4、经典控制理论回顾：PID控制、前馈控制、稳定性分析（李雅普诺夫方法）
各位同学，咱们今天聊点“老本行”。
做自适应控制，很多人一上来就盯着复杂的算法。但我个人习惯，先回头看看经典控制理论。为什么？因为自适应控制不是空中楼阁，它是在PID、前馈这些“老伙计”身上长出来的新东西。你连PID的底裤都看不透，怎么去调那些带“自适应”三个字的参数？
4.1 PID控制：从“拍脑袋”到“有章法”
PID，比例-积分-微分。说白了，就是三个字：现在、过去、未来。
- 比例（P）：看当下。误差大了，我就使劲推。但推太猛，容易过头，产生震荡。我在项目中遇到过，一个温度控制回路，P给大了，温度像过山车，根本稳不住。
- 积分（I）：看过去。误差一直消不掉？积分项就慢慢累积，直到把稳态误差吃掉。但积分有个毛病——容易“积分饱和”。你想想看，执行器都到顶了，积分还在那傻傻地累加，等误差反向时，它半天回不来，系统就“卡住”了。
- 微分（D）：看未来。误差变化快了？微分项提前“踩刹车”，抑制超调。嗯，这里要注意，微分对噪声极其敏感。传感器抖一下，微分项就炸了。
核心公式：
u(t) = Kp * e(t) + Ki * ∫e(τ)dτ + Kd * de(t)/dt其中，e(t) 是误差，u(t) 是控制量。
我的经验：调PID，别上来就调三个参数。先把I和D设成0，只调P，让系统震荡起来。然后慢慢加D，把震荡压下去。最后加I，消除静差。这叫“先P后D再I”，顺序别搞反。
4.2 前馈控制：别等出错了再补救
PID是“反馈”，出错了才动。前馈是“预测”，知道要出错了，提前动。
举个例子。你开车上坡，PID的做法是：车速慢了，才踩油门。前馈的做法是：看到坡了，提前踩油门。哪个更顺？当然是后者。
前馈控制的核心是：模型。你得知道干扰是什么，以及它怎么影响系统。
前馈+反馈结构：
u(t) = u_ff(t) + u_fb(t)u_ff 是前馈量，基于模型计算。u_fb 是反馈量，基于PID修正。
我曾经在一个机械臂轨迹跟踪项目里，只用PID，末端抖动得厉害。后来加了前馈，把重力项和科里奥利力项提前补偿掉，效果立竿见影。说白了，前馈就是帮PID“减负”。
避坑指南：我曾经犯过一个错——前馈模型不准。模型误差大的时候，前馈不仅没帮忙，反而添乱。记住：前馈依赖模型，模型不准，不如不用。
4.3 稳定性分析：李雅普诺夫方法
做控制，最怕什么？系统发散，炸了。所以我们要分析稳定性。
经典控制里，我们用劳斯判据、奈奎斯特图。但那些方法只适用于线性系统。对于非线性、时变系统，李雅普诺夫方法是“大杀器”。
李雅普诺夫的思想很简单：找一个“能量函数”V(x)，如果这个能量一直在减小，那系统最终会稳定下来。
具体来说，分两步：
- 找V(x)：V(x) 必须是正定的（除了平衡点，其他地方都大于0）。
- 看V'(x)：V'(x) 必须是负定的（能量一直在消耗）。
数学表达：
V(x) > 0, for x ≠ 0
V(0) = 0
dV(x)/dt < 0, for x ≠ 0满足这两条，系统在李雅普诺夫意义下稳定。
你想想看，这就像一个小球在碗里滚。V(x) 是球的高度（势能），V'(x) 是球滚动的速度。只要球一直在往低处滚，它最终就会停在碗底。
我的习惯：在实际项目中，我很少去严格证明李雅普诺夫稳定性。太费时间了。但我用它来“指导”设计。比如，我设计一个自适应律，我会先看看能不能构造一个V(x)，让它的导数负定。如果能，那这个自适应律大概率是靠谱的。
4.4 本章知识体系
下面这张图，是我自己画的。它把PID、前馈、李雅普诺夫方法串在了一起。你看一眼，就能明白它们之间的关系。
这张图里，PID是基础，前馈是“助攻”，李雅普诺夫方法是“裁判”。三者缺一不可。
最后提醒一句：别把李雅普诺夫方法当成“万能药”。它只能告诉你系统是否稳定，但没法告诉你系统性能好不好。一个稳定的系统，可能慢得像蜗牛。所以，稳定性分析只是第一步，性能优化才是重头戏。