最近在整理往年电赛资料时，发现一个很有意思的现象：很多队伍在准备“杆球平衡”这类经典控制题目时，会把绝大部分精力放在PID调参、算法仿真和硬件搭建上。这当然没错，但往往在比赛现场，决定最终成绩上限的，可能并不是你的控制算法有多精妙，而是你的系统能否扛住真实物理世界里的各种“意外扰动”——比如电机启动的抖动、传感器安装的微小形变、甚至裁判走动带来的地面震动。

“杆球平衡”的核心是稳定，但“运动补偿”要解决的，恰恰是“不稳定”本身。它不是一个独立的算法模块，而是一套贯穿硬件选型、机械结构、信号处理和控制律设计的系统性抗干扰策略。很多人以为补偿就是加个滤波或者调个前馈，结果在实验室跑得飞起的小球，一上赛场就“翩翩起舞”。问题出在哪？很可能从一开始，对“补偿”的理解就停留在表面了。

2026年电赛若真以“杆球平衡运动补偿”为题，其考察重点绝不会是让你复现一个平衡状态，而是在存在持续或突变外部扰动的条件下，如何让系统依然保持稳定，并快速准确地响应新的位置指令。这要求我们跳出“单点调参”的思维，建立一套从“现象感知”到“扰动归类”再到“分层抑制”的完整工程化应对框架。今天，我们就来拆解一下，面对这样一个题目，从理解到实现，真正需要关注的是什么。

1. 先厘清核心矛盾：我们要补偿的到底是什么“运动”？

拿到题目，第一反应不应该是去找代码，而是先拆解“运动补偿”这个目标里的“运动”究竟指什么。如果定义不清，后续所有工作都可能跑偏。

1.1 扰动来源的三层分解：内部、耦合与外部

在杆球平衡系统中，“运动”干扰可以按来源分为三层，每一层需要的补偿策略截然不同。

1. 执行器与传动层扰动（内部）：这是最基础也最常被忽视的一层。你的电机（通常是舵机或直流减速电机）本身就不是理想的。它可能存在：

   • 齿槽转矩：电机转子转动时磁阻变化引起的周期性转矩波动，在低速时尤为明显，会导致平台产生细微的、规律性的抖动。
   • 响应延迟与过冲：电机接收到控制指令后，从开始转动到达到目标速度需要时间，停止时也可能因惯性过冲。PID输出的是“期望力矩”，而电机给出的是“实际力矩”，两者之间的动态差异就是一种扰动。
   • 传动间隙：齿轮、联轴器等存在的微小旷量，会导致电机转动之初，平台并未立即运动（死区），或运动反向时存在空程。这相当于在控制回路中引入了一个非线性和滞后。

2. 机械结构层扰动（耦合）：这一层源于我们自己的设计。

   • 平台形变与振动：为了减轻重量，我们常使用3D打印或碳杆作为平台。当电机驱动平台快速运动时，材料会发生弹性形变并产生衰减振动。这个振动会通过平台直接传递给球，传感器（如摄像头）也会捕捉到平台的虚假运动。
   • 传感器安装误差：摄像头或OpenMV如果固定不牢，会随着平台一起振动或发生微小偏转，它测量到的“球位置”实际上是“球相对于晃动摄像头”的位置，引入了巨大的测量噪声。
   • 重心偏移：电机、电池、控制板的布局如果不均衡，会导致平台重心不在旋转中心，电机需要额外出力克服一个周期性的重力矩干扰。

3. 环境与任务层扰动（外部）：这是题目“运动补偿”最可能直接指涉的部分。

   • 基础扰动：人为用手轻推平台、敲击桌面、风吹等。这类扰动幅度、方向、时长随机，考验系统的抗干扰恢复能力。
   • 指令扰动：题目可能要求平台在保持球平衡的同时，进行指定的轨迹运动（如让平台匀速旋转、正弦摆动）。此时，平台的主动运动对球来说就是一个巨大的、持续的“扰动”。补偿的核心就从“抵抗”变成了“预测与跟随”。
   • 复合扰动：以上多种扰动同时发生。例如，在平台执行正弦运动指令（外部）时，电机自身的齿槽转矩（内部）和结构振动（耦合）也一并存在。

1.2 补偿的本质：是“对抗”还是“协同”？

基于以上分解，我们可以形成第一个关键判断：“运动补偿”不是一个统一的魔法，而是针对不同层扰动，采取“隔离”、“抑制”或“利用”等不同策略的组合。

• 对于内部扰动，目标是隔离与建模。例如，通过前馈补偿来抵消已知的电机非线性（如死区补偿），或选用更高品质的电机、减速箱来从源头减少齿槽转矩和间隙。
• 对于耦合扰动，目标是抑制与加固。通过机械设计（增加刚度、优化重心）、传感器减震安装、以及软件滤波（但需谨慎）来减少其对控制回路的影响。
• 对于外部扰动（尤其是指令运动），目标是预测与协同。这是算法的核心战场。我们需要在控制律中，不仅考虑球自身的动力学，还要将平台的已知运动作为一个输入项考虑进去，让控制器“知道”平台即将怎么动，从而提前给出控制量，让球的运动与平台运动“协同”起来，而不是被动地“抵抗”。

很多队伍失败，是因为用处理“基础扰动”（被动抵抗）的思路，去处理“指令扰动”（主动协同）问题，导致系统响应迟钝、超调严重。因此，审题时务必明确题目要求的“运动”是哪一类。

2. 构建控制框架：在PID之上，我们需要什么？

假设我们明确了要补偿的是“平台执行指定轨迹运动”这类外部指令扰动。那么，一个只有球位置反馈的单环PID控制器就远远不够了。我们需要一个能感知并利用“平台运动信息”的框架。

2.1 从单环PID到串级与前馈复合控制

经典的单环PID（输入：球位置偏差，输出：电机控制量）对于静态平衡是有效的。但对于运动平台，平台运动本身会持续产生“虚假”的位置偏差。例如，平台向右加速，由于惯性，球会相对向左偏移。单环PID看到球偏左了，就会命令平台向左转去“追”球，这反而干扰了平台自身的轨迹，形成正反馈，导致失稳。

因此，必须引入平台状态信息。一个更强大的框架是：串级控制 + 前馈补偿。

1. 内环（速度环）：控制对象是平台。输入是平台期望转速（由外环或轨迹发生器给出）与实际转速（由编码器测量）的偏差，输出是电机控制量（如PWM）。这个环负责让平台快速、准确地跟踪我们想要的运动。
2. 外环（位置环）：控制对象是球。输入是球期望位置（通常为平台中心）与实际位置的偏差。但它的输出不再是直接给电机，而是作为平台期望运动的修正量。例如，球偏左了，外环计算出“需要平台稍微向右加速一点，以利用惯性把球‘甩’回中心”。这个修正量会叠加到预设的平台轨迹上。
3. 前馈通道：这是“运动补偿”的精髓。我们已知平台的期望运动轨迹（位置、速度、加速度）。根据球的动力学模型，我们可以直接计算出，为了抵消该平台运动对球的影响，理论上需要给球施加什么样的控制力（或等价地，需要平台做什么运动）。这个计算出的量作为前馈量，直接叠加到控制输出中。

简单理解：前馈负责“预测和抵消”已知扰动（平台指令运动），串级PID负责“微调和纠正”剩余误差（建模不准、其他随机扰动）。前馈是开环的、基于模型的、快速的；反馈是闭环的、基于误差的、稳健的。

2.2 状态空间与LQR：更现代的视角

对于线性化后的杆球系统，我们可以将其表述为一个状态空间模型。状态变量通常包括球的位置、球的速度、平台的角度、平台的角速度。[x, x_dot, theta, theta_dot]

那么，平台的一个指令运动（如一个恒定的旋转速度theta_dot_ref）可以看作是对系统状态的一个持续激励或干扰。线性二次型调节器（LQR）控制器可以很好地处理这类问题。LQR通过求解一个优化问题（最小化状态偏差和控制能量的加权和），得到一个最优状态反馈矩阵K。

控制律为：u = -K * (x - x_ref)

关键在于，当存在平台指令运动时，我们的参考状态x_ref不再是固定的[0, 0, 0, 0]。例如，若要求平台匀速旋转，则theta_ref会随时间线性增长，theta_dot_ref是一个常数。LQR控制器会自动计算出，为了将球稳定在中心，平台需要如何配合这个旋转运动。这本质上是一种最优的、全局的“运动补偿”。

选择建议：对于电赛这种快速实现的场景，串级PID+前馈更直观、更容易调试上手。可以先实现这个，达到基本要求。LQR性能上限可能更高，但对建模准确性更敏感，需要调节权重矩阵，适合作为进阶优化方案。

3. 从仿真到实物的关键跨越：那些仿真里没有的“坑”

算法在Simulink或Python里跑得完美，一上实物就崩溃，这是电赛的常态。问题往往出在从理想模型到物理世界的跨越上。

3.1 传感器融合与信号处理：获取干净的状态

你的控制器需要尽可能准确的球位置、球速度、平台角度、平台角速度。但传感器给出的都是带噪声的原始数据。

• 球位置（视觉）：摄像头处理有延迟，图像噪声、光照变化会影响识别。除了优化算法，更关键的是速率。你需要一个稳定的、足够高的帧率（如60fps以上）。速度的获取，不要直接用位置差分（噪声会被放大），可以使用观测器（如卡尔曼滤波器），融合位置测量值和系统模型，来估计出更平滑的速度值。
• 平台角度/角速度：不要只用一个传感器！强烈建议使用IMU（惯性测量单元）结合编码器。
  • 编码器（安装在电机上）：测量电机轴转角，精度高、无漂移，但反映的是电机输出端的角度，经过减速箱和传动后，与平台实际角度可能有差异（由于间隙和形变）。
  • IMU（直接固定在平台上）：测量平台的真实角度和角速度，动态响应好，但存在零点漂移，长时间积分会累积误差。
  • 融合策略：用编码器的高精度静态数据来校正IMU的漂移；用IMU的高频动态数据来弥补编码器传动链的柔性。可以用互补滤波或卡尔曼滤波进行融合。这是获得高质量平台状态信息的关键，也是实现高性能运动补偿的基础。

3.2 前馈模型的实际校准：理论值只是起点

前馈量依赖于模型。最基本的模型是：平台加速度a_platform会在非惯性系中产生一个“虚拟力”，导致球产生相对加速度a_ball = -a_platform（假设无摩擦）。为了抵消它，需要平台提供一个额外的加速度a_feedforward = k * a_platform。

这个比例系数k理论上是1，但现实中由于球滚动摩擦、平台不平、传感器误差等因素，绝不会是1。它必须通过实验校准。

校准方法：

1. 让平台做一个简单的正弦运动（幅度小一些）。
2. 关闭前馈，只使用反馈控制，观察球的跟踪误差。
3. 打开前馈，设置一个初始k（如0.8）。
4. 运行系统，观察球的位置误差。如果球运动相位滞后于平台，说明前馈量不足，增大k；如果球运动相位超前甚至振荡，说明前馈量过大，减小k。反复调整，直到球的轨迹与平台运动协同一致，误差最小。

3.3 机械与硬件的“隐形”要求

1. 平台刚度与重量：在强度和重量间取舍。刚度不够，振动大；重量太大，电机负载重、响应慢。碳纤维杆是很好的选择。固定所有部件，避免任何松动。
2. 电机选型：扭矩要足够，但更重要的是低速平稳性。舵机有抖动问题，直流电机+编码器+高性能驱动（如DRV8833、TB6612）的方案往往更平滑。注意电机的减速比，太大的减速比会影响响应速度。
3. 供电与布线：电机是大电流负载，必须与控制板、传感器分开供电，共地处理要做好。电源线要粗，避免因电压跌落导致单片机复位或传感器异常。电机驱动线、编码器线、IMU线最好分开捆扎，减少干扰。
4. 安装隔离：将摄像头或OpenMV通过海绵、橡胶柱等减震材料与主平台隔离，避免测量被机械振动污染。IMU也应牢固安装在平台上，且安装平面与运动平面平行。

4. 系统调试与性能提升：一个迭代的流程

调试这样一个多环、带前馈的系统，需要章法，切忌所有参数一起调。

4.1 分层调试法

1. 第零步：开环测试。不接控制算法，手动给电机发送指令，观察平台运动是否平滑，编码器、IMU读数是否正常，视觉识别是否稳定。确保硬件基础正常。
2. 第一步：内环（平台速度环）调试。将外环断开，给定一个平台速度阶跃信号，只调内环PID，让平台能快速、无超调地跟踪速度指令。这是整个系统响应速度的基础。
3. 第二步：静态平衡调试。将平台运动指令设为零，只使用外环（球位置环）控制，调试PID参数，让球能在静止的平台上稳定住。此时前馈量为零。
4. 第三步：前馈补偿调试。加入一个非常缓慢、小幅度的平台周期运动（如0.1Hz，±5°）。先关闭前馈，观察球的摆动误差。然后开启前馈，按照前述方法校准前馈系数k。调试时，可以暂时将外环PID参数调得保守一些（比例系数小一点），避免系统不稳定。
5. 第四步：动态协同调试。逐步提高平台运动的频率和幅度，同时微调外环PID和前馈系数，观察球是否能始终较好地跟踪平台中心。记录不同运动模式下的最大跟踪误差。
6. 第五步：抗扰测试。在系统执行轨迹运动时，施加外部扰动（如轻吹小球），测试其恢复能力。可能需要适当加强外环的控制作用（如增大微分系数以提供阻尼）。

4.2 性能瓶颈分析与排查清单

当系统性能不达标时，按以下顺序排查：

4.3 从功能实现到竞赛提分

在满足基本要求后，要想获得更高分数，可以考虑以下方向：

• 更丰富的轨迹跟踪：不仅能做匀速圆周运动，还能跟踪方波、正弦波、甚至任意绘制的轨迹。
• 自适应与鲁棒性：设计参数自整定机制，当球的质量、平台摩擦力变化时，系统能自动调整。或者使用滑模变结构控制等鲁棒性更强的算法。
• 人机交互与演示效果：增加蓝牙/Wi-Fi，用手机APP实时设定运动轨迹和参数，并显示球的位置、误差等数据。良好的演示效果很加分。
• 系统辨识：赛前用程序自动激励系统并记录数据，拟合出更精确的系统模型参数，用于优化控制器和前馈。

“杆球平衡运动补偿”这个题目，表面上考的是算法，深层次考的是系统思维。它要求你不仅把球看作控制对象，更要把“平台-球”看作一个整体，把“指令”和“扰动”统一到“外部输入”的框架下去处理。从精准的传感器数据获取，到合理的控制架构选择，再到细致的分层调试和机械优化，每一个环节的疏漏都会在“运动”这个放大镜下暴露无遗。

真正的准备，不是去寻找一个“万能代码”，而是搭建一个可观测、可调试、可迭代的软硬件平台。先让系统在静止时稳如磐石，再让它学会在运动中协同共舞。当你理解了补偿的本质是“预测与协同”，而不仅仅是“抵抗与修正”时，你就已经拿到了解开这道题的第一把钥匙。剩下的，就是在不断的实验、观察和调整中，让你的系统真正理解，什么是“平衡中的运动”。