一、课程导论：自适应控制的基本概念、运动优化的核心挑战、课程整体框架与学习路径

1.1 自适应控制到底是什么？

大家好，我是这门课的主讲。先聊聊自适应控制。

说白了，自适应控制就是让机器自己学会“调整”。你想想看，传统的控制方法，比如PID，参数是固定的。环境一变，比如机器人从水泥地走到沙地，PID可能就“懵了”。

自适应控制不一样。它能实时感知环境变化，然后自动修改自己的控制参数。我当年做四足机器人项目时，就遇到过这个问题。机器人在实验室瓷砖上跑得挺好，一放到草地上就开始“打醉拳”。后来加了自适应算法，它自己学会了调整步态，这才稳下来。

核心思想其实很简单：系统在运行中，一边控制，一边辨识模型，一边修正参数。这三件事是同时进行的。

1.2 运动优化到底在优化什么？

运动优化，说白了就是让机器人“走得更稳、跑得更快、跳得更准”。

但这里有个核心挑战——不确定性。

• 环境不确定：地面摩擦系数、坡度、障碍物，都是未知的。
• 自身不确定：电机老化、电池电压下降、负载变化。
• 任务不确定：突然要加速、突然要避障。

我见过太多项目，仿真里跑得飞起，一上真机就“翻车”。为什么？因为仿真环境太“干净”了。真实世界到处都是“坑”。

举个例子。我曾经调试一个机械臂抓取任务。仿真里抓杯子，百发百中。真机一上，杯子材质换了，表面有点油，机械臂直接滑脱。这就是典型的“模型失配”。

运动优化的核心挑战，就是解决这些“失配”问题。让机器人在真实、复杂、多变的环境里，依然能保持高性能。

1.3 课程整体框架与学习路径

这门课，我把它分成四个大模块。每个模块解决一个实际问题。

先看一张图，这是我画的课程知识体系框架：

嗯，这张图基本把课程脉络讲清楚了。

1.4 每个模块具体学什么？

模块一：基础理论

• 自适应控制的基本原理：模型参考自适应（MRAC）、自校正控制（STR）
• 李雅普诺夫稳定性分析——这个很重要，我当年学的时候也觉得抽象，后来做项目才发现，不懂稳定性分析，算法调参就是“盲人摸象”
• 参数估计方法：最小二乘法、梯度法

模块二：核心算法

• MRAC的详细推导与实现
• STR的在线辨识与控制
• L1自适应控制——这个是我个人比较偏爱的算法，鲁棒性极好
• 代码实现：每个算法我都会给一个完整的Python仿真示例

模块三：运动优化

• 模型预测控制（MPC）与自适应结合
• 强化学习在运动控制中的应用
• 轨迹优化与实时重规划

模块四：实战项目

• 四足机器人自适应步态控制
• 机械臂自适应力控抓取
• 无人机抗风扰自适应控制

1.5 这门课适合谁？

如果你有以下困惑，这门课就是为你准备的：

• PID调参调到崩溃，想找更智能的方法
• 仿真跑得完美，真机一跑就“翻车”
• 想入门自适应控制，但不知道从哪开始
• 做机器人运动控制，被环境变化搞得焦头烂额

1.6 学习路径建议

我个人习惯的学习路径是这样的：

1. 先看理论：每个算法，先理解它的“为什么”。为什么这样设计？解决了什么问题？
2. 再跑仿真：我提供的代码，你先跑一遍。看看效果。改改参数，看看变化。
3. 最后上真机：有条件的话，在真实硬件上试试。你会发现，仿真和真机之间，隔着一道“鸿沟”。

嗯，这里要注意。不要试图一次性学完所有内容。贪多嚼不烂。我建议你每周学一个算法，花一周时间消化。

好了，导论就到这里。记住一句话：自适应控制不是万能药，但它是应对不确定性的最强武器之一。

---

公众号:蓝海资料掘金营，微信deep3321