公司）；Rutgers University（罗格斯大学）
针对移动表面上双足行走的平衡控制难题，提出基于线性倒立摆模型的应急模型预测控制（CMPC），通过纳入最坏情况表面运动，在仿真中验证了其优于常规MPC的可行性与性能。
2024-04-18 cs.RO
0-Step Capturability, Motion Decomposition and Global Feedback Control of the 3D Variable Height-Inverted Pendulum
一种常见的方法稳定机器人后推是瞬时捕获点，然而，这有假设恒定高度的基本限制。虽然有几个作品平衡双足机器人，包括高度变化的2D，3D模型的文献数量是有限的。存在使用可变压力中心（CoP）和对地面的反作用力的优化方法，尽管它们不提供机器人可以步进的物理区域并且需要预先计算以进行分析。这项工作提供了必要和充分的条件，以保持平衡的三维可变高度倒立摆（VHIP）与固定和可变的CoP。我们还证明了具有固定CoP的3D VHIP与其2D版本相同，并且我们将工作在2D VHIP上的控制器推广到3D VHIP。我们还展示了运动的发散分量到3D VHIP的泛化，并且我们提供了一种替代运动分解，用于独立地分析高度和CoP策略。这使我们能够将先前在2D VHIP中完成的全局反馈控制器推广到具有可变CoP的3D VHIP。
2019-12-12 cs.RO
A Hybrid Approach for Reinforcement Learning Using Virtual Policy Gradient for Balancing an Inverted Pendulum
Center for Research in Scientific Computation, North Carolina State University（北卡罗来纳州立大学科学计算研究中心）
利用策略梯度算法，我们训练了一个单隐层神经网络来平衡一个物理上精确的模拟单级倒立摆。然后，训练好的权重和偏差可以转移到一个物理代理，在那里它们足够强大，可以平衡一个真正的倒立摆。这种训练模拟的混合方法可以比现实世界中更快地完成数千次试运行，从而大大减少训练时间和更多迭代，产生更强大的模型。与现有的强化学习方法相比，所得到的控制更平滑，学习速度更快，并且能够承受强制干扰。
2021-02-06 cs.LG cs.RO
Stabilization of the wheeled inverted pendulum on a soft surface
研究了轮式倒立摆在水平、倾斜和软地面上的比例-积分-微分控制器控制下的动力学行为。在动力系统的相图上给出了控制的振荡区域和稳定性条件。特别地，我们研究了软曲面上运动的微分包含，并在我们的数学模型中找到了半稳定的稳态解。由于数值模拟的舍入误差或机器人设备的外部扰动，半稳定性在模拟中看起来像极限环。
2020-06-09 cs.RO math.DS nlin.CD
A Q-learning approach to the continuous control problem of robot inverted pendulum balancing
University of Coimbra（科英布拉大学）
本文提出用离散动作空间Q-learning解决机器人倒立摆连续控制问题，通过在基于真实数据拟合的仿真环境中训练，并在真实机器人上验证了方法的可行性。
2023-12-05 cs.LG cs.RO
Stochastic properties of an inverted pendulum on a wheel on a soft surface
本文研究了车轮上的一级倒立摆在软地面上的动力学特性，并在比例-积分-微分控制器的控制下进行了动力学仿真。这样的钟摆的行为是仿照一个系统的微分包含。如果系统具有用于摆的旋转速度的传感器、倾斜传感器和用于轮的编码器，则该系统是可观察的。使用观测数据的控制器带来的随机扰动系统。研究了摆的上位置在随机控制下微分包含的性质。本文导出了摆在上位置附近所花时间的计算公式。
2020-06-11 cs.RO cs.SY eess.SY
The inverted Pendulum: A fundamental Benchmark in Control Theory and Robotics
National Institute of Applied Sciences and Technology（国立应用科学与技术学院）
本文探讨倒立摆作为控制理论与机器人学中重要基准的应用动机，分析其在实际设计中的实现，并通过150篇文献综述展示其在历史、现状及挑战中的发展。
2014-05-13 cs.RO cs.SY eess.SY
Optimizing Design and Control of Running Robots Abstracted as Torque Driven Spring Loaded Inverted Pendulum (TD-SLIP)
University at Buffalo（布法罗大学）
本文利用力矩驱动弹簧负载倒立摆模型抽象腿式机器人，推导稳定约束，并通过粒子群优化形态参数和执行器配置，实现小型跑步机器人的稳健设计。
2024-07-16 cs.RO
Controlling an Inverted Pendulum with Policy Gradient Methods-A Tutorial
Edge Hill University（边山大学）
本文提供了两个重要的策略梯度方法来解决倒立摆问题的实施细节。它们即是深度确定性策略梯度（DDPG）和近端策略优化（PPO）算法。该问题通过使用行动者-批评者模型来解决，其中行动者网络用于学习策略函数，批评者网络通过学习估计Q函数来评估行动者网络。除了简要解释这两个算法背后的数学，还提供了python实现的细节，这有助于揭开算法潜在复杂性的神秘面纱。在这个过程中，读者将被介绍到用于实现上述概念的OpenAI/Gym，Tensorflow 2.x和Keras实用程序。
2021-05-17 cs.AI cs.LG cs.RO
Orbit Characterization, Stabilization and Composition on 3D Underactuated Bipedal Walking via Hybrid Passive Linear Inverted Pendulum Model
California Institute of Technology（加州理工学院）
提出了一种混合被动式直线倒立摆（HLIP）模型，用于描述、稳定和合成三维欠驱动双足步行的周期轨道。具体地，周期-1（P1）和周期-2（P2）轨道在H-LIP的状态空间中被几何地表征。步进控制器的设计是为了全局稳定的轨道。导出了增益的有效范围及其最优性。最优步进控制器被用来创建和稳定的双足机器人的步行。驱动弹簧加载倒立摆（aSLIP）模型和欠驱动机器人卡西用于说明。具有P1或P2轨道的aSLIP行走和具有P1和P2轨道的所有3D组成的Cassie行走都可以从原地踏步运动平滑地生成和稳定。该方法为三维欠驱动步行机器人的连续步态生成和稳定提供了一种视角和方法。
2019-10-01 cs.RO cs.SY eess.SY
Extending The Lossy Spring-Loaded Inverted Pendulum Model with a Slider-Crank Mechanism
Bilkent University（比尔肯特大学）；Middle East Technical University（中东理工大学）
弹簧加载倒立摆（SLIP）模型在描述动物和人类的运动行为方面有着悠久的历史，并已被用作具有动态运动能力的机器人的设计基础。对有耗物理系统的SLIP进行验证，产生了更新的模型，这些模型是在腿部具有粘性阻尼的原始SLIP的扩展版本。然而，这种有损模型需要一个额外的机制，泵送能量的系统，以控制运动，并达到极限环。一些研究通过在髋关节处添加主动可控的扭矩致动来解决这个问题，并且这种致动已经成功地用于许多机器人平台，例如流行的RHex机器人。然而，髋部扭矩致动主要在相对于地面的向前方向上在COM上产生力，使得高度控制具有挑战性，特别是在低速下。当机器人的水平速度为零时，即机器人在水平方向上不作运动而稳定跳跃时，系统的垂直方向自由度完全丧失，系统将陷入奇异状态。为此，我们提出了具有曲柄滑块机构的有损SLIP模型的扩展，即SLIP-SCM，当身体被约束到垂直方向时，它可以产生稳定的极限环。我们提出了一个近似解析解的非线性系统动力学的SLIP-SCM模型，以描述其行为的运动过程中。最后，我们使用我们的近似解析解对SLIP-SCM模型进行了不动点稳定性分析，并表明所提出的模型在我们感兴趣的范围内表现出稳定的行为。
2015-06-05 cs.RO
Bridging the Model-Reality Gap with Lipschitz Network Adaptation
University of Toronto（多伦多大学）；Vector Institute for Artificial Intelligence（向量人工智能研究院）
当机器人冒险进入现实世界时，它们会受到未建模的动力学和干扰。传统的基于模型的控制方法已被证明在相对静态和已知的操作环境中是成功的。然而，当机器人的精确模型不可用时，基于模型的设计可能导致次优甚至不安全的行为。在这项工作中，我们提出了一种方法，弥合模型与现实的差距，使基于模型的方法的应用程序，即使存在动态的不确定性。特别是，我们提出了一种基于学习的模型参考自适应方法，使机器人系统，可能不确定的动态，表现为一个预定义的参考模型。反过来，参考模型可以用于基于模型的控制器设计。与典型的模型参考自适应控制方法相比，我们利用神经网络的代表性力量来捕获高度非线性动态不确定性，并通过在一种特殊类型的神经网络的结构设计中编码一个验证Lipschitz条件来保证稳定性。我们的方法适用于一般类的非线性控制仿射系统，即使我们的先验知识的真实机器人系统是有限的。我们展示了我们的方法在飞行倒立摆实验，其中一个现成的四旋翼面临的挑战是平衡倒立摆，而悬停或跟踪圆形轨迹。
2021-12-07 cs.AI cs.RO cs.SY
Resolved Motion Control for 3D Underactuated Bipedal Walking using Linear Inverted Pendulum Dynamics and Neural Adaptation
Ohio State University（俄亥俄州立大学）
我们提出了一个框架，以产生周期性的轨迹参考的三维欠驱动双足机器人，使用线性倒立摆（LIP）为基础的控制器与自适应神经调节。我们使用的LIP模板模型来估计机器人的质心（CoM）的位置和速度在当前步骤结束时，并制定一个离散控制器，确定下一个脚步的位置，以实现所需的步行轮廓。该控制器配备了一个基于神经网络的自适应项，减少了模板和物理机器人之间的模型失配，特别是影响横向运动的正面平面。然后，为LIP模型计算的脚放置位置被用来生成实际机器人的任务空间轨迹（CoM和摆动脚轨迹），以实现稳定行走。我们使用一个快速，实时的基于QP的逆运动学算法，从任务空间的轨迹，这使得制定独立的机器人动力学的知识产生联合参考。最后，我们实施和评估所提出的方法在仿真和硬件实验与数字机器人获得稳定的周期性运动的情况下。
2022-08-02 cs.RO cs.SY eess.SY
Beyond Inverted Pendulums: Task-optimal Simple Models of Legged Locomotion
University of Pennsylvania（宾夕法尼亚大学）；Shanghai Jiao Tong University（上海交通大学）；UM-SJTU Joint Institute（上海交通大学密西根大学联合学院）；General Robotics, Automation, Sensing and Perception (GRASP) Laboratory（通用机器人、自动化、感知与操作实验室（GRASP实验室））
本文提出一种面向用户指定任务分布与代价函数的降阶模型自动优化算法，并在双足机器人 Cassie 上验证，显著降低力矩代价并提升行走速度。
2024-04-03 cs.RO
Learning Dynamic Swing-Up of an Inverted Pendulum using Remote Magnetic Actuation
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）；University of Strasbourg（斯特拉斯堡大学）
针对电磁导航系统在远离平衡态轨迹跟踪中的空白，提出结合轨迹优化、时变LQR和迭代学习控制的方法，首次实现倒立摆的磁驱动摆动控制，六次迭代成功，并验证了ILC校正与高保真磁场模型预测的扭矩偏差高度吻合。
2026-06-15 cs.RO cs.SY eess.SY
Hierarchical Optimization for Whole-Body Control of Wheeled Inverted Pendulum Humanoids
Institute of Robotics and Intelligent Machines（机器人与智能机构研究所）
本文提出了一种用于轮式倒立摆人形机器人的全身控制框架，通过分层优化方法实现多任务的同时执行，同时考虑关节角度和扭矩限制，以提高整体性能。
2018-10-07 cs.RO cs.SY eess.SY
Stair Climbing using the Angular Momentum Linear Inverted Pendulum Model and Model Predictive Control
针对上下楼梯时质心高度变化和落脚受限问题，提出可变虚拟摆长的 ALIP 变体，并结合虚拟约束控制与 MPC，实现 Cassie 双足机器人的周期性爬楼步态。
2023-07-11 cs.RO cs.SY eess.SY
Online Center of Mass Estimation for a Humanoid Wheeled Inverted Pendulum Robot
本文提出了一种新颖的鲁棒控制与在线学习结合的方法，用于平衡具有n自由度的轮式反重力摆人形机器人，通过在线学习更新质量模型以获得更准确的质心估计，实验表明该方法提升了整体控制效率。
2019-05-14 cs.LG cs.RO cs.SY
Structure-Preserving Constrained Optimal Trajectory Planning of a Wheeled Inverted Pendulum
Systems and Control Engineering（系统与控制工程）
本文研究了轮式倒置摆的约束最优轨迹规划问题，通过离散力学推导了离散时间模型，并利用离散时间约束最优控制问题生成最优轨迹，同时设计了非线性连续时间模型和闭环LQ控制器，通过实验验证了非线性模型和控制方案的有效性。
2019-10-02 cs.RO cs.SY eess.SY
Artificial Wrestling: A Dynamical Formulation of Autonomous Agents Fighting in a Coupled Inverted Pendula Framework
Utsunomiya University（宇都宫大学）；Yuhara Mfg Co., Ltd（汤原制造有限公司）
本文提出基于耦合倒立摆框架的自主代理对抗模型，通过动态控制器存储状态对应关系并生成控制力，实验表明延迟元素和量化分辨率影响性能。
2015-10-20 cs.RO cs.SY eess.SY
SLIP Walking over Rough Terrain via H-LIP Stepping and Backstepping-Barrier Function Inspired Quadratic Program
California Institute of Technology（加州理工学院）
我们提出了一种先进的和新颖的控制方法，使驱动弹簧加载倒立摆模型，以走过粗糙和具有挑战性的地形。高层次的哲学是纵向和横向状态控制的解耦。垂直状态通过基于Backstepping-Barrier Function（BBF）的二次规划来控制：控制李雅普诺夫反推和控制障碍函数的组合，这两者都提供对输入的不等式约束。水平状态通过基于混合线性倒立摆（H-LIP）的步进来稳定，其具有封闭形式的公式。因此，该实施方式在计算上是高效的。我们评估我们的方法在模拟中，这表明在各种地形，包括斜坡，楼梯，和一般粗糙的地形与不确定性的aSLIP行走。
2021-02-19 cs.RO
Optimal Reduced-order Modeling of Bipedal Locomotion
University of Pennsylvania（宾夕法尼亚大学）
腿部运动的最新方法广泛依赖于线性倒立摆（LIP）和弹簧加载倒立摆（SLIP）等模型的使用，这些模型很受欢迎，因为它们的简单性使各种工具能够用于规划，控制和分析。然而，它们不可避免地限制了执行复杂任务或敏捷机动的能力。在这项工作中，我们的目标是自动合成模型，保持低维，但保留的高维系统的能力。例如，如果要将小程度的复杂性恢复到LIP、SLIP或类似模型，则我们的方法会发现优化性能的额外复杂性的形式。在本文中，我们定义了一类降阶模型，并提供了一个算法优化这一类。为了证明我们的方法，我们优化模型的步行速度和地面倾斜的范围内，五连杆模型和Cassie双足机器人。
2019-09-23 cs.RO
Formal Connections between Template and Anchor Models via Approximate Simulation
University of Notre Dame（圣母大学）
线性倒立摆（LIP）和弹簧加载倒立摆（SLIP）等降阶模板模型是控制高维人形机器人的常用工具。然而，模板和全身模型之间的联系缺乏正式的基础，在集成控制器设计方面无法提供正式的保证。通过考虑近似模拟的概念，我们朝着解决这一差距迈出了一小步。从形式化方法中离散变迁系统的模拟关系出发，近似相似是指两个系统的输出保持$ε$ -接近。在本文中，我们考虑的情况下，通过规划与LIP模型的平衡控制。我们表明，平衡器近似模拟LIP和线性约束，保持地面接触的充分条件。这允许通过求解在完整模型中强制接触约束的二次规划来快速规划和重新规划模板模型。我们证明了这种规划和控制模式的有效性，在一个模拟的推恢复方案的平面4链路平衡器。
2019-09-20 cs.RO
Capturability-based Pattern Generation for Walking with Variable Height
Laboratoire d’Informatique, de Robotique et de Microélectronique de Montpellier (LIRMM)（蒙彼利埃信息学、机器人学与微电子实验室（LIRMM））；CNRS（法国国家科学研究中心）；University of Montpellier（蒙彼利埃大学）；CNRS-AIST Joint Robotics Laboratory (JRL)（法国国家科学研究中心-产业技术综合研究所联合机器人实验室（JRL））；Sapienza Università di Roma（罗马第一大学）；Laboratoire Analyse, Géométrie et Applications (LAGA)（分析、几何与应用实验室（LAGA））；Paris 13 University（巴黎第十三大学）
线性倒立摆（LIP）模型的可捕获性分析，使步行与约束的高度的基础上的捕获点。我们将这种分析推广到可变高度倒立摆（VHIP），并展示了它如何根据捕获输入在不平坦的地形上实现3D行走。由于一个定制的优化方案，我们可以计算这些输入足够快的实时模型预测控制。我们将这种方法实现为开源软件，并在动态模拟中演示。
2018-10-25 cs.RO math.OC
A Comparison of Reward Functions in Q-Learning Applied to a Cart Position Problem
University of Waterloo（滑铁卢大学）
强化学习的不断发展导致了控制理论的进步。强化学习已经有效地解决了倒立摆问题，最近又解决了双倒立摆问题。在强化学习中，我们的智能体通过与控制系统交互来学习，目标是最大化奖励。在本文中，我们探讨了三个这样的奖励功能在车的位置问题。本文的结论是，一个不连续的奖励函数，给予非零奖励的代理人，只有当他们是在一个给定的距离从期望的位置给出了最好的结果。
2021-05-25 cs.AI cs.LG cs.RO
Critic PI2: Master Continuous Planning via Policy Improvement with Path Integrals and Deep Actor-Critic Reinforcement Learning
Nankai University（南开大学）；Huawei Technologies（华为技术有限公司）
构建具有规划能力的智能体一直是人工智能的主要挑战之一。从AlphaGo到Muzero，基于树的规划方法在离散领域（如国际象棋和围棋）取得了巨大成功。不幸的是，在现实世界的应用，如机器人控制和倒立摆，其行动空间通常是连续的，这些基于树的规划技术将挣扎。为了解决这些限制，在本文中，我们提出了一种新的基于基于模型的强化学习框架，称为Critic PI 2，它结合了轨迹优化，深度演员-评论家学习和基于模型的强化学习的优点。我们的方法进行评估倒立摆模型，适用于许多连续控制系统。大量的实验表明，Critic PI 2在一系列具有挑战性的连续领域中达到了新的技术水平。此外，我们表明，规划与评论家显着提高了样本效率和实时性能。我们的工作开辟了一个新的方向，学习基于模型的规划系统的组成部分，以及如何使用它们。
2020-11-13 cs.LG cs.NE cs.RO
Trajectory Generation for Quadrotor Based Systems using Numerical Optimal Control
Laboratory for Analysis and Architecture of Systems (LAAS)（系统分析与架构实验室）；Centre National de la Recherche Scientifique (CNRS)（法国国家科学研究中心）
近年来，四旋翼飞行器的研究主要集中在越来越复杂的系统上越来越具有挑战性的任务上。系统通常增加了悬吊负载，倒置的扶手或手臂，并完成复杂的任务，如通过窗户，抓取，投掷或捕捉。通常，控制器被设计为使用解析解在特定系统上完成特定任务，因此每个应用都需要长时间的准备。另一方面，直接多重射击方法能够通过使用现成的优化求解器来解决复杂的问题，而无需任何分析开发。在本文中，我们表明，这种方法是能够解决广泛的问题相关的四旋翼系统，从在线轨迹生成的四旋翼，通过一个窗口的四旋翼和单摆系统，通过空中机械手的操作任务。
2016-02-08 cs.RO math.OC
How Crucial is Transformer in Decision Transformer?
Technical University of Darmstadt（达姆施塔特工业大学）；German Research Center for AI (DFKI)（德国人工智能研究中心（DFKI））；Hessian.AI & Centre for Cognitive Science（黑森人工智能与认知科学中心）
决策Transformer（DT）是最近提出的一种强化学习架构，它将决策过程框架为自回归序列建模问题，并使用Transformer模型来预测状态，动作和奖励序列中的下一个动作。在本文中，我们分析了Transformer模型在连续控制任务的完整DT架构中的重要性。也就是说，我们用LSTM模型替换Transformer，同时保持其他部分不变，以获得我们所说的决策LSTM模型。我们比较它DT连续控制任务，包括摆起和稳定，在模拟和物理硬件。我们的实验表明，DT斗争与连续控制问题，如倒立摆和古田摆稳定。另一方面，所提出的决策LSTM能够在这些任务上实现专家级性能，除了在真实系统上学习摆起控制器之外。这些结果表明，连续控制任务的决策Transformer的强度可能在于整体顺序建模架构，而不是在Transformer本身。
2022-11-26 cs.LG cs.RO
