Skip to content

About

MuJoCo simulation of a two-wheel self-balancing robot: cascaded control, system identification, sim2real alignment

Resources

Stars

0 stars

Watchers

0 watching

Forks

Repository files navigation

balance-sim2real

双轮平衡车的 MuJoCo 建模 / 串级控制 / 参数辨识 / 真机数据对齐。

ci python mujoco

English · 30 秒演示解说词

这是我在做 STM32 平衡车时缺的那一半:在写进单片机之前,先在仿真里把控制律、 执行器非理想项和 sim2real 误差搞清楚。所以这个仓库不是"跑个 demo 截图",而是 一套可以复现的实验流程 —— 每个实验都有明确的输入、指标和结论。

demo


它解决什么问题

平衡车看着简单,实车上踩的坑却很固定:

现象 根因 本仓库里对应的实验
被推一把之后车反向冲出去 外环积分饱和,没有抗饱和 01(条件积分)
轮子嗡嗡响、电机发烫 陀螺噪声被 D 项放大 02(D 项低通)
换一台电机就要重调一遍 没有做参数辨识 04(台架辨识 J/b)
仿真调好、上机就抖 延迟/零偏/死区没建模 03、05

快速开始

pip install -r requirements.txt

python experiments/01_balance.py      # 抗扰恢复
python experiments/02_track.py        # 速度跟踪
python experiments/03_sweep.py        # 延迟 x 力矩上限 鲁棒性扫描
python experiments/04_sysid_motor.py  # 台架参数辨识
python experiments/05_sim2real.py --selftest   # 真机数据回放 + 反推参数
python experiments/06_render.py       # 渲染 GIF(需要 OpenGL)

一键全跑:python run_all.py。所有图和数据落在 results/,CSV 可以直接拿去和 真机日志对齐。

Windows 控制台默认 GBK,图里的中文没问题;如果终端里中文显示成乱码, 先 chcp 65001。


目录

model/balance_car.xml    MJCF:轮子/车身/桅杆,摩擦、armature、阻尼都在这里
src/env.py               环境封装:延迟、IMU 噪声与零偏、编码器量化、电机死区
src/controller.py        串级 PID:速度外环 -> 俯仰目标 -> 力矩内环,+ 转向环
src/metrics.py           阶跃指标(超调/上升/调节/稳态误差)与跟踪指标
src/plot.py              统一出图风格(中文字体、配色)
experiments/01..06       六个实验,各自独立可跑
data/real_log.csv        真机日志模板(--selftest 会用仿真数据填充)
results/                 图 + CSV

模型

  • 轮半径 R = 50 mm,轮距 170 mm,整备质量 ≈ 1.95 kg
  • 轮胎 condim=4(滚动 + 侧向摩擦模型完整),cone=elliptic
  • 轮子带 armature=0.002(转子惯量折算)和 damping=0.002
  • 物理步长 1 ms,控制周期 5 ms(200 Hz,和 STM32 固件一致)

为什么物理步长比控制周期小 5 倍:接触求解需要更细的步长才稳定;控制周期则是 真机上的实际采样率,两者不能混为一谈。env.apply() 内部自动跑 5 个子步。


控制器

速度误差 --(PI, 抗饱和)--> 俯仰目标 theta_ref --(PD)--> 轮端力矩
                                 ^                        |
                                 |                        v
                          俯仰角/角速度            饱和 + 斜率限幅

四个"真机上必须有、仿真里容易忘"的细节,都在 controller.py 里显式实现:

  1. 条件积分抗饱和:外环已经顶到 theta_max 且误差方向一致时停止积分。 没有这一条,被撞后 theta_ref 会在限幅上顶 2 秒,积分打满,车随后反向冲出去。
  2. D 项一阶低通(60 Hz):陀螺噪声被 kd 直接放大成力矩抖动。
  3. 速度指令斜坡(1.2 m/s²):阶跃指令会让车"耸一下",前 0.1 s 车轮先倒退再前冲。
  4. 力矩斜率限幅(120 N·m/s):模拟驱动器电流环的上升率。

实验结果

01 抗扰恢复

初始前倾 5.7°,第 2.0 s 施加 18 N × 0.1 s 的水平推力(≈1.0 m/s 的撞击)。

指标 数值
撞击后峰值速度 1.41 m/s
撞击后峰值倾角 8.0°
恢复到 ±2° 用时 1.85 s
峰值力矩 0.99 N·m(上限 2.0,未饱和)
最大位移 1.28 m
末速度 -0.001 m/s

balance

02 速度跟踪

方波指令 0 → 0.5 → 0 → -0.3 → 0 m/s。

段 目标 上升 超调 调节(±2%) 稳态误差
1 0.50 380 ms 7.1% 1.85 s 0.61%
2 0.00 405 ms 6.3% 1.89 s 2.38%
3 -0.30 200 ms 14.4% 1.86 s 3.48%
4 0.00 220 ms 8.9% 1.78 s 1.84%

track

03 鲁棒性扫描

延迟 0–30 ms × 力矩上限 0.35–2.0 N·m,共 42 种组合,看性能在哪崩。

结论很清楚:力矩上限是硬约束。上限 0.35 N·m 时 7 档延迟全部倒地;0.5 N·m 时 延迟 ≥10 ms 就开始倒。延迟本身(0–15 ms)对恢复时间影响不到 0.3 s —— 也就是说, 先解决扭矩裕度,再谈控制延迟。

sweep

04 台架参数辨识

把车架空(关重力、断地面接触),给定力矩阶跃,测转速上升曲线,对 tau = J·dω/dt + b·ω 做最小二乘。

参数 辨识值 模型真值 误差
J 0.002302 kg·m² 0.002197 +4.8%
b 0.002000 N·m·s/rad 0.002000 0%

误差主要来自用差分求角加速度。真机上做同样的步骤,就能标出"换了一台电机该改哪个参数"。

sysid

05 真机数据回放与参数反推

读入 200 Hz 的真机日志(t, v_ref, vx, pitch),用同样的 v_ref 序列在仿真里重放, 比较俯仰角。然后分两步反推参数:先标 IMU 零偏(一阶主导误差),再标质量。

在 --selftest 模式下,用一份"被改坏的假真机"(IMU 装歪 1.2°、质量 1.25 倍、 摩擦 0.7 倍、延迟 10 ms、死区 0.04 N·m)验证整条流程:

  • 标称仿真:俯仰角 RMSE 1.64°
  • 反推出零偏 +1.3°(真值 1.2°)
  • 再反推质量 1.35×(真值 1.25×)
  • 最终 RMSE 0.22°,失配降低 87%

一个诚实的负面结论:摩擦系数在这条轨迹上不可辨识 —— 把 μ 从 0.5 倍扫到 1.4 倍, RMSE 一直是 0.22°,因为轮子全程没打滑。要标摩擦得专门做急加速/急刹的激励。

sim2real


已知限制

  • 模型是平面直线运动,转向只做了偏航力矩环,没有做完整的三维转弯(差速 + 侧倾)。
  • 没有建模电机齿槽转矩、磁滞和温漂。
  • 05 的参数搜索是粗网格,够用但不收敛到最优;换成 scipy 的 minimize 会更快。

下一步

  • 把控制器用 C 重写一版,和 Python 版本逐点对比(保证移植不走样)
  • 加 --from-real 模式,直接吃实车 CAN 日志
  • 在 Isaac Lab 里搭同一个模型,比较两个引擎的接触求解差异

About

MuJoCo simulation of a two-wheel self-balancing robot: cascaded control, system identification, sim2real alignment

Resources

Stars

0 stars

Watchers

0 watching

Forks

Releases

Packages

Contributors

Languages