为什么单个 PID 回路还不够

只会“轻推”的回路

想象一台机械臂握着螺丝刀，你让它的肘关节转到 90 度。最简单的实现方式就是反馈控制：不断测量关节当前在哪里，把它和你想要的位置（设定点）相比较，然后朝着缩小差距的方向驱动电机。这个差距本身就是误差信号，整个回路的任务就是把误差推向零。

它最常用的版本是 PID 控制。它把对误差的三种视角糅合在一起：P 项对当前误差有多大作出反应，I 项记住误差已经持续了多久，D 项盯着误差变化有多快。把这三个比例、积分、微分项调配起来，就得到一个简单、便宜、对单个性情温和的电机出奇有效的控制器。

有一个值得停下来体会的关键点：PID 回路对它所操纵的机器一无所知。它不知道手臂很重，不知道重力正拉扯着连杆，也不知道甩动肩关节会给肘关节带来一个侧向力。它永远只看到一个数字——误差——然后轻推。本指南大部分内容，讲的就是当这种“盲目”遇上真实、快速、沉重的运动时会发生什么。

击垮朴素回路的三件事

物理学准确地告诉我们 PID 回路面对的是什么。机器人运动方程就像一本账：它说明要产生某个加速度，你必须施加多少关节力矩。用文字写出来是：力矩 =（惯量乘加速度）+（与速度相关的耦合）+（重力）。这三块各自都是击败一个无视它们的控制器的方式。

tau  =  M(q) * q_ddot  +  C(q, q_dot) * q_dot  +  g(q)

tau     joint torques you command
M(q)    inertia matrix  -> changes with the arm's pose q
C(...)  Coriolis/centrifugal -> couples joint to joint via speed
g(q)    gravity load   -> pulls even when standing still

机器人运动方程：力矩必须同时覆盖惯量、耦合与重力。

第一，重力。即使手臂完全静止，重力也会把连杆往下拉，所以关节仅仅为了保持位置就需要力矩。普通的位置回路只有在出现误差时才产生力矩，于是它必须先下垂、积累误差，然后才往回顶——手臂会下塌，始终差一点够不到目标。解决办法有个我们还会再见到的名字：重力补偿，一个前馈力矩，在误差出现之前就把重量托住。

第二，变化的惯量。同一个关节，在手臂收拢时感觉很轻，在手臂伸展时感觉很重——惯量矩阵 M(q) 会随姿态变化。一组对收拢的手臂既平稳又稳定的 PID 增益，到手臂伸展时可能变得迟钝、甚至不稳定，因为控制器实际上是在毫不知情地推动一个不同的质量。

第三，关节之间的耦合。当肩关节加速时，它会把侧向力甩到肘关节和腕关节上——这就是科里奥利力与离心力项 C(q, q_dot)。在肘关节的 PID 回路看来，这些力就像一种神秘的扰动，恰好在机器人快速运动时出现。每个关节的控制器都在打一场它看不见的拔河，而点燃这场拔河的，是其余每个关节的运动。

核心思想：让回路用上模型

这里有一个整章都围绕着它展开的关键转折。朴素的 PID 回路纯粹是被动的——它等误差出现，然后纠正。但我们已经写出了运动方程，这意味着我们可以在机器人落后之前，大致预测出它需要多少力矩。基于模型的控制把这个预测当作“抢跑”喂进去，只把小小的残余误差留给反馈回路去清理。

具体来说，你把运动方程反过来用：给定你想要的运动，算出它所需的力矩。这个反向计算就是逆动力学。把它的答案作为前馈项交给电机，问题中沉重、被重力牵引、相互耦合的那些部分，在变成误差之前就基本被抵消掉了。留给反馈回路的，是一个轻盈、近乎线性的系统——正是那种温和、PID 能大放异彩的情形。

这就是高级机器人控制的统一主题：模型承担可预测的负担，反馈处理意外。模型永远不会完美——质量是估出来的，摩擦杂乱无章，负载还会变化——所以反馈从不退场。但这样切分工作，就把一个不可能完成的单一回路，变成了一对易于处理的搭档：先预测，再纠正。

本章将展开的工具箱

接下来的每一个工具，都是对上面三件麻烦事（以及由它们引出的问题）的不同回答。把下面这份清单当作我们要去往何处的地图。

直接抵消动力学——计算力矩控制与反馈线性化用逆动力学抹去重力、惯量与耦合，留下一个干净的线性回路供你调参。
控制机器人“摸起来”如何，而不只是它在哪里——阻抗控制、导纳控制与力控制让手臂可软可硬，并在接触世界时以选定的力去推按。
让取舍达到最优——线性二次型调节器（LQR）与模型预测控制（MPC）选择在精度与能耗之间权衡的力矩，MPC 甚至会在约束之下向前规划若干步。
在模型不准时也能应付——自适应控制会针对未知负载自我调整，而鲁棒控制与滑模控制即便模型有误差也保持稳定。
找回你测不到的量，并协调全身——状态观测器从带噪声的传感器信号中重建像速度这样的隐藏量，而全身控制在足式或人形机器人上同时兼顾多个目标。

请留意这条主线：几乎每个工具，要么用模型把事情做得更好，要么防范模型并不完美。带着这副“镜片”去看，本章余下的内容就不再像一长串缩写的游行，而更像一场围绕“你该多信任你的模型”的连贯对话。