控制理论研究总稿

精简版学习路径见 学习路径_个人版.md。 本文档是研究总稿：包含统一控制地图、算法对比表、按对象特性选型等深入内容。 不是阅读入口，而是需要深入某个专题时的参考库。

已经从“会写 PID / LADRC 代码”进入到另一个阶段了：

• 以前的问题是：代码怎么写

• 现在的问题是：什么时候该用什么、为什么这么调、背后靠哪些知识支撑

这一步最容易混乱，因为你会同时碰到：

• 控制理论

• 电机与执行器

• 建模

• 信号处理

• 离散实现

• 工程调参

• 轨迹规划

• 观测器

如果不重排知识顺序，就会越学越散。

一条清晰主线

我建议你把学习目标分成 4 层：

第 1 层：能把单轴系统调通

目标：

• 把位置环、速度环、电流/力矩理解清楚

• 知道 PID 每个参数在干什么

• 知道为什么会抖、慢、过冲、饱和

第 2 层：能解释现象

目标：

• 知道惯量、摩擦、重力、采样、噪声分别怎么影响控制

• 知道为什么前馈、死区、限幅、抗积分饱和有效

第 3 层：能设计控制结构

目标：

• 知道什么时候用串级 PID

• 什么时候加轨迹规划/TD

• 什么时候加前馈

• 什么时候 LADRC 更划算

第 4 层：能从“控制算法”上升到“控制架构”

目标：

• 能把模型、轨迹、反馈、补偿、观测统一起来

• 能读论文/课程后自己判断路线，而不是跟着抄

最推荐的学习路径

不是按“课名顺序”学，而是按你当前最需要解决的问题排序。

阶段 0：先把数学和工具补到“够用”

这一阶段不是要你刷数学题，而是补到能看懂后面的式子。

要学什么

数学基础

• 微积分

  - 导数、积分

  - 一阶/二阶微分方程

• 线性代数

  - 向量、矩阵

  - 特征值、特征向量

• 复数与复平面

  - 幅值、相角

• 拉普拉斯变换

  - 传递函数

  - 极点、零点

工具基础

• MATLAB/Simulink 或 Python 控制仿真

• 基本画图与数据分析

• 离散实现的基本概念

这属于哪些专业/课程

《高等数学》《线性代数》《复变函数与积分变换》

前置知识

• 高中数学

学完能理解什么

• 为什么 PID 里 I 是“积累”，D 是“变化率”

• 什么叫一阶、二阶系统

• 什么叫极点决定快慢和振荡

• 为什么控制理论总在用 sss 域

阶段 1：先把“自动控制原理”学扎实

这是你的第一核心课。

要学什么

经典控制基础

• 反馈是什么

• 闭环和开环

• 传递函数

• 框图化简

• 稳定性

• 稳态误差

• 瞬态指标

  - 上升时间

  - 超调

  - 调节时间

• 根轨迹

• 频域分析

  - 伯德图

  - 相位裕度、增益裕度

• PID 的本质和适用场景

对应课程：《自动控制原理》《经典控制理论》

前置知识：阶段 0 的数学；微分方程和拉普拉斯

学完能理解什么

• 为什么 P 大会快但容易振

• 为什么 I 能消除静差但容易摆

• 为什么 D 能增阻尼但容易噪

• 为什么“快”和“稳”是矛盾的

• 为什么串级环路能分工

阶段 2：把“单轴执行器”看懂

你现在做的是电机控制，这一层非常关键。

要学什么

电机与执行器基础

• 直流电机/无刷电机的基本模型

• 力矩、电流、速度、位置之间关系

• 反电动势

• 电流环、速度环、位置环的分工

• 编码器测速与位置采样

• PWM / 电压控制 / 电流控制的差别

工程实现基础

• 采样周期

• 离散 PID

• 量化误差

• 限幅

• 抗积分饱和

• 滤波

• 微分先行/测量微分

这属于哪些专业/课程

《电机学》《电力拖动自动控制系统》《运动控制系统》

前置知识

• 自动控制原理

• 基本电路

• 微积分

学完能理解什么

• 为什么速度环要比位置环快

• 为什么低速抖常常不是 PID 一个人的锅

• 为什么编码器测速噪声会限制 D

• 为什么电流环没调好，外环都会怪

阶段 3：系统建模与辨识

这是你从“会调”走向“知道为什么这样调”的关键跃迁。

要学什么

建模

• 单轴机械模型

  - 惯量

  - 阻尼

  - 摩擦

  - 负载

• 机电联合模型

• 线性化思想

• 简化模型、名义模型

系统辨识

• 阶跃响应法

• 一阶/二阶模型拟合

• 频响辨识的基本思想

• 参数估计的基本概念

这属于哪些专业/课程

《系统建模与仿真》《系统辨识》《机电系统建模》

前置知识

• 自动控制原理

• 微分方程

• 电机与机械基础

学完能理解什么

• 为什么重、惯量大时系统更难带

• 为什么前馈要依赖模型

• 为什么同一套参数换负载就不一样

• LADRC 里的“总扰动”到底在兜什么

阶段 4：数字控制与嵌入式实现

你已经在写代码了，这层必须补，不然会一直“理论懂一点、代码也能跑，但结果怪”。

要学什么

数字控制

• 连续系统与离散系统

• Z 变换的基本概念

• 采样频率对稳定性的影响

• 零阶保持

• 离散 PID

• 差分方程实现

• 离散观测器

嵌入式控制实现

• 实时任务

• 定时中断

• 时序抖动

• 数值溢出与量化

• 传感器噪声与滤波

这属于哪些专业/课程

《数字控制系统》《计算机控制技术》

前置知识

• 自动控制原理

• 基本编程

• 单片机/嵌入式基础

学完能理解什么

• 为什么仿真里稳，板子上抖

• 为什么采样周期改变后参数要重调

• 为什么 ESO、D 项、测速都很吃采样和滤波

阶段 5：状态空间与现代控制

这一层不是让你立刻放弃 PID，而是让你得到更统一的眼光。

要学什么

现代控制基础

• 状态空间表达

• 可控性、可观性

• 状态反馈

• 极点配置

• LQR

• 观测器基础

这属于哪些专业/课程

《现代控制理论》《状态空间分析》《最优控制基础》

前置知识

• 线性代数

• 自动控制原理

• 微分方程

学完能理解什么

• 为什么 LQR 不是“神奇 PID”

• 为什么状态反馈会比 PID 更系统

• 为什么观测器是 ESO、卡尔曼滤波的共同祖先

阶段 6：观测器、LADRC、抗扰控制

这是你当前最相关的专题层。

要学什么

观测器与抗扰

• 状态观测器

• 扰动观测器基本思想

• ESO 的结构

• ADRC / LADRC 的基本框架

• 名义模型 + 总扰动

• 带宽法整定

• ESO 带宽与噪声折中

需要特别搞懂的点

• ESO 不是魔法

• LADRC 也不是“不要模型”

• 为什么 b₀ 很重要

• 为什么 ESO 快了会噪，慢了会跟不上

这属于哪些专业/课程

《先进控制理论》《鲁棒控制基础》《自抗扰控制》

前置知识

• 状态空间

• 现代控制

• 数字控制

• 建模基础

学完能理解什么

• LADRC 与 PID 的真实差别

• 为什么 LADRC 在模型不准时更有吸引力

• 为什么某些场景 LADRC 并不一定比 PID 强

• 为什么 LADRC 更像“粗模型 + 观测补偿”

阶段 7：轨迹规划、前馈与运动控制架构

这是你从“会控一个电机”到“会做一个运动系统”的关键层。

要学什么

轨迹规划

• 梯形速度规划

• S 曲线

• 参考整形

• TD 的控制意义

前馈与补偿

• 速度前馈

• 加速度前馈

• 重力补偿

• 摩擦补偿

• 惯量补偿

架构设计

• 位置环 + 速度环 + 电流环

• 轨迹规划 + 前馈 + 反馈

• 外环和内环如何分工

这属于哪些专业/课程

《运动控制系统》《伺服控制》《机器人控制》

前置知识

• 自动控制原理

• 建模

• 数字控制

• 现代控制基础

学完能理解什么

• 为什么“平稳到达”不等于参数保守

• 为什么加 TD 后闭环参数反而能更积极

• 为什么前馈不等于“把电机打飞”

• 为什么机械臂更像“轨迹 + 补偿 + 反馈”的系统

阶段 8：机器人动力学与机械臂控制

这是你以后如果想走机械臂、云台、多关节系统，必须补的。

要学什么

机器人基础

• 运动学

• 关节空间与笛卡尔空间

• 动力学

• 重力项

• 科氏力/离心项

• 多关节耦合

控制

• 关节空间控制

• 重力补偿

• 逆动力学前馈

• 柔顺控制/阻抗控制基础

这属于哪些专业/课程

《机器人学》《机器人动力学与控制》

前置知识

• 线性代数

• 建模

• 现代控制

• 运动控制

学完能理解什么

• 为什么机械臂不同姿态控制手感不同

• 为什么重力补偿这么关键

• 为什么单轴调通不代表多轴就通

• 为什么“算法”之外，结构耦合才是真难点

最重要的学习顺序

不是每门课都学完再动手，而是交替推进。

主线顺序

1. 自动控制原理

2. 电机/运动控制基础

3. 数字控制与嵌入式实现

4. 单轴建模与辨识

5. 串级 PID 调参实践

6. 状态空间与观测器基础

7. LADRC 专题

8. 轨迹规划与前馈

9. 机器人动力学与高级控制

每个阶段的“到达标志”

阶段 A：能调通单轴 PID

你会：

• 调位置环、速度环

• 看懂超调、振荡、静差

• 做限幅、死区、抗饱和

这时你已经能处理：

• 单轴电机

• 基本位置/速度控制

• 多数入门工程问题

阶段 B：能解释现象

你会：

• 说清楚惯量、摩擦、重力、噪声各自影响什么

• 知道为什么前馈和滤波有效

• 知道为什么离散实现会改结果

这时你已经不只是“会调”，而是“能诊断”。

阶段 C：能比较 PID 和 LADRC

你会：

• 说清 PID 什么时候更简单有效

• 说清 LADRC 为什么要 ESO 和 b0b_0b0​

• 说清两者与建模的关系

这时你能做架构选择，而不是只会套模板。

阶段 D：能设计完整运动控制架构

你会：

• 用轨迹规划 + 前馈 + 反馈统一看系统

• 知道什么时候该加 TD、什么时候该加重力补偿

• 知道什么时候该考虑状态反馈/LQR/LADRC

这时你已经从“调参数”进入“设计系统”。

你现在最该先补什么

结合你当前状态，我建议你先集中补这 5 块：

第一优先级

1. 自动控制原理

你需要把：

• 稳定性

• 二阶系统指标

• 根轨迹/频域直觉

• PID 本质

真正吃透。

2. 电机与运动控制基础

重点不是电机电磁细节，而是：

• 位置/速度/力矩链路

• 串级环路

• 伺服系统直觉

3. 数字控制与离散实现

你现在写代码，必须懂：

• 采样

• 差分实现

• 限幅

• 量化

• 滤波

4. 单轴建模与辨识

你已经开始想前馈和 LADRC 了，这一块不能再跳过。

5. 状态空间 + 观测器基础

不用一上来学很深，但必须先搞懂：

• 状态

• 观测

• 观测器为什么存在

现在不建议你马上深钻什么

先别急着在一开始深挖：

• 鲁棒控制严格数学推导

• 很深的最优控制证明

• 很深的机器人多体动力学推导

• 过多论文细节

因为现在最缺的是主干框架，不是枝叶。

知识图谱

数学基础
├─ 微积分
├─ 线性代数
├─ 拉普拉斯变换
└─ 微分方程
↓
自动控制原理
├─ 反馈
├─ 传递函数
├─ 稳定性
├─ 二阶系统指标
├─ 根轨迹
├─ 频域分析
└─ PID
↓
运动控制 / 电机控制
├─ 电机模型
├─ 力矩-速度-位置关系
├─ 电流环/速度环/位置环
├─ 编码器与测速
└─ 伺服系统
↓
数字控制 / 嵌入式实现
├─ 离散化
├─ 采样周期
├─ 离散 PID
├─ 滤波
├─ 限幅
└─ 抗积分饱和
↓
建模与辨识
├─ 惯量
├─ 摩擦
├─ 重力
├─ 一阶/二阶拟合
└─ 名义模型
↓
状态空间 / 现代控制
├─ 状态反馈
├─ 可控可观
├─ 观测器
└─ LQR
↓
抗扰与观测
├─ ESO
├─ LADRC
├─ 扰动观测
└─ 粗模型 + 扰动估计
↓
轨迹与补偿
├─ 梯形速度
├─ S 曲线
├─ TD
├─ 速度/加速度前馈
├─ 重力补偿
└─ 摩擦补偿
↓
机器人控制
├─ 运动学
├─ 动力学
├─ 多关节耦合
├─ 逆动力学前馈
└─ 高级伺服/机械臂控制

学习流程图

[阶段0 数学够用]
↓
[阶段1 自动控制原理]
↓
能看懂 PID、稳定性、过冲、振荡
↓
[阶段2 电机与运动控制]
↓
能理解位置环/速度环/力矩链路
↓
[阶段3 数字控制实现]
↓
能解释“为什么代码跑出来和理论不一样”
↓
[阶段4 建模与辨识]
↓
能解释惯量、摩擦、重力、负载变化
↓
[阶段5 串级 PID 调参实践]
↓
能把单轴系统稳定调通
↓
[阶段6 状态空间与观测器]
↓
能理解 ESO、LQR、观测器的共同语言
↓
[阶段7 LADRC]
↓
能判断 PID 和 LADRC 各自适用条件
↓
[阶段8 轨迹规划 + 前馈]
↓
能理解“快、稳、顺”不是只靠反馈得到
↓
[阶段9 机器人动力学]
↓
能进入机械臂、多轴、补偿与高级控制

阶段能力表

给你的现实建议

你现在不要试图“同时把所有控制理论都搞懂”。
最好的顺序是：

当前 2 个月主线

• 自动控制原理

• 电机/运动控制基础

• 数字控制实现

• 单轴建模与辨识

• 串级 PID 调通

下一阶段

• 状态空间

• 观测器

• LADRC

再下一阶段

• 轨迹规划

• 前馈

• 机器人动力学

最后一句话

你现在最需要的不是“再多学一个算法”，而是：

把 PID、LADRC、前馈、轨迹规划、建模放进同一条主线里。

一旦这条主线建立起来，你后面看课、看代码、看学长方案，就不会再是零散的。

统一控制地图

可以，我把前面所有你提到的内容放进一张统一的控制地图里讲。顺便说明一下：你写的 MCP，我这里按工程里更常见的 MPC（Model Predictive Control，模型预测控制） 来理解；MPC 的核心是用模型预测未来并在线求解优化，尤其擅长处理输入/状态约束。

1. 先把整件事分层

一个典型的运动控制系统，最好分成这 5 层看：

A. 参考/轨迹层

决定“希望系统怎么走”：

• 直接阶跃

• 梯形速度轨迹

• S 曲线

• TD/参考整形

这层的作用，是把“到某个位置”变成更物理、更好跟踪的参考。比如梯形速度轨迹会直接给出位置、速度、加速度随时间的变化。

B. 补偿层

决定“先提前帮系统一把”：

• 速度前馈

• 加速度前馈

• 重力补偿

• 摩擦补偿

• 电机解耦前馈

前馈本质上是根据已知模型或已知扰动，预先计算一部分控制量，而不是等误差出来后再补。

C. 反馈层

决定“偏了以后怎么拉回来”：

• PID / PI / PD

• 2DOF PID

• 串级位置-速度-电流

• LADRC

• LQR / LQG

• MPC

反馈层才是大家平时说的“控制算法主体”。不同方法的核心区别，主要在这里。

D. 观测/估计层

决定“模型不准、扰动很杂时，谁来兜底”：

• ESO

• DOB

• Kalman filter

• 状态观测器

LADRC 特别依赖这一层；LQG 也是把状态反馈和估计器结合起来。

E. 约束/优化层

决定“在约束下怎么权衡最好”：

• 输入限幅

• 速度/加速度/jerk 约束

• 状态约束

• MPC 在线优化

MPC 的突出优势就是天然把这些约束放进优化问题里。

2. 最重要的一句话

这些方法大多不是互斥关系，而是分层协作

比如一套很常见、也很强的工程组合是：

轨迹规划 + 前馈 + 串级 PID

再往上走，可以变成：

轨迹规划 + 前馈 + LADRC

或者：

轨迹规划 + LQR/LQG

或者：

MPC 生成受约束参考/控制量 + 内环快速伺服

所以不要把它们理解成“只能选一个”。很多时候，真正成熟的系统是叠起来用。

3. 统一对比表

这张表里最关键的是：PID/LADRC/LQR/MPC 主要在反馈层竞争；前馈和轨迹规划更多是在帮反馈层减负。

4. PID 家族：为什么它永远绕不过去

PID

PID 之所以常青，不是因为它最先进，而是因为它：

• 结构简单

• 调参直观

• 对模型要求低

• 工程成本低

但 PID 的天然短板也很清楚：单靠一个回路，很难同时把快、稳、约束、非线性、负载变化都照顾得特别好。积分饱和也需要专门处理。

2DOF PID

2DOF PID 的意义是把“设定值跟踪”和“扰动抑制”分开调，不用再让一个单一 PID 同时兼顾两种互相打架的目标。

串级 PID

你前面一直在讨论的位置环、速度环，就是典型的 cascade。串级的思路是：内环尽量快，外环只看内环已经整好的对象。 这本身就是一种结构设计，而不只是参数调优。

5. TD / 梯形速度 / S 曲线：它们不是控制器，而是“目标整形器”

这一类最容易被误解。它们不是在“纠错”，而是在“别给控制器一个太野蛮的目标”。

它们解决什么问题

如果你直接给位置阶跃，那么对应的理想速度、加速度都很不友好；而梯形速度轨迹、S 曲线会给出有界的速度和加速度参考，这对：

• 机械冲击

• 跟踪误差

• 前馈可用性

• 观感和平顺性

都有直接帮助。轨迹生成工具通常明确输出位置、速度、加速度三类参考。

你的一个关键直觉

不用 TD/轨迹整形时，想稳，往往只能把反馈参数收保守；用了 TD/轨迹整形后，反馈参数反而可以更积极。

因为控制器面对的，不再是一个粗暴阶跃，而是一条可实现的轨迹。这个直觉是对的。

6. 前馈：它不是“让电机飞起来”，而是“别全靠误差驱动”

前馈最核心的价值，是让控制器不必等误差出来后才行动。它并不天然等于“更猛”，而是等于“更早、更有方向感”。

典型前馈

• 速度前馈：减少恒速跟踪误差

• 加速度前馈：提前补偿惯量需要的力矩

• 重力补偿：机械臂特别重要

• 摩擦补偿：改善低速和换向

• 电机解耦前馈：比如 PMSM dq 轴解耦

在电机控制里，前馈甚至可以直接做解耦和扰动抵消。

为什么“直接阶跃 + 导数类前馈”容易危险

因为位置阶跃对应的理想速度/加速度不光滑，所以和导数相关的前馈通常更适合配合轨迹规划或 TD 使用。你学长能做到“前馈且稳”，大概率不是在对生硬阶跃直接做导数前馈，而是已经有了：

• 平滑参考

• 限幅

• 过滤

• 或者前馈只补重力/摩擦这类更稳态的东西。

7. LADRC：不是不要模型，而是“粗模型 + 扰动观测”

你前面已经摸到这个点了。LADRC 不是无模型，它更像：

名义模型 + ESO 估总扰动 + 反馈控制

在线性 ADRC 文献和综述里，LADRC 常被看作一种带有线性扩张状态观测器的固定结构控制器，很多调参方法也会用带宽参数化去理解它。

LADRC 擅长什么

• 负载变化大

• 模型不完全准

• 扰动复杂

• 参数漂移明显

这时 LADRC 往往比“只靠 PID 慢慢补”更有优势。尤其在伺服、电机、执行机构一类应用里，ADRC/LADRC 已经是一个有明确工程存在感的方向。

LADRC 不擅长什么

• 测量噪声很大但观测器还想开很快

• 实现细节没处理好

• 把所有物理规律都甩给 ESO，自己一项模型补偿也不做

也就是说，LADRC 不是“建模越少越好”，而是“能写出来的规律先写，剩下的再让观测器扛”。

8. LQR / LQG：不是“必须完美模型”，而是“更偏模型驱动”

LQR 的核心是：给定状态空间模型，选择状态和控制输入的权重，求解一个最优状态反馈增益。MathWorks 和 MIT 的资料都把它放在状态空间/最优控制框架里；时变 LQR 还可以围绕一条名义轨迹线性化后做轨迹稳定。

它最适合的场景

• 你有比较清晰的状态空间模型

• 你想系统性地权衡“状态误差”与“控制能量”

• 你能接受围绕工作点或轨迹做线性化

它不是什么

它不是“只有模型极其精确时才能用”。很多时候，线性化模型、名义模型、工作点模型就已经足够设计出很不错的 LQR/LQG。

它和 PID/LADRC 的关系

不是替代关系，而是“建模程度不同、抽象层次不同”。

9. MPC：更像“把约束和未来一起考虑进去”

MPC 的关键特点有三个：

1）用模型预测未来

它会用对象模型预测未来若干步的输出。

2）每一步都在线优化

它在滚动时域上最小化一个代价函数，实时算当前时刻的控制动作。

3）天然适合处理约束

输入限幅、状态限值、多变量耦合，是 MPC 的强项。

为什么它适合和你前面讨论的东西对比

因为 MPC 基本可以看成“把轨迹、模型、约束、优化一起合并进反馈器”。所以在多变量、强约束、轨迹规划和跟踪一体化的任务里，它很强；但代价是：

• 建模要求更高

• 在线计算更重

• 实现和调试门槛更高。

10. “建模”到底在整个体系里处于什么位置

这个是你现在最需要彻底想通的点。

不是“有模型就上 LQR/MPC，没模型就上 PID/LADRC”

更准确的说法是：

• 模型越粗：越多依赖反馈、鲁棒性、观测器

• 模型越好：越能多用前馈、状态反馈、优化控制

• 真实工程：通常是粗模型 + 前馈 + 反馈 + 观测器一起上

也就是说，建模不是某一种算法的专利，而是所有方法的加速器。

建模怎样帮助 PID

• 帮你知道对象像一阶还是二阶

• 帮你预估带宽和初始参数范围

• 帮你决定要不要前馈、抗饱和、死区补偿

• 帮你解释低速抖、过冲、刹不住这些现象

建模怎样帮助 LADRC

• 帮你选阶次

• 帮你选名义增益

• 帮你决定什么先做模型补偿，什么交给 ESO

建模怎样帮助 LQR/MPC

• 它们本来就以显式模型为设计核心

11. 怎么按对象特性选路线

A. 单轴电机、小惯量、先把系统跑通

优先：

• 串级 PID

• 位置环 P 或 PD

• 速度环 PI/PID

• 必要时加简单前馈

原因是直观、快、调试成本低。

B. 想从“能用”升级到“动作顺、观感好”

优先：

• 轨迹规划 / TD / 梯形 / S 曲线

• 再加速度/加速度前馈

这是从“硬吃阶跃”升级到“优雅地到达”的关键。

C. 重、惯量大、不同姿态差异明显、负载变化大

优先考虑：

• 重力补偿

• 加速度前馈

• LADRC / DOB 一类抗扰方法

因为这类系统里，光靠固定一组 PID 往往会不断被工况变化打脸。

D. 多变量、强约束、希望把“最优+约束”一起算

优先考虑：

• MPC

尤其是输入限幅、状态边界、多自由度耦合明显时，MPC 的结构性优势会变得很明显。

E. 模型较清晰、想做系统化状态反馈

优先考虑：

• LQR / LQG

特别是你能拿到状态量，或能做状态估计的时候。

12. 你可以把“所有方法”的关系记成这张脑图

第一问：目标怎么给？

• 阶跃

• TD

• 梯形

• S 曲线

第二问：已知物理规律先补什么？

• 速度前馈

• 加速度前馈

• 重力补偿

• 摩擦补偿

第三问：偏了以后怎么纠正？

• PID / 2DOF PID / 串级

• LADRC

• LQR / LQG

• MPC

第四问：模型不准怎么办？

• ESO / DOB / Kalman / 鲁棒性设计

这四问分清楚以后，你就不会再把“TD、前馈、PID、LADRC、LQR、MPC”当成一锅粥。

13. 你当前最值得保留的几个核心直觉

1）

平稳到达不一定意味着参数保守；
如果前端做了 TD/轨迹整形，后端参数反而可以更积极。

2）

前馈不是替代反馈，而是给反馈减负。没有反馈，前馈很难独立扛住模型误差和扰动。

3）

LADRC不是无模型，而是粗模型 + 扰动观测。

4）

LQR/MPC也不要求“完美模型”，但确实更偏模型驱动。

5）

工业和工程里最常见的不是“单一神算法”，而是：
轨迹 + 前馈 + 反馈 + 观测 的组合。

14. 给你一个实战版升级路线

如果按你现在的学习路径，我建议这样走：

第 1 阶段

先把 串级 PID 彻底吃透：

• 位置环 P/PD

• 速度环 PI/PID

• 积分限幅

• 抗饱和

• 死区

• 输出限幅

第 2 阶段

加 轨迹规划 / TD
把“直接阶跃”升级成“有限速度/加速度”的参考。

第 3 阶段

加 前馈
优先顺序通常是：

• 重力补偿

• 速度前馈

• 加速度前馈

• 摩擦补偿

第 4 阶段

如果对象不确定性很强，再上 LADRC / DOB

第 5 阶段

如果你已经能建立状态空间模型，并且想把“约束、多变量、最优”整合起来，再系统学 LQR/LQG/MPC

这条路线很符合从单轴电机到机械臂再到更高级运动控制的学习顺序。

最后一版总结

PID 是最朴素的反馈骨架，
TD/梯形/S 曲线 是让目标变文明，
前馈 是提前打一部分对的力，
LADRC 是用观测器兜住建模没写准的部分，
LQR/LQG 是在状态空间里系统性权衡性能和控制能量，
MPC 是把预测、约束和优化一起在线算。

真正强的系统，往往不是“只选一个”，而是把这些按层次组合起来。

评论