2、控制算法基础：PID控制原理、前馈控制、自适应控制、鲁棒控制、模型预测控制(MPC)的适用场景对比

做运动控制这些年，我见过太多人在算法选型上栽跟头。有人拿着PID硬怼大滞后系统，有人把MPC用在了简单的恒速控制上。说白了，没有万能的算法，只有合适的场景。今天我就把这几种主流控制算法的底牌翻给你看。

2.1 PID控制：最经典的“老黄牛”

PID控制，我习惯叫它“看误差干活”。你偏离目标多少，我就按比例、积分、微分三个方向去拉你回来。公式很简单：

u(t) = Kp * e(t) + Ki * ∫e(t)dt + Kd * de(t)/dt

其中 e(t) 是当前误差，Kp、Ki、Kd 分别是比例、积分、微分系数。

适用场景：

  • 系统模型简单或难以建模（比如温度控制、电机速度环）
  • 对稳态精度要求不高，允许小幅超调
  • 实时性要求极高（采样周期在毫秒级甚至微秒级）
  • 成本敏感，不想上太复杂的硬件
⚠ 避坑指南： 我曾经在一个大惯量转台项目里，直接用PID调参调了三天三夜，结果低频抖动始终压不下去。后来发现是积分项饱和了——误差一直存在，积分项越积越大，输出都顶到天花板了。解决办法很简单：加个积分限幅，或者用抗积分饱和算法。
💡 我的经验： 实际工程中，我很少用纯PID。至少加个前馈，或者把微分项改成“对输出的微分”而不是“对误差的微分”，能避免很多高频噪声问题。

2.2 前馈控制：给PID找个“预言家”搭档

前馈控制说白了就是“提前补偿”。你知道系统接下来会受到什么扰动，或者知道目标轨迹会怎么变化，那就提前输出一个控制量，让PID少操点心。

公式形式：

u_ff(t) = K_ff * r_dot(t)   （速度前馈）
u_ff(t) = M * a_des(t)      （加速度前馈，M为等效惯量）

适用场景：

  • 轨迹跟踪精度要求高（比如数控机床、机器人关节）
  • 已知扰动规律（比如重力补偿、摩擦力补偿）
  • 系统带宽受限，靠PID硬追会滞后

核心要点： 前馈不能单独用，必须和反馈（PID）配合。前馈负责“粗调”，反馈负责“精修”。我见过有人只加前馈不加反馈，结果模型一偏，系统直接飞车。

2.3 自适应控制：能“自我调节”的聪明算法

自适应控制，你想想看，系统参数变了（比如负载变重了、电机老化导致力矩系数下降），它能自己调整控制器参数。常见的有模型参考自适应（MRAC）和自整定调节器（STR）。

举个MRAC的例子：

// 参数更新律（梯度法）
theta_dot = -gamma * phi * e
// 其中theta是待调参数，phi是回归向量，e是跟踪误差

适用场景：

  • 系统参数时变（比如无人机飞行中重心变化、机械臂抓取不同重量的物体）
  • 难以离线精确建模
  • 对鲁棒性要求高，但又不希望控制器太保守
⚠ 避坑指南： 自适应控制不是万能的。我曾经在一个液压伺服系统上试MRAC，结果参数收敛速度跟不上负载变化速度，反而把系统搞震荡了。记住：自适应速度必须快于参数变化速度，否则越调越乱。

2.4 鲁棒控制：给系统穿上“防弹衣”

鲁棒控制的核心思想是：我不指望模型有多准，但我保证在最坏情况下系统依然稳定。H∞控制、μ综合是典型代表。它通过设计控制器，让系统对模型不确定性（比如未建模动态、参数摄动）有最大的容忍度。

设计目标通常写成：

||W_s * S||_∞ < 1  且   ||W_t * T||_∞ < 1
// S是灵敏度函数，T是补灵敏度函数，W_s和W_t是加权函数

适用场景：

  • 模型不确定性大（比如柔性机械臂、飞行器在大攻角下的气动参数变化）
  • 安全关键系统（比如手术机器人、核工业机械手）
  • 外部扰动频段已知但幅值不确定
💡 我的经验： 鲁棒控制设计起来比较费劲，需要你懂频域分析。但一旦调好了，系统真的很“皮实”。我在一个精密定位平台上用过H∞，同样的硬件，比PID的抗干扰能力提升了至少一个数量级。

2.5 模型预测控制(MPC)：有“远见”的优化大师

MPC和其他算法最大的区别是：它不光看当前误差，还预测未来几步的系统行为，然后在线求解一个优化问题，找到最优的控制序列。说白了，它是个“走一步看三步”的算法。

标准MPC的优化问题：

min  Σ (y_k+i - r_k+i)^T Q (y_k+i - r_k+i) + Σ u_k+i^T R u_k+i
s.t. x_k+i+1 = A x_k+i + B u_k+i
     u_min ≤ u_k+i ≤ u_max
     y_min ≤ y_k+i ≤ y_max

适用场景：

  • 多变量系统（比如四轴飞行器的姿态+位置控制）
  • 有显式约束（比如电机电流不能超限、机械臂不能撞到关节限位）
  • 大滞后系统（比如化工过程、温度控制）
  • 对最优性有要求（比如能耗最小、时间最优）
⚠ 避坑指南： MPC的计算量很大。我见过有人想在10kHz的伺服环里跑非线性MPC，结果CPU直接跑满，控制周期都保证不了。工业上MPC大多用在慢速过程（秒级），或者用显式MPC把优化问题离线算好。

2.6 五种算法对比：一张表说清楚

算法 模型依赖度 实时性 抗干扰能力 处理约束 典型应用
PID 低 极高 中 弱（需额外限幅） 电机速度环、温度控制
前馈+反馈 中（需知道模型结构） 高 中高 弱 数控机床、机器人轨迹跟踪
自适应控制 中（需参数化模型） 中高 高（参数收敛后） 中 无人机、变负载机械臂
鲁棒控制 中（需不确定性界） 高 极高 弱 飞行器、精密定位
MPC 高 低（取决于预测时域） 高 强（天然支持） 化工过程、自动驾驶、四轴飞行器

2.7 知识体系总览

下面这张图是我自己梳理的，把五种算法的核心逻辑和适用边界画在了一起。你看一眼就能明白它们各自的位置。

运动控制算法选型知识体系 控制算法选型 PID控制 前馈+反馈 自适应控制 鲁棒控制 模型预测控制 模型依赖：低 实时性：极高 约束处理：弱 模型依赖：中 实时性：高 轨迹跟踪强 模型依赖：中 参数时变适应 收敛速度关键 模型依赖：中 抗干扰：极高 设计复杂 模型依赖：高 实时性：低 约束处理：强 选型核心原则 简单场景用PID，轨迹跟踪加前馈 参数时变用自适应，安全关键用鲁棒 多变量+有约束+大滞后 → 上MPC

2.8 我的选型心法

说了这么多，最后分享一个我自己的决策流程。遇到一个控制问题，我会按这个顺序问自己：

  1. 模型好不好建？ 不好建 → PID或前馈+反馈；好建 → 往下看
  2. 有没有硬约束？ 有（比如电流限幅、位置限位）→ MPC；没有 → 往下看
  3. 参数会不会变？ 会变 → 自适应控制；不变 → 往下看
  4. 安全要求高不高？ 高 → 鲁棒控制；一般 → PID或前馈+反馈

嗯，这套流程帮我避过不少坑。你下次选型的时候，也可以拿它当个参考。记住，算法没有高低之分，只有合不合适。

专注资料整理

← 上一章 📖 返回目录 下一章 →