基于深度强化学习的倒立摆平衡鲁棒控制系统设计.docxVIP

PAGE2

基于深度强化学习的倒立摆平衡鲁棒控制系统设计

摘要

倒立摆系统作为经典的非线性、强耦合、自然不稳定系统，长期以来是检验控制理论算法有效性的标准实验平台。传统的PID控制或线性二次型调节器（LQR）在面对系统参数变化或外部强扰动时，往往难以兼顾响应速度与鲁棒性，且高度依赖精确的数学模型。针对上述痛点，本课题旨在设计一种基于深度强化学习的倒立摆平衡控制系统，利用智能体自主学习环境特征，实现无模型下的自适应平衡控制，并重点提升系统在扰动环境下的鲁棒性。

论文首先阐述了倒立摆控制的研究背景与意义，分析了传统控制方法的局限性，确立了以深度确定性策略梯度（DDPG）算法为核心的总体设计思路。在需求分析阶段，明确了系统需具备状态感知、策略推理、扰动注入及实时可视化等功能，并制定了详细的性能指标。系统总体设计构建了包含环境交互层、智能体决策层与数据通信层的架构，详细设计了基于Actor-Critic框架的神经网络结构。详细设计阶段重点推导了倒立摆动力学方程，设计了适应于连续动作空间的奖励函数，并制定了针对性的随机扰动策略。

系统实现基于Python语言与PyTorch深度学习框架，搭建了仿真实验平台，完成了智能体训练与推理模块的代码编写。测试环节通过对比实验与扰动测试，验证了所设计系统的有效性。实验结果表明，训练后的智能体能够在极短时间内将摆杆稳定在垂直位置，且在承受一定幅度的冲