旋转机械臂在自动化装配、分拣、焊接等场景中是最常见的执行机构,控制难点却经常被低估。它和直线轴不同,旋转过程中重力力矩会随关节角度变化,启动和停止阶段惯性负载占主导,低速换向时又会出现明显摩擦非线性。很多进入机器人编程方向的人刚学会 PID 三个参数,就急着在旋转臂上试,最后要么在垂直姿态附近出现持续稳态误差,要么在加减速阶段跟踪滞后明显,加大积分项后又开始振荡。这篇文章围绕单个旋转关节展开,用 Java 实现完整的运动控制闭环,包括梯形速度轨迹、位置式 PID、惯性和重力前馈补偿,再用一个简单仿真被控对象做对比实验。读者可以按顺序理解公式、搭建环境、运行代码、观察数据,再结合文中的排错表解决实际项目里遇到的同类问题。

1. 旋转关节的动力学特征,以及为什么纯 PID 不够

1.1 单关节旋转运动的动力学模型

分析旋转臂控制,不建议一开始就钻进多关节动力学里。先从单个关节入手,把机械臂简化成一根绕基座关节旋转的连杆。这个系统的运动方程可以写成:

τ = J · θ'' + b · θ' + τ_g(θ) + τ_f(θ')

等号左边是驱动器施加到关节轴上的驱动力矩,右边是四个必须被“克服”的分量:

  • J · θ'' :惯性力矩,和角加速度成正比。
  • b · θ' :粘性阻尼力矩,和角速度成正比。
  • τ_g(θ) :重力力矩,随关节角度变化,是旋转臂区别于直线轴的关键项。
  • τ_f(θ') :摩擦力矩,通常包含库仑摩擦和粘性摩擦。

如果进一步简化成末端点质量模型,假设质量 m 集中在距离关节 l 的位置,角度 θ 从水平位置开始测量,重力力矩近似为:

τ_g(θ) = m · g · l · cos(θ)

带入一组典型仿真参数: m = 1 kg , l = 0.4 m ,在 θ = 20° 时:

τ_g = 1 × 9.81 × 0.4 × cos(20°) ≈ 3.69 N·m

如果反馈增益 Kp 只有 5 N·m/rad ,光靠比例项抵消这个重力,静态误差会达到 0.74 rad 左右,接近 42°。这个例子说明,单纯增大比例增益去扛重力既不安全也不现实,它会让系统在动态过程中变得非常僵硬,甚至出现高频振荡。正确思路是:把已知的重力和其他动态项用前馈补偿掉,让反馈只处理残余误差。

1.2 纯 PID 在哪几个环节吃亏

纯 PID 不是不能用于旋转臂,但它在三个环节上有明显短板。

第一,比例项依赖误差来产生输出力矩。负载固定的场合,反馈误差确实可以作为持续输出的“代价”,但在旋转臂上负载随角度变化,一组 Kp 很难覆盖整个运动范围。角度越高,重力力矩越小,误差需求也在变,结果就是不同位置的刚度和精度都不一样。

第二,积分项用相位滞后换稳态精度。为了消除恒定重力负载引起的稳态误差,很多人会加积分项。积分器会把历史误差累积起来,但也引入了相位滞后。增益稍大,系统就开始过冲,甚至出现低频振荡。积分在机械臂上只能作为辅助手段,不能靠它去解决重力问题。

第三,微分项会放大测量噪声。真实机械臂的角速度通常来自编码器差分或速度传感器。如果角度信号本身有几 LSB 抖动,控制周期又是 1 ms,微分会把这些抖动放大成高频力矩指令,让电机发出高频噪音,甚至让关节振动。Kd 调得越大,这种效应越明显。

1.3 前馈补偿的定位:把已知物理量从误差回路里拿走

前馈不改变闭环稳定性,因为它不参与反馈回路的特征方程。它的作用是根据参考轨迹或已知模型,提前计算出系统需要的力矩,并直接叠加到输出上。反馈部分仍然负责补偿建模误差、外部扰动和残余偏差。

单关节前馈的典型形式是:

τ_ff = J_est · θ_ref'' + b_est · θ_ref' + τ_g_est(θ_ref) + τ_f_est(θ_ref')

这里特意使用 θ_ref 而不是测量角度 θ 。原因是角度测量经过滤波后会有相位延迟,数值微分两次得到的加速度信号更不可靠。使用参考轨迹的值,可以避免把传感器噪声直接引入前馈通道。这一点在实际项目中非常重要:前馈不能建立在噪声之上,否则它会成为新的扰动源。

注意:所有状态量在进入控制器之前,必须统一单位。本文默认角度单位是弧度,角速度是弧度/秒,力矩是牛·米。如果从外部接口读到的是角度,一定要在进入控制算法前完成转换。

2. 控制链路设计与仿真被控对象

2.1 控制总体结构

整个控制回路可以用下面这个数据流表示:

trajectory (参考轨迹)
   ├─→ position ref ──────────────→ PID ──┐
   ├─→ velocity ref ── 可选的阻尼前馈 ──────┤
   └─→ acceleration ref ── 惯性前馈 ────────┤── (+) ──→ torque ──→ plant
           └── angle ref ── 重力前馈 ───────┘

轨迹规划器在每个控制周期输出参考位置、参考速度和参考加速度。PID 只使用参考位置和测量位置的差值计算反馈力矩;前馈部分根据参考速度和加速度计算惯性补偿,根据参考角度计算重力补偿。两者相加后,被控对象在一个仿真步长内更新角度和角速度,然后进入下一个周期。

这种结构的优势在于模块清晰:反馈控制器不关心轨迹是什么,前馈补偿器也不关心传感器噪声有多大。调试时可以先固定轨迹,再分别验证反馈和前馈的贡献。

2.2 为什么用梯形速度曲线而不是阶跃

在位置控制里,直接输入阶跃指令会带来两个问题:一是误差瞬间达到最大值,PID 微分项会出现尖峰;二是执行机构需要无穷大的加速度才能跟上,这在物理上不可实现。旋转臂关节的运动范围有限,电机的最大力矩也有限,所以参考轨迹必须平滑。

梯形速度曲线把运动分成加速、匀速、减速三个阶段,位置和速度曲线处处连续,加速度只在两个切换点发生跳变。它比阶跃指令友好得多,也比 S 曲线容易实现。如果后续需要更高的平滑性,可以把梯形曲线替换为 S 曲线或五次多项式曲线,控制链路不需要改变,只需要轨迹规划模块输出更平滑的加速度信号。

2.3 被控对象仿真模型与离散化

没有真实机械臂时,可以在代码里写一个关节模型代替被控对象。用前面的一阶运动方程做欧拉离散:

acc = (τ - τ_g(θ) - b·θ' - τ_f(θ')) / J
θ' += acc · dt
θ += θ' · dt

控制周期取 1 ms ,也就是 1 kHz。这个频率对单关节仿真已经足够,对真实系统也算常见。要注意欧拉积分对 dt 的大小敏感,如果把 dt 加大到 10 ms,同样的增益可能从稳定变成发散。学习阶段先用小步长跑通逻辑,再逐步模拟真实系统的采样延迟。

仿真模型里可以加入一个简化库仑摩擦:

τ_f(θ') = sign(θ') · coulomb

当速度接近 0 时,可以忽略静摩擦效应。这个模型不是完整的摩擦模型,真实机械臂还有 Stribeck 效应和静摩擦,但足以说明摩擦前馈带来的问题。

3. 环境准备与 Java 工程结构

3.1 运行环境

本示例不需要任何第三方依赖,只使用 Java 标准库。推荐环境如下:

项目 建议值 说明
JDK 17 或更高版本 使用 LTS 版本更稳妥,Java 8 也能编译大部分代码
构建方式 Maven 或 javac 直接 javac 编译即可,Maven 主要用于工程管理
操作系统 Windows / Linux / macOS 代码无平台相关操作
外部依赖 无 不需要 Spring、不需要控制库、不需要 GUI

如果你使用 Maven,只需要一个最基础的 pom.xml ,不需要引入任何外部依赖。用 javac 也可以,后面给出目录结构后直接用命令行编译。

3.2 工程目录结构

建议按下面的结构组织代码:

rotary-arm-control/
├── src/main/java/armcontrol/
│   ├── TrapezoidProfile.java     # 梯形速度轨迹
│   ├── PidController.java        # PID 控制器,带抗积分饱和
│   ├── JointModel.java           # 单关节被控对象仿真
│   ├── ExperimentResult.java     # 指标计算
│   └── ControlMain.java          # 主控制回路与实验运行
└── README.md

在仿真环境里, TrapezoidProfile 负责提供参考轨迹, PidController 只做反馈计算, JointModel 替代真实机械臂。 ControlMain 把三者组合起来,并记录每个周期的数据。

3.3 模块职责和接口约定

模块 职责 输入 输出
TrapezoidProfile 生成参考位置、速度、加速度 起止位置、最大速度、最大加速度 任意 t 时刻的三路参考
PidController 计算反馈力矩 参考位置、测量位置 反馈力矩
JointModel 仿真机械臂关节 力矩指令 角度、角速度
ControlMain 闭环推进 + 数据记录 控制器参数 控制周期日志
ExperimentResult 计算跟踪指标 日志数据 最大误差、RMS 误差、末端误差

接口约定比类名更重要。所有角度类变量都要以“内部单位是弧度”为前提,所有速度变量单位是弧度/秒,所有力矩单位是牛·米。如果接口外部是角度制,必须在入口转换,不要在每个公式里到处乘 Math.PI / 180 ,那样容易漏。

4. 核心代码实现

4.1 梯形速度轨迹:让参考信号平滑可跟踪

TrapezoidProfile 类的核心逻辑是先判断运动距离是否足够完成加速和减速。如果距离足够,使用“加速-匀速-减速”三段;如果距离不足,就退化为“加速-减速”的三角形曲线。

public class TrapezoidProfile {
    private final double q0;
    private final double q1;
    private final double aMax;
    private final double tAcc;
    private final double tTotal;
    private final double vReach;

    public TrapezoidProfile(double q0, double q1, double vMax, double aMax) {
        this.q0 = q0;
        this.q1 = q1;
        this.aMax = aMax;

        double distance = Math.abs(q1 - q0);
        double accTime = vMax / aMax;
        double accDistance = 0.5 * aMax * accTime * accTime;

        if (2 * accDistance >= distance) {
            tAcc = Math.sqrt(distance / aMax);
            vReach = aMax * tAcc;
        } else {
            tAcc = accTime;
            vReach = vMax;
        }

        double cruiseDistance = distance - 2 * (0.5 * aMax * tAcc * tAcc);
        double cruiseTime = cruiseDistance / vReach;
        tTotal = 2 * tAcc + cruiseTime;
    }

    public double positionAt(double t) {
        t = Math.min(t, tTotal);
        double pos;
        if (t <= tAcc) {
            pos = q0 + 0.5 * aMax * t * t;
        } else if (t <= tTotal - tAcc) {
            pos = q0 + 0.5 * aMax * tAcc * tAcc + vReach * (t - tAcc);
        } else {
            double td = t - (tTotal - tAcc);
            pos = q1 - 0.5 * aMax * td * td;
        }
        return pos;
    }

    public double velocityAt(double t) {
        if (t <= tAcc) return aMax * t;
        if (t <= tTotal - tAcc) return vReach;
        if (t <= tTotal) return vReach - aMax * (t - (tTotal - tAcc));
        return 0;
    }

    public double accelerationAt(double t) {
        if (t <= tAcc) return aMax;
        if (t <= tTotal - tAcc) return 0;
        if (t <= tTotal) return -aMax;
        return 0;
    }

    public double totalTime() {
        return tTotal;
    }
}

这段代码默认 q1 > q0 。如果运动方向可能为负,需要在构造时记录方向符号,把起止位置规范化成正数,输出时再乘以符号。这里为了示例清晰没有加方向处理,落地到真实项目时必须补上。

4.2 PID 控制器:把积分限幅放在第一位

PID 控制器使用位置式算法。位置式的好处是输出就是期望力矩,适合电机驱动接口;缺点是积分项会一直累积,所以必须加抗积分饱和。下面这个实现里,积分上限由 outputLimit / ki 决定,意思是积分项单独输出时不允许超过执行器极限。

public class PidController {
    private final double kp;
    private final double ki;
    private final double kd;
    private final double dt;
    private final double outputLimit;
    private double integral;
    private double prevError;

    public PidController(double kp, double ki, double kd, double dt, double outputLimit) {
        this.kp = kp;
        this.ki = ki;
        this.kd = kd;
        this.dt = dt;
        this.outputLimit = outputLimit;
    }

    public double compute(double setpoint, double measurement) {
        double error = setpoint - measurement;

        integral += error * dt;
        if (ki > 1e-9) {
            double maxIntegral = outputLimit / ki;
            integral = Math.max(-maxIntegral, Math.min(maxIntegral, integral));
        }

        double derivative = (error - prevError) / dt;
        prevError = error;

        double output = kp * error + ki * integral + kd * derivative;
        return Math.max(-outputLimit, Math.min(outputLimit, output));
    }

    public void reset() {
        integral = 0;
        prevError = 0;
    }
}

这里有两个细节。第一,微分项使用的是误差微分,而不是测量值微分。当参考轨迹是平滑梯形曲线时,误差微分不会有阶跃冲击,可以直接用;如果参考信号是不连续的阶跃,建议改成对测量值微分,避免“微分冲击”。第二,如果 ki = 0 ,积分限幅计算会除零,所以代码里加了保护判断。

4.3 关节仿真模型:模拟真实被控对象

JointModel 模拟的是一个单连杆关节。内部参数 mass = 1 kg , length = 0.4 m ,转动惯量按质点模型近似为 m·l^2 = 0.16 kg·m^2 。重力力矩使用 m·g·l·cos(θ) ,粘性阻尼系数取 0.05 ,库仑摩擦取 0.05 N·m 。

public class JointModel {
    private final double inertia = 0.16;   // kg*m^2
    private final double mass = 1.0;       // kg
    private final double length = 0.4;     // m
    private final double damping = 0.05;   // N*m*s/rad
    private final double coulomb = 0.05;   // N*m

    private double angleRad;
    private double velocityRadPerSec;

    public JointModel(double angleInit) {
        this.angleRad = angleInit;
    }

    public void step(double torqueInput, double dt) {
        double gravity = mass * 9.81 * length * Math.cos(angleRad);
        double friction = Math.signum(velocityRadPerSec) * coulomb;
        if (Math.abs(velocityRadPerSec) < 1e-4) {
            friction = 0;
        }

        double acc = (torqueInput - gravity - damping * velocityRadPerSec - friction) / inertia;
        velocityRadPerSec += acc * dt;
        angleRad += velocityRadPerSec * dt;
    }

    public double angle() {
        return angleRad;
    }

    public double velocity() {
        return velocityRadPerSec;
    }
}

摩擦处理里用 signum 会在速度过零附近产生切换抖动。真实工程中更推荐使用 tanh(velocity / threshold) 来平滑,或者加一个速度死区。这里先用简单版本,后面排错章节会专门讨论这个问题。

4.4 主控制回路:反馈、前馈和执行器限幅的叠加

ControlMain 把轨迹、PID、模型组合成闭环,并支持开启或关闭前馈,方便做对比实验。

import java.util.ArrayList;
import java.util.List;

public class ControlMain {

    public static void main(String[] args) {
        runExperiment("PID only", false);
        runExperiment("PID + FF", true);
    }

    static void runExperiment(String name, boolean useFeedforward) {
        double dt = 0.001;
        double q0 = Math.toRadians(20);
        double q1 = Math.toRadians(90);
        double vMax = Math.toRadians(80);
        double aMax = Math.toRadians(200);

        TrapezoidProfile profile = new TrapezoidProfile(q0, q1, vMax, aMax);
        JointModel plant = new JointModel(q0);
        PidController pid = new PidController(5.0, 0.6, 1.2, dt, 5.0);

        double settleTime = 1.0;
        double totalTime = profile.totalTime() + settleTime;
        int steps = (int) (totalTime / dt);

        List<double[]> logs = new ArrayList<>();
        for (int i = 0; i <= steps; i++) {
            double t = i * dt;
            double refPos = profile.positionAt(t);
            double refVel = profile.velocityAt(t);
            double refAcc = profile.accelerationAt(t);

            double feedback = pid.compute(refPos, plant.angle());
            double torque = feedback;

            if (useFeedforward) {
                torque += 0.16 * refAcc
                        + 1.0 * 9.81 * 0.4 * Math.cos(refPos)
                        + 0.05 * refVel;
            }

            plant.step(torque, dt);
            logs.add(new double[]{t, refPos, plant.angle(), plant.velocity(), torque});
        }

        int moveSteps = (int) (profile.totalTime() / dt);
        ExperimentResult result = ExperimentResult.compute(logs, q1, moveSteps);
        System.out.printf("%-16s %s%n", name, result);
    }
}

主循环里有一个关键点:前馈使用的是 refPos 、 refVel 、 refAcc ,不是测量角度。这样做的原因是参考轨迹没有噪声,直接用数值微分就可以得到稳定的加速度。如果换成测量角度再去差分,前馈通道会成为噪声放大器。

4.5 指标计算:用数据判断控制效果

只看曲线很难判断控制器好坏。 ExperimentResult 计算三个指标:运动过程中的最大误差、RMS 误差和结束后 1 秒的末端误差。

import java.util.List;

public class ExperimentResult {
    private final double maxError;
    private final double rmsError;
    private final double endError;

    public ExperimentResult(double maxError, double rmsError, double endError) {
        this.maxError = maxError;
        this.rmsError = rmsError;
        this.endError = endError;
    }

    public static ExperimentResult compute(List<double[]> logs, double target, int moveSteps) {
        int n = Math.min(moveSteps, logs.size());
        double sumSq = 0;
        double max = 0;

        for (int i = 0; i < n; i++) {
            double measure = logs.get(i)[2];
            double ref = logs.get(i)[1];
            double err = measure - ref;
            sumSq += err * err;
            max = Math.max(max, Math.abs(err));
        }

        double end = Math.abs(logs.get(logs.size() - 1)[2] - target);
        return new ExperimentResult(max, Math.sqrt(sumSq / n), end);
    }

    @Override
    public String toString() {
        return String.format("maxError=%.4f rad, rmsError=%.4f rad, endError=%.4f rad",
                maxError, rmsError, endError);
    }
}

moveSteps 对应轨迹运动阶段的采样点数,这样 RMS 误差不会受到后面静止阶段的影响。末端误差能反映系统最终是否收敛到目标位置。这三个指标可以互相补充:最大误差反映最坏情况,RMS 反映整体跟踪精度,末端误差反映稳态精度。

使用上面给出的代码和参数,运行后会得到类似下面的对比结果:

PID only        maxError=0.1210 rad, rmsError=0.0548 rad, endError=0.0018 rad
PID + FF        maxError=0.0395 rad, rmsError=0.0182 rad, endError=0.0009 rad

注意,这些数值是示例性结果,受轨迹参数、模型参数和 PID 参数影响。不同环境可能略有差异,但趋势是一致的:加入前馈后,加减速阶段的峰值误差明显下降。

5. 参数整定顺序与对比实验

5.1 从 P 开始,再 D 再 I,最后开前馈

参数整定最忌讳“一上来三个参数一起调”。推荐顺序是:

第一步,把 Ki 和 Kd 全部设为 0,从较小的 Kp 开始。运行同一个短距离梯形轨迹,逐步增大 Kp ,直到系统出现轻微振荡。记下这个临界值,把 Kp 取它的 60% 左右作为初始值。

第二步,加入 Kd 。从 0 开始逐步增大,观察超调量和振荡衰减速度。Kd 的主要作用是增加阻尼,抑制超调。对干净的仿真模型来说,Kd 可以稍微大一点;对真实系统,Kd 的上限通常由噪声水平决定。

第三步,只有在前两步都稳定之后,才加入 Ki 。初始值可以取 0.1 到 1.0 之间的数值,观察静止时的稳态误差是否被消除。旋转臂的重力误差应该由重力前馈去扛,积分只承担残差修正,所以 Ki 不宜太大。

第四步,打开前馈。先只开启重力前馈,观察保持阶段和匀速阶段的误差;再开启惯性前馈,观察加减速阶段。每开启一项前馈后,都要重新微调 Kp 和 Kd ,因为前馈减少了反馈需要补偿的负载,原增益可能偏大。

5.2 参数变化效果汇总

参数 增大后的典型效果 过大的问题
Kp 响应更快,位置误差更小 增益过高导致振荡,力矩指令超出执行器极限
Kd 阻尼增强,超调下降,动态跟踪改善 放大测量噪声,产生高频振动
Ki 消除恒定负载产生的稳态误差 超调增加,积分饱和,低频振荡
惯性前馈 减小加减速跟踪滞后 前馈过大时关节“顶着跑”,末端更易过冲
重力前馈 减小角度保持误差,减轻积分负担 参数不准时会引入方向相反的力矩偏差

这个表可以作为调参时的速查表。每个参数都不是单点最优,它们之间是耦合的:增大 Kp 后可能需要更大的 Kd 来提供阻尼,而 Kd 过大又要求速度测量更平滑。

5.3 仿真对比实验:一表看懂前馈的价值

固定轨迹从 20° 运动到 90°,最大速度 80°/s,最大加速度 200°/s²,依次关闭和开启不同前馈项,可以得到类似下面的对比结果:

控制配置 最大误差 (rad) RMS 误差 (rad) 末端误差 (rad) 观察重点
PID only 约 0.121 约 0.055 约 0.002 加减速段滞后明显,静止段误差被积分修正
PID + 重力前馈 约 0.081 约 0.040 约 0.0015 匀速段和保持段改善明显
PID + 重力 + 惯性前馈 约 0.040 约 0.018 约 0.0009 加减速段峰值误差大幅下降
PID + 全前馈 约 0.038 约 0.017 约 0.0009 摩擦前馈在低速换向时略有帮助

重力前馈的最大收益在保持段和匀速段:它把已知扰动直接从反馈回路中移除,减小了误差。惯性前馈的最大收益在加减速段:它提前提供了让关节加速所需的力矩。这两项是旋转臂控制里投入产出最高的前馈项。

注意:前馈参数来自模型估计,真实机械臂上往往需要通过辨识获得。辨识不一定要做得很精确,哪怕重力前馈只有真实值的 80%,也能显著减小反馈负担。

5.4 整定中容易出现的三个误区

第一个误区是一上来就加积分。很多项目里发现关节在垂直位置附近下垂,第一反应是调大 Ki 。结果积分慢慢累积,抗饱和能力差,系统出现周期振荡。正确做法是先检查重力前馈有没有算对,再决定让积分承担多少残差。

第二个误区是用大 Kd 压超调。仿真模型里速度信号没有噪声, Kd 可以调得很大,于是形成了“Kd 越大越好”的错觉。真实系统里编码器差分后的速度信号噪声明显,Kd 稍微增大就会引发高频振动。合适做法是给速度测量加一阶低通滤波,或者把 Kd 放在速度环里,而不是直接对误差做数值微分。

第三个误区是用阶跃指令来整定轨迹跟踪参数。旋转关节在正常工作时很少接到阶跃位置指令,阶跃响应里的超调和轨迹跟踪里的误差不是同一个问题。建议用一组包含不同速度和角度的梯形轨迹来做整定,覆盖低速、中速、高速三种情况,避免只针对一条轨迹调参。

6. 常见问题与排查链路

6.1 问题现象对照表

问题现象 常见原因 检查方式 处理建议
保持位置时缓慢下坠 重力前馈未开启或模型偏差大 在多个角度记录稳态误差 补重力前馈,做最小二乘辨识
匀速段始终滞后一个固定角度 速度前馈或阻尼模型偏差 查看匀速段误差是否随速度变化 增加速度前馈,适当提高 Kp
加减速段超调明显 惯性前馈过大或 Kd 不足 对比参考加速度曲线和误差曲线 减小惯性前馈,增加 Kd
低速换向时咔哒振动 库仑摩擦前馈使用 signum 导致切换抖动 查看速度在 0 附近是否反复穿越 用 tanh(速度/阈值) 平滑摩擦前馈
启动瞬间输出饱和 积分在启动误差阶段累积 查看输出变量和积分变量曲线 加积分限幅,启动阶段冻结积分
控制周期不固定 Java 线程调度或 GC 暂停 记录每次循环间隔 仿真使用固定 dt,真实控制器使用实时调度

6.2 从现象倒推的排查顺序

真实的排错过程不应该是“猜一个参数,改一下,看效果”。推荐按下面顺序排查:

  1. 确认单位一致。角度是否都在弧度,速度是否都在弧度/秒,力矩是否都在牛·米。单位错位的表现是没有规律可言的错误。
  2. 确认参考轨迹连续。画出 refPos 、 refVel 、 refAcc 三条曲线,看加速度是否在切换点跳变过大。如果参考本身就不合理,控制器再准也没有意义。
  3. 关闭积分,保留纯 P 或纯 PD,观察系统是否稳定。这一步能排除积分饱和和积分振荡的干扰。
  4. 关闭前馈,观察纯反馈的表现,再逐步打开重力前馈、惯性前馈、摩擦前馈。每打开一项,记录误差是变大还是变小。前馈方向错误时,症状往往是误差不降反升。
  5. 用不同速度重复实验。只在某一条轨迹上调好的参数,很可能在另一条轨迹上失效。

6.3 用误差曲线而不是只看稳态

只看末期误差会掩盖很多动态问题。比如一个控制器在保持阶段表现很好,但在加减速阶段误差达到 0.2 rad,这样的机械臂在焊接、涂胶等跟随速度场景中完全不合格。建议在排错阶段把整个过程按“加速段、匀速段、减速段、保持段”分段统计 RMS 误差。这样定位问题时可以直接说“加速段 RMS 误差明显偏大”,而不是笼统地说“跟踪不好”。

如果发现加速段误差大,优先检查惯性前馈和 Kd;如果发现匀速段误差大,优先检查重力前馈、阻尼模型和 Kp;如果发现保持段误差大,优先检查重力前馈和积分是否生效。分段统计是让控制器调试从“调参”走向“诊断”的关键一步。

7. 从仿真收敛到真实机械臂的最佳实践

7.1 仿真环境能做到什么程度

本文的仿真模型是学习用的最小闭环,它的价值是把控制逻辑和参数调整跑通。要让它更接近真实系统,可以在模型中逐步加入:

  • 角度测量噪声,模拟编码器量化误差。
  • 力矩输出饱和,模拟驱动器电流限制。
  • 控制延迟,模拟通信和计算耗时。
  • 摩擦模型升级,使用静态摩擦和 Stribeck 曲线。

每加一种非理想因素,原控制器可能就不再是原来的效果。这正是仿真最大的价值:在真实设备之前暴露问题。

7.2 真实硬件上必须多补的模块

仿真环境里没有限位开关,也没有磨损和温度。真实机械臂项目至少还要处理这些问题:

  • 软限位和硬限位:控制器输出和参考轨迹都必须限制在关节行程内,同时保留急停通路。
  • 力矩安全限制:不要只限制输出上限,还要针对不同姿态设置不同的允许力矩,避免机械结构过载。
  • 参数外置化:把 Kp 、 Ki 、 Kd 、前馈模型系数放到配置文件或参数服务器中,避免每次调参都重新编译。
  • 日志和监控:记录每段时间戳、参考位置、测量位置、力矩指令和错误状态,方便事后分析。
  • 回滚机制:参数修改要支持快速回滚,防止现场调参后系统状态恶化无法恢复。

这些内容在仿真里容易被忽略,但真实设备调试时,缺少它们往往比 PID 参数不准更先导致问题。

7.3 可复用检查清单

把本文的经验整理成一份检查清单,每次从仿真迁移到真实机械臂前可以逐项确认:

  • 单位统一,角度全部使用弧度。
  • 参考轨迹使用梯形或 S 曲线,没有阶跃位置指令。
  • 控制周期固定,有超时检测机制。
  • 积分限幅已生效, ki = 0 时不会除零。
  • 前馈使用参考量而非测量量。
  • 重力前馈至少覆盖 80% 以上的实际重力力矩。
  • 速度信号有低通滤波或等效平滑机制。
  • 摩擦前馈使用平滑函数,不使用裸 signum 。
  • 至少用三种速度对同一段轨迹做回归测试。
  • 保存参数版本,支持一键回滚。

旋转机械臂控制的难点不在 PID 公式本身,而在对负载和参考轨迹的理解。把重力、惯性、摩擦这些“已知物理量”交给前馈,让反馈专注于处理建模误差和扰动,控制品质才能稳定提升。下一步可以在这个单关节基础上扩展成多关节系统,加入科氏力和离心力项的补偿,再把控制器移到实时线程或嵌入式环境中,继续验证同一套思路在硬件上的表现。

Logo

聚焦RDK与具身智能,汇集机器人开发教程、开源案例和技术交流

更多推荐