【花雕学编程】Arduino FOC 之基于卡尔曼滤波的自平衡倒立摆

驴友花雕

于 2024-08-18 07:44:55 发布

阅读量397

点赞数 3

分类专栏： Arduino CNC 文章标签：嵌入式硬件单片机 c++ Arduino FOC 基于卡尔曼滤波的自平衡倒立摆

本文链接：https://blog.csdn.net/weixin_41659040/article/details/141291205

版权

Arduino CNC 专栏收录该内容

8 篇文章 0 订阅

订阅专栏

在这里插入图片描述

Arduino是一个开放源码的电子原型平台，它可以让你用简单的硬件和软件来创建各种互动的项目。Arduino的核心是一个微控制器板，它可以通过一系列的引脚来连接各种传感器、执行器、显示器等外部设备。Arduino的编程是基于C/C++语言的，你可以使用Arduino IDE（集成开发环境）来编写、编译和上传代码到Arduino板上。Arduino还有一个丰富的库和社区，你可以利用它们来扩展Arduino的功能和学习Arduino的知识。

Arduino的特点是：
1、开放源码：Arduino的硬件和软件都是开放源码的，你可以自由地修改、复制和分享它们。
2、易用：Arduino的硬件和软件都是为初学者和非专业人士设计的，你可以轻松地上手和使用它们。
3、便宜：Arduino的硬件和软件都是非常经济的，你可以用很低的成本来实现你的想法。
4、多样：Arduino有多种型号和版本，你可以根据你的需要和喜好来选择合适的Arduino板。
5、创新：Arduino可以让你用电子的方式来表达你的创意和想象，你可以用Arduino来制作各种有趣和有用的项目，如机器人、智能家居、艺术装置等。

在这里插入图片描述
Arduino FOC（Field Oriented Control，场向量控制）是一种先进的电机控制技术，它允许精确控制电机的转矩和速度。这种控制技术特别适用于无刷直流电机（BLDC）和步进电机。在Arduino平台上实现FOC可以提供平滑的运行和高度的扭矩、速度和位置控制，它通过精确控制电机的电流和电压来实现高效率、高精度和低噪声的操作。

主要特点:
1、高性能电机控制：FOC是一种高级的电机控制算法，可以精准控制PMSM(永磁同步电机)和BLDC(无刷直流)电机，实现平滑的转速和扭矩输出。
2、闭环控制架构：FOC采用闭环反馈控制，通过检测电机的位置和速度数据，实时调整输出电压和电流，确保电机动作符合预期。
3、模块化设计：Arduino FOC库采用模块化设计，包含电机建模、速度/位置/电流控制环、PWM生成等子模块，用户可根据需求灵活组合使用。
4、可移植性强：Arduino FOC可移植到多种硬件平台，如Arduino、ESP32、STM32与树莓派等，适用于功率从几十瓦到几千瓦的电机系统。
5、参数自动识别：FOC库具有自动识别电机参数的功能，可以大幅简化电机控制系统的调试过程。

应用场景:
1、工业自动化：在工厂的机器人、传送带、CNC加工设备等领域，Arduino FOC可提供高性能的电机控制解决方案。
2、电动车辆：电动自行车、电动汽车、电动叉车等车载电机驱动系统，可以采用Arduino FOC进行精准控制。
3、家用电器：在电风扇、洗衣机、空调等家用电器中，Arduino FOC可实现细腻的电机速度和扭矩控制。
4、航模和无人机：航模飞机、无人机等对电机控制性能要求很高的领域，Arduino FOC能够提供高精度的电机驱动。
5、机器人：工业机器人、服务机器人、仿生机器人等对电机控制性能有严格要求的领域，Arduino FOC是一个不错的选择。

需要注意的事项:
1、硬件要求：Arduino FOC对控制器的性能(如CPU频率、RAM/ROM容量等)有一定要求，需要选择合适的硬件平台。
2、调试复杂性：FOC算法涉及电机建模、坐标变换、PI调节器等诸多环节，调试和调优过程相对复杂，需要一定的专业知识。
3、噪声抑制：电机驱动电路容易产生噪声干扰，需要采取合理的屏蔽和滤波措施，确保信号质量。
4、安全防护：电机驱动系统可能会产生过电流、过压等故障,需要配备可靠的保护电路，确保人身和设备安全。
5、系统集成：将Arduino FOC集成到完整的电机驱动系统中时，需要考虑机械、电力、控制等各个方面的协调配合。

总的来说，Arduino FOC是一种功能强大、性能优秀的电机控制解决方案,适用于工业自动化、电动车辆、家用电器等众多领域。但在硬件选型、算法调试、噪声抑制和安全防护等方面都需要谨慎考虑，以确保系统稳定可靠地运行。

附录：系列目录
1、Arduino FOC的特点、场景和使用事项
http://t.csdnimg.cn/WZhYL
2、Arduino FOC 之简单FOC库 - 跨平台的无刷直流和步进电机FOC实现
http://t.csdnimg.cn/p9ADE
3、Arduino FOC 之无刷直流电机速度控制
http://t.csdnimg.cn/gZ7CY
4、Arduino FOC 之步进电机位置控制
http://t.csdnimg.cn/VYbIb
5、Arduino FOC 之无刷直流电机电流控制
http://t.csdnimg.cn/wWGVu
6、Arduino FOC 之 SimpleFOC 库的主要函数
http://t.csdnimg.cn/S26MC
7、Arduino FOC 之 ArduinoFOC库的核心函数
http://t.csdnimg.cn/3VLzF
8、Arduino FOC 之传感器校准
http://t.csdnimg.cn/NS3TR
9、Arduino FOC 之SimpleFOCShield v2.0.4无刷电机驱动板
http://t.csdnimg.cn/g9mP7
10、Arduino FOC 之 AS5600角度读取
http://t.csdnimg.cn/dmI6F
11、Arduino FOC 之 FOC算法
http://t.csdnimg.cn/ENxc0
12、Arduino FOC 之 SimpleFOC库的适配电机方案
http://t.csdnimg.cn/QdH6k

在这里插入图片描述
Arduino FOC 之基于卡尔曼滤波的自平衡倒立摆

一、主要特点

卡尔曼滤波: 卡尔曼滤波是一种常用的状态估计方法，可以根据系统模型和传感器测量值，估计系统的真实状态，并能够有效地滤除噪声和干扰。
自平衡控制: 倒立摆系统是一个典型的非线性系统，具有不稳定性，需要通过控制系统来维持平衡。利用卡尔曼滤波，可以更准确地估计倒立摆的倾斜角度和角速度，并将其反馈给控制系统，实现更加精准的平衡控制。
FOC 技术: 利用 FOC (Field-Oriented Control，磁场定向控制) 技术，可以精确控制电机，实现对倒立摆的高精度控制，提高系统的稳定性和效率。
抗干扰能力强: 卡尔曼滤波能够有效地滤除传感器噪声和系统干扰，提高系统的抗干扰能力，使倒立摆能够在更复杂的环境中保持平衡。
可扩展性: Arduino 平台的开放性和可编程性，使得用户可以根据自己的需求编写程序，实现各种功能，例如添加其他传感器、实现更复杂的控制策略等。

二、应用场景

教育科研: 自平衡倒立摆是一个经典的控制理论实验平台，可以用于研究控制算法、传感器技术、系统建模等。
机器人控制: 自平衡倒立摆的控制技术可以应用于机器人控制领域，例如双足机器人、轮式机器人等，帮助机器人实现平衡控制和运动控制。
自动控制系统: 自平衡倒立摆的控制技术可以应用于自动控制系统，例如自动驾驶系统、无人机控制系统等，提高系统的稳定性和可靠性。
娱乐休闲: 自平衡倒立摆可以作为一种有趣的玩具，展现控制技术的魅力，并可以用于进行各种比赛和表演。

三、需要注意的事项

传感器选择: 需要选择合适的传感器，例如陀螺仪、加速度计等，以获取倒立摆姿态信息，并确保传感器精度和可靠性。
卡尔曼滤波器设计: 需要根据系统模型和传感器特性，设计合适的卡尔曼滤波器，并进行参数调试，以确保滤波效果。
FOC 控制算法: 需要选择合适的 FOC 控制算法，并进行参数调试，以确保电机控制的稳定性和精确性。
系统建模: 需要对系统进行准确的建模，以确保卡尔曼滤波器能够有效地估计系统状态。
安全问题: 在使用自平衡倒立摆时，需要注意安全问题，例如避免碰撞、避免人员受伤等。

总结

Arduino FOC 之基于卡尔曼滤波的自平衡倒立摆，具有高精度控制、抗干扰能力强、可扩展性等特点，在教育科研、机器人控制、自动控制系统、娱乐休闲等领域有着广泛的应用前景。在使用时，需要选择合适的传感器、设计合适的卡尔曼滤波器，并进行参数调试，确保安全操作。

在这里插入图片描述

1、基本自平衡控制

#include <Arduino.h>
#include <FOC.h> // FOC 库
#include <Kalman.h> // 卡尔曼滤波库

// 定义电机引脚
const int stepPin = 2;
const int dirPin = 3;

// 定义传感器引脚
const int accXPin = A0;
const int accYPin = A1;
const int gyroPin = A2;

// 定义 FOC 对象
FOC motor;

// 定义卡尔曼滤波器对象
Kalman filter;

// 定义目标角度
float targetAngle = 0.0;

// 定义 PID 控制参数
float kp = 1.0; // 比例系数
float ki = 0.1; // 积分系数
float kd = 0.01; // 微分系数

// 定义 PID 对象
PID pid;

void setup() {
  Serial.begin(115200);

  // 初始化电机
  motor.init(stepPin, dirPin, 1000);

  // 设置电机控制模式
  motor.setMode(FOC_MODE_SPEED);

  // 启动电机
  motor.run();

  // 初始化卡尔曼滤波器
  filter.init(1.0, 0.0, 0.01, 0.01, 0.01);

  // 初始化 PID 控制
  pid.init(kp, ki, kd);
}

void loop() {
  // 获取传感器数据
  float accX = analogRead(accXPin) * 3.3 / 1023;
  float accY = analogRead(accYPin) * 3.3 / 1023;
  float gyro = analogRead(gyroPin) * 3.3 / 1023;

  // 使用卡尔曼滤波器估计角度
  float angle = filter.getAngle(accX, accY, gyro);

  // 使用 PID 控制计算电机目标速度
  float outputSpeed = pid.compute(targetAngle, angle);

  // 设置电机目标速度
  motor.setTargetSpeed(outputSpeed);

  // 更新电机状态
  motor.updateMotorState();

  // 延时
  delay(10);
}

要点解读：
代码使用 FOC.h 库控制电机，使用 Kalman.h 库进行卡尔曼滤波。
代码定义电机引脚、传感器引脚、目标角度、PID 控制参数和卡尔曼滤波器参数。
代码使用传感器数据和卡尔曼滤波器估计角度，使用 PID 控制算法根据角度误差调整电机速度，实现倒立摆的自平衡。

2、基于传感器融合的自平衡控制

#include <Arduino.h>
#include <FOC.h> // FOC 库
#include <Kalman.h> // 卡尔曼滤波库

// 定义电机引脚
const int stepPin = 2;
const int dirPin = 3;

// 定义传感器引脚
const int accXPin = A0;
const int accYPin = A1;
const int gyroPin = A2;
const int encoderPinA = 10;
const int encoderPinB = 11;

// 定义 FOC 对象
FOC motor;

// 定义卡尔曼滤波器对象
Kalman filter;

// 定义目标角度
float targetAngle = 0.0;

// 定义 PID 控制参数
float kp = 1.0; // 比例系数
float ki = 0.1; // 积分系数
float kd = 0.01; // 微分系数

// 定义 PID 对象
PID pid;

void setup() {
  Serial.begin(115200);

  // 初始化电机
  motor.init(stepPin, dirPin, 1000);

  // 设置电机控制模式
  motor.setMode(FOC_MODE_SPEED);

  // 启动电机
  motor.run();

  // 初始化卡尔曼滤波器
  filter.init(1.0, 0.0, 0.01, 0.01, 0.01);

  // 初始化 PID 控制
  pid.init(kp, ki, kd);
}

void loop() {
  // 获取传感器数据
  float accX = analogRead(accXPin) * 3.3 / 1023;
  float accY = analogRead(accYPin) * 3.3 / 1023;
  float gyro = analogRead(gyroPin) * 3.3 / 1023;
  float encoderSpeed = encoder.read() * 2 * PI / 360 / (1000 / 1000);

  // 使用卡尔曼滤波器估计角度
  float angle = filter.getAngle(accX, accY, gyro, encoderSpeed);

  // 使用 PID 控制计算电机目标速度
  float outputSpeed = pid.compute(targetAngle, angle);

  // 设置电机目标速度
  motor.setTargetSpeed(outputSpeed);

  // 更新电机状态
  motor.updateMotorState();

  // 延时
  delay(10);
}

要点解读：
代码使用 FOC.h 库控制电机，使用 Kalman.h 库进行卡尔曼滤波。
代码定义电机引脚、传感器引脚、目标角度、PID 控制参数和卡尔曼滤波器参数。
代码使用传感器数据（加速度计、陀螺仪、编码器）和卡尔曼滤波器估计角度，使用 PID 控制算法根据角度误差调整电机速度，实现倒立摆的自平衡。

3、基于自适应卡尔曼滤波的自平衡控制

#include <Arduino.h>
#include <FOC.h> // FOC 库
#include <Kalman.h> // 卡尔曼滤波库

// 定义电机引脚
const int stepPin = 2;
const int dirPin = 3;

// 定义传感器引脚
const int accXPin = A0;
const int accYPin = A1;
const int gyroPin = A2;
const int encoderPinA = 10;
const int encoderPinB = 11;

// 定义 FOC 对象
FOC motor;

// 定义卡尔曼滤波器对象
Kalman filter;

// 定义目标角度
float targetAngle = 0.0;

// 定义 PID 控制参数
float kp = 1.0; // 比例系数
float ki = 0.1; // 积分系数
float kd = 0.01; // 微分系数

// 定义 PID 对象
PID pid;

// 定义自适应卡尔曼滤波器参数
float q = 0.01; // 过程噪声协方差
float r = 0.01; // 测量噪声协方差

void setup() {
  Serial.begin(115200);

  // 初始化电机
  motor.init(stepPin, dirPin, 1000);

  // 设置电机控制模式
  motor.setMode(FOC_MODE_SPEED);

  // 启动电机
  motor.run();

  // 初始化卡尔曼滤波器
  filter.init(1.0, 0.0, q, r, r);

  // 初始化 PID 控制
  pid.init(kp, ki, kd);
}

void loop() {
  // 获取传感器数据
  float accX = analogRead(accXPin) * 3.3 / 1023;
  float accY = analogRead(accYPin) * 3.3 / 1023;
  float gyro = analogRead(gyroPin) * 3.3 / 1023;
  float encoderSpeed = encoder.read() * 2 * PI / 360 / (1000 / 1000);

  // 使用自适应卡尔曼滤波器估计角度
  float angle = filter.getAngle(accX, accY, gyro, encoderSpeed);

  // 更新自适应卡尔曼滤波器参数
  q = filter.getQ();
  r = filter.getR();

  // 使用 PID 控制计算电机目标速度
  float outputSpeed = pid.compute(targetAngle, angle);

  // 设置电机目标速度
  motor.setTargetSpeed(outputSpeed);

  // 更新电机状态
  motor.updateMotorState();

  // 延时
  delay(10);
}

要点解读：
代码使用 FOC.h 库控制电机，使用 Kalman.h 库进行卡尔曼滤波。
代码定义电机引脚、传感器引脚、目标角度、PID 控制参数和卡尔曼滤波器参数。
代码使用传感器数据（加速度计、陀螺仪、编码器）和自适应卡尔曼滤波器估计角度，使用 PID 控制算法根据角度误差调整电机速度，实现倒立摆的自平衡。
自适应卡尔曼滤波器可以根据系统状态自动调整过程噪声和测量噪声协方差，提高滤波精度和稳定性。

在这里插入图片描述
4、基本卡尔曼滤波实现自平衡

#include <Arduino.h>
#include <FOC.h>
#include <Kalman.h> // 卡尔曼滤波库

// 定义电机引脚
#define MOTOR_PWM 9
#define MOTOR_DIR 8

// 定义电机对象
FOCMotor motor(MOTOR_PWM, MOTOR_DIR);

// 定义角度传感器引脚
#define ANGLE_SENSOR_PIN A0

// 定义角速度传感器引脚
#define ANGULAR_VELOCITY_SENSOR_PIN A1

// 定义卡尔曼滤波器对象
Kalman filter;

// 定义目标角度
float targetAngle = 0; // 单位：弧度

void setup() {
  // 初始化电机
  motor.init();

  // 初始化卡尔曼滤波器
  filter.setAngle(0);
  filter.setGyro(0);
  filter.setQangle(0.001);
  filter.setQgyro(0.003);
  filter.setRangle(0.03);

  // 设置目标角度
  targetAngle = 0;
}

void loop() {
  // 获取角度和角速度数据
  float angle = getAngle();
  float angularVelocity = getAngularVelocity();

  // 更新卡尔曼滤波器
  filter.setAngle(angle);
  filter.setGyro(angularVelocity);
  filter.computeAngle();

  // 获取卡尔曼滤波后的角度和角速度
  float filteredAngle = filter.getAngle();
  float filteredAngularVelocity = filter.getGyro();

  // 计算控制输出
  float controlOutput = -Kp * filteredAngle - Kd * filteredAngularVelocity;

  // 设置电机目标速度
  motor.setTargetSpeed(controlOutput);

  // 控制电机运行
  motor.run();

  // 延时
  delay(10);
}

// 获取角度数据
float getAngle() {
  // 读取角度传感器数据
  // ...
  // 将传感器数据转换为弧度
  // ...
  return angle;
}

// 获取角速度数据
float getAngularVelocity() {
  // 读取角速度传感器数据
  // ...
  // 将传感器数据转换为弧度/秒
  // ...
  return angularVelocity;
}

要点解读：
该程序使用卡尔曼滤波器对角度和角速度数据进行融合，提高自平衡系统的稳定性。
程序需要根据实际的传感器精度和系统模型调整卡尔曼滤波器的参数。
该程序仅演示了基本的卡尔曼滤波实现，实际应用中需要考虑更复杂的控制算法和系统模型。

5、基于卡尔曼滤波的轨迹跟踪

#include <Arduino.h>
#include <FOC.h>
#include <Kalman.h> // 卡尔曼滤波库

// 定义电机引脚
// ...

// 定义电机对象
// ...

// 定义角度传感器引脚
// ...

// 定义角速度传感器引脚
// ...

// 定义卡尔曼滤波器对象
Kalman filter;

// 定义目标角度轨迹
float targetAngleTrajectory[100]; // 单位：弧度

// 定义当前轨迹点索引
int trajectoryIndex = 0;

void setup() {
  // 初始化电机
  // ...

  // 初始化卡尔曼滤波器
  // ...

  // 设置目标角度轨迹
  // ...
}

void loop() {
  // 获取角度和角速度数据
  float angle = getAngle();
  float angularVelocity = getAngularVelocity();

  // 更新卡尔曼滤波器
  // ...

  // 获取卡尔曼滤波后的角度和角速度
  // ...

  // 计算目标角度
  float targetAngle = targetAngleTrajectory[trajectoryIndex];

  // 计算控制输出
  float controlOutput = -Kp * (filteredAngle - targetAngle) - Kd * filteredAngularVelocity;

  // 设置电机目标速度
  motor.setTargetSpeed(controlOutput);

  // 控制电机运行
  motor.run();

  // 更新轨迹点索引
  if (trajectoryIndex < 99) {
    trajectoryIndex++;
  }

  // 延时
  delay(10);
}

// 获取角度数据
// ...

// 获取角速度数据
// ...

要点解读：
该程序使用卡尔曼滤波器对角度和角速度数据进行融合，并根据目标角度轨迹计算控制输出，实现倒立摆的轨迹跟踪。
程序需要根据实际的传感器精度和系统模型调整卡尔曼滤波器的参数，并根据目标轨迹的特性设置目标角度轨迹。
该程序仅演示了简单的轨迹跟踪，实际应用中需要考虑更复杂的轨迹规划和控制算法。

6、基于卡尔曼滤波的扰动抑制

#include <Arduino.h>
#include <FOC.h>
#include <Kalman.h> // 卡尔曼滤波库

// 定义电机引脚
// ...

// 定义电机对象
// ...

// 定义角度传感器引脚
// ...

// 定义角速度传感器引脚
// ...

// 定义卡尔曼滤波器对象
Kalman filter;

// 定义扰动估计值
float disturbanceEstimate = 0;

void setup() {
  // 初始化电机
  // ...

  // 初始化卡尔曼滤波器
  // ...
}

void loop() {
  // 获取角度和角速度数据
  float angle = getAngle();
  float angularVelocity = getAngularVelocity();

  // 更新卡尔曼滤波器
  // ...

  // 获取卡尔曼滤波后的角度和角速度
  // ...

  // 估计扰动
  disturbanceEstimate = filteredAngle - targetAngle;

  // 计算控制输出
  float controlOutput = -Kp * filteredAngle - Kd * filteredAngularVelocity - disturbanceEstimate;

  // 设置电机目标速度
  motor.setTargetSpeed(controlOutput);

  // 控制电机运行
  motor.run();

  // 延时
  delay(10);
}

// 获取角度数据
// ...

// 获取角速度数据
// ...

要点解读：
该程序使用卡尔曼滤波器对角度和角速度数据进行融合，并估计外部扰动，提高自平衡系统的抗扰动能力。
程序需要根据实际的传感器精度和系统模型调整卡尔曼滤波器的参数，并根据扰动的特性设置扰动估计模型。
该程序仅演示了简单的扰动抑制，实际应用中需要考虑更复杂的扰动估计和控制算法。

注意，以上案例只是为了拓展思路，仅供参考。它们可能有错误、不适用或者无法编译。您的硬件平台、使用场景和Arduino版本可能影响使用方法的选择。实际编程时，您要根据自己的硬件配置、使用场景和具体需求进行调整，并多次实际测试。您还要正确连接硬件，了解所用传感器和设备的规范和特性。涉及硬件操作的代码，您要在使用前确认引脚和电平等参数的正确性和安全性。

在这里插入图片描述

驴友花雕

关注

3
点赞
踩
6

收藏

觉得还不错? 一键收藏
打赏
0
评论
【花雕学编程】Arduino FOC 之基于卡尔曼滤波的自平衡倒立摆

注意，以上案例只是为了拓展思路，仅供参考。在Arduino平台上实现FOC可以提供平滑的运行和高度的扭矩、速度和位置控制，它通过精确控制电机的电流和电压来实现高效率、高精度和低噪声的操作。Arduino FOC 之基于卡尔曼滤波的自平衡倒立摆，具有高精度控制、抗干扰能力强、可扩展性等特点，在教育科研、机器人控制、自动控制系统、娱乐休闲等领域有着广泛的应用前景。5、创新：Arduino可以让你用电子的方式来表达你的创意和想象，你可以用Arduino来制作各种有趣和有用的项目，如机器人、智能家居、艺术装置等。
复制链接

扫一扫