4、控制理论基础回顾：PID控制、线性二次型调节器(LQR)、H∞鲁棒控制
各位同学，今天我们来聊聊控制理论里三个最核心的“家伙”——PID、LQR和H∞。说实话，我在飞控这行摸爬滚打十几年，这三个方法就像工具箱里的三把扳手，各有各的脾气，也各有各的绝活。咱们搞倾转旋翼，说白了就是跟“不稳定”和“不确定性”打交道，这三样东西，你都得心里有数。
4.1 PID控制：最朴素的“老黄牛”
PID控制，全称比例-积分-微分控制。嗯，这玩意儿可能是你接触的第一个控制器。我刚开始做飞控时，第一个能跑起来的程序就是PID。它简单、直观，而且效果往往出奇的好。
核心思想是什么？ 说白了，就是看“现在差多少”、“过去差了多少”、“未来可能差多少”，然后加起来去修正。
- 比例（P）：看当前误差。误差大，输出就大。我习惯叫它“急性子”，反应快，但容易过头。
- 积分（I）：看历史误差累积。专门对付“稳态误差”，就是那种系统一直差那么一点点的情况。但积分太强，系统容易“犯困”，反应变慢。
- 微分（D）：看误差变化趋势。相当于“预言家”，提前刹车，抑制超调。但微分对噪声特别敏感，信号一抖，它比谁都激动。
经典PID公式（位置式）：
u(t) = Kp * e(t) + Ki * ∫e(τ)dτ + Kd * de(t)/dt其中，e(t) = 期望值 - 实际值。
我在项目中遇到过什么？ 有一次调倾转旋翼的俯仰通道，P给大了，飞机像“点头娃娃”一样高频振荡；I给大了，响应慢得像“老牛拉车”。后来我学乖了，先调P让系统“动起来”，再加D让它“稳下来”，最后加I消除“静差”。这个顺序，我个人觉得是PID调参的黄金法则。
避坑指南： 我曾经在试飞时，因为传感器噪声没滤干净，微分项直接把舵机“震”坏了。所以，用D之前，务必先做好低通滤波。切记！
4.2 线性二次型调节器（LQR）：最优的“数学家”
如果说PID是凭经验，那LQR就是靠数学。它不跟你讲“感觉”，它直接告诉你：在给定的代价函数下，这就是最优解。
LQR的核心逻辑： 你告诉它“状态偏差”和“控制能量”哪个更重要，它帮你算出一个最优的反馈增益矩阵K。
- 状态方程：ẋ = Ax + Bu
- 代价函数：J = ∫(xᵀQx + uᵀRu)dt
- 最优控制律：u = -Kx
这里的Q和R矩阵，就是你的“价值观”。Q大，说明你希望状态误差小；R大，说明你希望控制动作小。你想想看，这不就是“既要马儿跑，又要马儿少吃草”吗？LQR就是帮你找到那个平衡点。
LQR设计步骤（我常用的）：
- 建立系统的状态空间模型（A, B矩阵）。
- 选择Q和R矩阵。Q一般取对角阵，比如Q = diag([q1, q2, ...])，对应每个状态的重要性。
- 调用MATLAB的
lqr(A, B, Q, R)函数，直接得到K矩阵。 - 仿真验证，如果超调大，就增大Q中的对应项；如果控制量饱和，就增大R。
我个人习惯： 先用Bryson法则（根据状态和控制量的最大允许值来定Q和R）算个初值，然后微调。LQR的好处是，它天然就是多变量控制器，特别适合倾转旋翼这种“多输入多输出”的系统。你不需要像PID那样一个一个通道去解耦，LQR一把梭哈。
注意： LQR是“线性”的。如果你的倾转旋翼在做大机动，模型非线性强了，LQR的效果就会打折扣。这时候，要么用增益调度，要么上更高级的非线性控制。
4.3 H∞鲁棒控制：对抗“不确定性”的硬汉
好了，前面两个都是“理想主义者”。PID假设模型准，LQR假设模型线性。但现实呢？模型有误差，风有扰动，传感器有噪声。这时候，H∞就登场了。
H∞要解决什么问题？ 说白了，就是“在最坏的情况下，系统还能不能稳住？”它不追求最优性能，它追求“最坏情况下的性能保证”。
核心思想： 把系统的不确定性（比如建模误差、外部扰动）看作一个“敌人”，H∞控制器要保证从“扰动”到“输出”的传递函数的H∞范数（也就是最大增益）小于某个值γ。
标准H∞问题框图：
w (扰动) z (评价输出)
↓ ↑
┌─────────┐ │
│ P(s) │─────┘
│ (广义被控对象)│
└────┬────┘
│ u (控制) y (测量)
↓ ↑
┌─────────┐ │
│ K(s) │─────┘
│ (控制器) │
└─────────┘目标：找到K(s)，使得 ||T_wz||∞ < γ
我在项目中遇到过什么？ 有一次做倾转旋翼的过渡段控制，模型在低速和高速之间变化很大。PID调了半天，低速好了高速就抖，高速好了低速就飘。后来换成H∞，把模型的不确定性用加权函数包络起来，设计出来的控制器，在整个过渡段都能稳定工作。嗯，那感觉，就像给系统穿上了一件“防弹衣”。
避坑指南： 我曾经以为H∞是万能的，结果发现加权函数选不好，控制器阶数太高，根本没法在飞控计算机上实时跑。后来我学会了用hinfsyn函数后，再用balred做模型降阶。记住，工程不是数学游戏，能跑起来才是硬道理。
4.4 三种方法的对比与选择
好了，三种方法都讲完了。你可能会问：“那我到底该用哪个？” 别急，我帮你捋一捋。
| 特性 | PID | LQR | H∞ |
|---|---|---|---|
| 模型依赖 | 低（甚至不用模型） | 高（需要精确状态空间模型） | 高（需要包含不确定性模型） |
| 设计难度 | 低（靠经验调参） | 中（靠Q/R矩阵权衡） | 高（靠加权函数塑造） |
| 鲁棒性 | 一般（靠裕度） | 较好（有相位裕度保证） | 强（直接针对最坏情况） |
| 适用场景 | 简单回路、调试初期 | 多变量系统、性能优化 | 强扰动、模型不确定系统 |
我的建议： 做倾转旋翼控制，别一上来就搞H∞。先用PID把基本回路跑通，感受一下系统的“脾气”。然后，用LQR把多变量耦合问题解决掉，提升性能。最后，如果发现模型变化太大或者外部扰动太强，再祭出H∞这个大杀器。说白了，工具没有好坏，只有合不合适。
本章知识体系（SVG流程图）：
好了，这一章的内容就到这里。记住，控制理论不是背公式，而是理解背后的物理直觉。下次你调参时，多想想“这个参数到底在控制什么？”，你会进步得更快。