PID、前馈、TD 关系梳理

这篇只解决一件事：把 目标怎么给、控制怎么跟、前馈补什么、模型不准谁兜底 这几层拆开。

如果你总觉得 “TD、前馈、PID、LADRC 好像都在干一件事”，那通常不是算法本身难，而是层次混了。

flowchart LR
    R[目标速度 ω_ref] --> TD[TD/轨迹整形]
    TD --> Wd[平滑目标速度 ω_d]
    TD --> Ad[目标加速度 α_d]

    Wd --> SUM1((速度误差))
    Y[实际速度 ω] --> SUM1
    SUM1 --> PID[速度PID]

    Wd --> FFv[速度前馈 Kff_w * ω_d]
    Ad --> FFa[加速度前馈 Kff_a * α_d]

    PID --> SUM2((电流指令合成))
    FFv --> SUM2
    FFa --> SUM2

    SUM2 --> IQ[电流指令 iq*]
    IQ --> ILoop[电流环/FOC]
    ILoop --> M[电机]
    M --> Y

图 1：速度环里，TD/轨迹整形给出更合理的 \(\omega_d,\alpha_d\)，反馈和前馈共同合成最终驱动量。

flowchart LR
    R[目标位置 θ_ref] --> TD[TD/轨迹规划]
    TD --> Td[平滑位置 θ_d]
    TD --> Wd[目标速度 ω_d]
    TD --> Ad[目标加速度 α_d]

    Td --> PERR((位置误差))
    Tm[实际位置 θ] --> PERR
    PERR --> PPID[位置PID]

    Wd --> PFF[位置环速度前馈]
    PPID --> WSUM((速度指令合成))
    PFF --> WSUM

    WSUM --> Wcmd[速度指令 ω*]
    Wcmd --> WERR((速度误差))
    Wm[实际速度 ω] --> WERR
    WERR --> WPID[速度PID]

    Wd --> VFF[速度相关前馈]
    Ad --> AFF[加速度前馈]

    WPID --> ISUM((电流指令合成))
    VFF --> ISUM
    AFF --> ISUM

    ISUM --> IQ[电流指令 iq*]
    IQ --> ILoop[电流环]
    ILoop --> Motor[电机]
    Motor --> Tm
    Motor --> Wm

图 2：位置-速度串级里，TD/轨迹规划负责把生硬目标变成可执行参考，前馈补已知需求，PID 负责修正剩余误差。

1. 先给总框架

一个位置控制系统，通常可以拆成 4 层：

层次	你在回答什么问题	常见做法
目标层	你到底让系统怎么走	位置阶跃、梯形速度、S 曲线、TD 后的平滑目标
反馈控制层	偏了以后怎么纠正	串级 PID、PI + P、LADRC、状态反馈
补偿层	能不能别等偏了再补	速度前馈、加速度前馈、重力补偿、摩擦补偿、惯量前馈
观测/估计层	模型不准时谁来兜底	ESO、DOB、LADRC 的总扰动估计

一句话记住：

目标层决定“你让系统怎么走”。
反馈层决定“偏了以后怎么拉回来”。
补偿层决定“已知会发生什么，先补一部分”。
观测层决定“没建准的东西，谁来估出来”。

你现在最容易混的，通常就是把这四层当成同一层了。

2. 建模到底在这套体系里管什么

这里要先纠正一个很常见的误解：

“这本质上是建模问题” 这句话不算错，但如果只说到这里，还是太悬。

更准确的说法是：

这不是单纯一句“这是建模问题”就完了，而是一个“建模 + 鲁棒控制 + 轨迹设计”的综合问题。

运动控制里通常同时有这几件事：

目标怎么给：阶跃、TD、梯形、S 曲线
对象本身长什么样：惯量、摩擦、重力、延迟、饱和
控制器怎么设计：PID、前馈、LADRC
模型有多准：准一点就多做前馈，不准就多靠观测器和鲁棒性

所以更落地的说法是：

你需要一个“够用的控制对象模型”，然后决定哪些靠模型补偿，哪些靠反馈和观测器兜底。

2.1 先把“建模”降到地上

很多人一听建模，就以为要先搞一整套很复杂的动力学推导。

其实工程上更常见的目标不是：

追求“真实世界完整模型”

而是：

追求“控制上够用的模型”

也就是你只先建那些最影响控制效果的部分。

建模不是为了“证明自己会公式”，而是为了回答这些控制问题：

为什么它冲不过去？
为什么它快到时刹不住？
为什么低速抖？
为什么换个姿态表现就不一样？
为什么前馈有时候很好，有时候反而发疯？

2.2 对单轴位置-速度控制，最小模型是什么

如果先不管复杂因素，最核心通常就是三条关系。

1. 位置和速度关系

\[ \dot{\theta} = \omega \]

这表示位置是速度的积分，所以外环位置控制本质上是在管“速度该怎么变化”。

2. 速度和力矩关系

\[ J\dot{\omega} = \tau - B\omega - \tau_f - \tau_{load} \]

这里：

\(J\)：转动惯量
\(\tau\)：电机输出力矩
\(B\omega\)：粘性阻尼
\(\tau_f\)：摩擦项
\(\tau_{load}\)：外部负载扰动

这条式子很重要，因为它直接告诉你：

为什么重、惯量大就难调
为什么同样的力矩，惯量大时加速度更小
为什么起步慢，刹车也慢
为什么更容易“冲不过去”或“刹不住”

3. 电机力矩和电流关系

如果电流环已经做好，通常可以近似认为：

\[ \tau = K_t i \]

也就是电流基本直接决定力矩。

如果你没有明确电流环，而是直接给电压，那还要加电气模型：

\[ L\dot{i} + Ri + K_e\omega = u \]

但很多工程上，做位置环、速度环设计时，会先把内层等效掉，只保留最主要的机械侧关系。

2.3 最实用的第一层模型长什么样

对速度环，如果内层够快，常常可以先近似成：

\[ G_{\omega}(s) = \frac{K}{Ts + 1} \]

也就是一个一阶惯性环节。

这个模型已经足够解释很多现象：

为什么太激进会抖
为什么大惯量会变慢
为什么前馈能帮忙

对位置环，如果速度环已经闭好，可以把“位置环往里看”的对象近似成：

\[ G_{\theta}(s) = \frac{K_{\omega}}{Ts + 1} \cdot \frac{1}{s} \]

也就是：

速度环像一个一阶系统
再接一个积分，变成位置

这已经是很多串级控制分析的标准起点了。

2.4 简单模型解释不了时，先往哪里加

当你发现简单模型解释不了现象，就逐步加项，而不是一上来推满天公式。

工程上最优先考虑的通常是：

摩擦：解释低速爬行、小误差不动、反向切换别扭
重力：解释机械臂不同角度手感不一样
惯量变化：解释不同姿态、不同负载表现不同
间隙、弹性、共振：解释快速刹车后还会弹一下、某个频率特别容易振
饱和和死区：解释小命令不动、大命令一上来顶满

2.5 怎么建模最实用

你现在最适合的不是纯理论大推导，也不是纯黑箱乱拟合。

最推荐的是：

灰箱建模：先写出基本物理结构，再通过实验把参数估出来。

比如：

给固定驱动，记录速度响应，拟合出一阶增益 \(K\) 和时间常数 \(T\)
给已知电流 / 力矩，看加速度多大，估惯量 \(J\)
低速慢扫，正反方向分别测，估摩擦
不同角度缓慢停住，记录维持静止的输出，估重力项

这比一上来追求完整动力学大模型更有效。

2.6 建模和 PID、LADRC、LQR 到底是什么关系

这里也很容易走到二分法里去。

PID 不是“不要模型”

只是它对模型依赖最弱。

你哪怕没有明确写出传递函数，实际上也默认知道一些东西：

这是个惯性对象，不会瞬间到位
增益太大可能振
惯量大时要更保守
有摩擦、饱和、死区

这些其实已经是“朴素模型”了。

所以更准确地说：

PID 不是没有模型，而是可以只靠经验模型和实验感觉工作。

LADRC 也不是“不要模型”

LADRC 更准确的说法是：

只需要一个比较粗的名义模型，剩下的不确定性和扰动交给 ESO 去估。

比如单轴时常常会先假设：

\[ \ddot{y} = b_0 u + f \]

这里：

\(b_0\) 是粗略控制增益
\(f\) 把你所有没建准的东西都打包成“总扰动”

这说明 LADRC 也不是凭空工作的，它通常至少需要：

系统阶次大概知道
控制输入对输出影响方向知道
名义增益 \(b_0\) 有个大概量级

只是它不像传统模型控制那样要求每一项都准。

LQR 也不是“必须完美精确模型”

更准确地说：

LQR 更偏模型驱动，模型越合理越能发挥优势。

它依赖的是状态空间模型：

\[ \dot{x} = Ax + Bu \]

如果模型离实际太远，效果当然会变差。

但很多时候：

线性化模型
工作点附近模型
简化模型

就已经能设计出不错的 LQR。

所以不要把它理解成：

PID / LADRC = 无模型
LQR = 精确模型

这会过于二分。

2.7 一句最落地的话

你现在要做的，不是“建立完美模型”，而是：

先建立一个能解释主要现象的最小模型，再决定哪些靠前馈，哪些靠反馈，哪些靠观测器。

更工程一点的总结就是：

模型越差，越要靠反馈、鲁棒性、观测器、保守设计
模型越好，越能多用前馈、补偿、状态反馈、更高性能方法

但真实工程里往往不是二选一，而是：

粗模型 + 反馈 + 补偿 + 观测，一起上。

3. 前馈到底是什么

前馈不是“提前看误差”，而是：

根据目标轨迹或可测扰动，提前给执行器一部分它本来就需要的量。

如果最终控制量是电流，那么前馈最后通常会落成 电流前馈。最典型的形式是：

\[ i_q^* = u_{PID} + K_{ff,\omega}\omega_d + K_{ff,\alpha}\alpha_d \]

这里的关键不是“前馈这个名字”，而是你到底补的是什么。

3.1 速度前馈

你已经知道目标速度是 \(\omega_d\)，那就先给一部分与速度相关的驱动量。

它主要解决：

跟踪滞后
速度误差大
积分项压力过大

直觉上就是：

“我已经知道要跑这么快，那先打一部分维持这速度所需的力。”

3.2 加速度前馈

你已经知道目标速度马上要变化，那就提前给一部分克服惯量的驱动量。

它主要解决：

加速时总慢半拍
轨迹拐点跟不上
响应看起来不够利落

它最依赖三件事：

惯量模型是否大致靠谱
目标加速度是否平滑
执行器是否真有余量输出这股力

3.3 重力补偿

这是机械臂里最典型、也最实用的一种前馈。

直觉很简单：

“我知道这个姿态下重力会把杆往下拽，那我先给一个抵消重力的力矩。”

它的价值是把反馈控制从“长期对抗重力”里解放出来。

3.4 摩擦补偿

低速、反向、起动时，摩擦往往特别烦。

这时候你提前补一部分克服摩擦的量，系统通常会更容易动起来，也更不容易在小误差附近磨蹭。

3.5 惯量 / 动力学前馈

再往上走，就是根据目标轨迹和对象模型，直接算“这条轨迹理论上需要多少力矩”。

机械臂里很常见，本质上就是更完整的模型补偿。

4. 为什么“位置阶跃 + 导数类前馈”会危险

这里最容易出误解。

“直接位置阶跃 + 前馈 = 电机一定飞起来” 这句话不完全对。
更准确的说法是：

直接位置阶跃 + 速度/加速度这类导数相关前馈，往往很危险。

原因是位置阶跃本身的导数非常极端：

位置一步跳变
理论速度瞬间无穷大
理论加速度更离谱

所以：

位置阶跃不能直接拿去做速度前馈或加速度前馈。

否则你相当于在数学上给系统一个尖峰命令，工程上就会表现成：

爆冲
电流猛顶
内环瞬时饱和
还没稳住就开始反向刹车

这也是为什么很多人会觉得“一上前馈就飞”。

问题往往不是前馈这个思想错了，而是前馈吃到的参考不对。

5. TD 和前馈到底是什么关系

不是“必须 TD + 前馈”，而是：

凡是和导数有关的前馈，几乎都更适合配合 TD / 轨迹整形一起用。

因为你需要的是：

有限的速度参考
合理的加速度参考
连续、可执行的命令

TD、梯形速度轨迹、S 曲线，本质上都在干一件事：

把原始目标变成执行器吃得下的参考。

但也要注意，不是所有前馈都依赖 TD。

下面这些即使没有 TD，一样很有价值：

重力补偿
摩擦补偿
某些稳态速度补偿

所以更准确的理解是：

导数类前馈，通常依赖平滑参考；
静态补偿类前馈，不一定依赖 TD。

6. 为什么别人“前馈且稳”

如果你看到别人用了前馈还很稳，很多时候不是因为他“硬对位置阶跃求导然后直接怼”，而是下面几种情况之一：

6.1 前面已经有轨迹规划 / TD

你表面上看到的是“目标位置变了”，但控制器真正吃到的是：

平滑位置参考
平滑速度参考
平滑加速度参考

这时导数类前馈当然可以稳定工作。

6.2 他加的是重力补偿 / 摩擦补偿

这类前馈不是“把系统打飞”，而是：

先替系统扛住一部分负载
反馈只负责修剩余误差

它通常会让系统更稳，而不是更猛。

6.3 前馈做了限幅、滤波、软启动

即使是速度前馈、加速度前馈，也常常会加上：

限幅
低通
平滑
软启动

所以不会一下子把命令打满。

6.4 内环带宽够高，模型也比较准

当电流环、速度环够快，对象模型又比较接近真实时，前馈更像“恰到好处地帮一把”，而不是“过度发力”。

6.5 对象比较干净

如果惯量、摩擦、负载变化都在可控范围内，前馈就更容易发挥效果。

7. 三大流派怎么理解

7.1 纯反馈派

做法：

直接给位置目标
主要靠 PID 或串级 PID 自己消化

优点：

简单
上手快
调试门槛低

缺点：

很难同时做到又快又顺
负载一变，表现容易变
更依赖参数折中

适合：

入门
简单机构
小惯量系统
先把系统跑通

7.2 轨迹 + 反馈 + 前馈派

做法：

前端先做 TD / 梯形速度 / S 曲线
中间做反馈控制
再加前馈补偿

这其实是很多成熟运动控制系统的主线。

优点：

又快又顺
更符合机械系统本性
对机械更友好

缺点：

结构更复杂
轨迹参数、反馈参数、前馈参数要分层调

适合：

机械臂
伺服
较高性能定位系统
对观感和机械冲击有要求的系统

7.3 观测 / 抗扰派

做法：

在反馈控制里加入 ESO / DOB / LADRC
让系统自动估计扰动和模型误差

优点：

负载变化大时更鲁棒
不必把每项模型都建得特别准

缺点：

参数逻辑和 PID 不同
观测器太快会放大噪声
对采样周期和离散实现更敏感

适合：

负载变化大
模型不确定
摩擦和外扰明显
机械系统不太“干净”

8. 重、惯量大，是不是就一定要 LADRC

不一定。

更准确地说，重、惯量大意味着你更需要处理：

加速困难
刹车困难
过冲风险
参数变化
外界扰动

这时通常有两条路。

8.1 模型比较清楚

如果：

惯量大致知道
重力项能算
机械结构比较固定
刚性还不错

那么很多时候：

轨迹规划 + 前馈 + PID

就已经很强了。

这类系统不一定非要 LADRC。

8.2 模型不太准，负载变化又大

如果：

负载老在变
摩擦复杂
惯量变化明显
建模成本高

那么：

LADRC / DOB / 扰动观测

就会更有吸引力。

因为你不需要把每一项都算得很准，而是让观测器去兜住那些“没算准的东西”。

9. “远处顶满，近处减速，最后贴近” 是什么

这个思路很常见，也很好用。

但它更像：

外环非线性策略
目标生成策略
近似时间最优的工程写法

而不是 LADRC 独有的本质。

它通常可以概括成：

误差很大：输出顶满，先赶紧跑
误差变小：按规则降输出，开始收
靠近目标：用小速度、小力慢慢贴近

这类思路可以和很多内环结合：

PID
PD
串级 PI / PID
LADRC
其他状态反馈

所以它和 LADRC 的关系更准确地说是：

它可以和 LADRC 结合，但它不是 LADRC 独有。

10. 把几种思路摆在一起

思路	目标怎么给	控制怎么做	优点	风险 / 难点
直接阶跃 + PID	生阶跃	纯反馈	简单	很难又快又顺
TD / 轨迹 + PID	平滑目标	纯反馈	顺、好调	结构更复杂
TD / 轨迹 + PID + 前馈	平滑目标	反馈 + 补偿	又快又顺	模型和参数分层更复杂
直接阶跃 + 重力 / 摩擦补偿 + PID	生阶跃	反馈 + 静态补偿	很实用	解决不了所有动态问题
TD / 轨迹 + 前馈 + LADRC	平滑目标	抗扰 + 补偿	鲁棒性更强	观测器参数更难
顶满-减速-贴近 + 任意内环	分段 / 非线性目标	内环跟踪	手感好、直觉强	规则切换要顺

11. 一版更准确的结论

把前面的讨论压成几句，基本就是：

直接位置阶跃 + 纯导数类前馈，容易过猛，所以通常要配合轨迹整形 / TD。
重力补偿、摩擦补偿这类前馈，不一定需要 TD，也能显著提升稳定性。
重、惯量大，不代表一定要 LADRC，但意味着简单 PID 更容易吃力。
如果模型较准，轨迹规划 + 前馈 + PID 很强。
如果模型不准、负载变化大，LADRC / DOB 更有优势。
“远处顶满、近处减速、最后贴近” 是一种很实用的外环 / 轨迹思想，不是 LADRC 独有，但可以和 LADRC 结合。

12. 实际升级顺序

如果你现在还在建立直觉，不建议一口气把所有东西全上。

更稳的顺序通常是：

先把串级位置-速度环调通，建立最基本的误差直觉。
在位置目标前加一个简单的梯形速度或 S 曲线，先别急着上完整 TD。
再加最有价值的前馈。机械臂场景通常优先考虑重力补偿，再看速度 / 加速度前馈。
如果发现模型总不准、负载总在变，再认真考虑 LADRC / ESO / DOB。

这个顺序的核心不是“保守”，而是：

每加一层，都要知道自己到底在解决哪一类问题。

这类问题不能只按名字类比，最好回到具体实现里看控制律和状态量分别在什么位置起作用。相关内容可以继续对照 06-LADRC算法详解.md 和 07-LADRC代码实战.md 一起看。