機器人控制該怎麼入門？

11-16

這裡指的控制是自動控制，偏向機器人運動控制一類，應該如何入門，如何在把基礎功打紮實、建立完整的知識構架的原則下，高效地學習？

對於工科領域來說，脫離實踐的學習都是膚淺的，對於控制這種強調經驗的技術更是如此。如果去問一個程序員怎麼學習一塊技術，他必然讓你去多編程。機器人領域也是。如果想把基本功打紮實，那麼實踐更是必不可少了。

對於普通學生入門來說 一款合適的機器人平台 + 入門級的控制演算法進行試驗。同時深入地學習相應地理論知識。

對於一個有控制基礎，需要現學現用的工作者來說，啃一本諸如《現代控制工程》的書籍，在工作者演練，下面的平台內容直接略過。

關於平台的選擇和相應的學習教程，我放在最後，防止大圖分散了重點。

先結合機器人來說一下控制。對於設計任何一個控制系統來說，需要了解自己的輸入、輸出、控制元件，和演算法。在一個簡易的機器人系統里，分別對應的原件是：
輸入 --- 感測器（聲吶，紅外，攝像頭，陀螺儀，加速度計，羅盤）
控制元件 --- 電機
控制演算法 --- 控制板（小到單片機，大到微機）
輸出 --- 你的控制目標（比如機器人的路徑跟蹤）

對這四方面都有了解之後，才能基本對機器人的控制有一個較為感性的認識。這是入門的基礎。如果你對輸入和輸出做一個測量，比如用電機將某個輪子的轉速從10加速到100，把這個測量勾畫出來，那麼這一個響應曲線。如何將電機準確快速地從10加速到100，這就需要一個簡易的反饋控制器。
上面所說的各個感測器元件，都有廉價版可以購買學習，但隨之引入的問題就是他們不精確，比如有雜訊。消除這個雜訊，你就需要在你的控制系統中引入更多的控制單元來消除這個雜訊，比如加入濾波單元。

上面說這麼多，只是想表達，理論和演算法都是有應用背景的，但同時，學習一些暫時無法應用的演算法也並不助於入門，甚至可能走偏門，覺得越複雜越好。所有的工程應用者都會說某某演算法非常好，但是經典還是PID。倘若不親手設計一個PID系統，恐怕真的領略不到它的魅力。我大學本科的控制課程包含了自動控制理論和現代控制理論，但是直到我設計一個四旋翼無人機的時候，才真正建立了我自己對機器人控制的理解。

@曹夢迪推薦的那本《現代控制工程》是一本非常經典的專業書籍，需要理論知識，再進行詳細的學習。我的建議是先玩，玩到需要時，認真學習這部分理論。

-----------------------------------------------------------------------------------------------------
推薦一些機器人平台。核心都涉及到運動控制。

基於arduino的機器人平台是最大眾的平台了，這是一個開源社區，很多關於機器人的簡易設計和控制演算法實現都能在google得到。淘寶arduino機器人，包括arduino控制板和各類簡易感測器，幾百塊之內錢都能得到。

同時推薦一下Udacity上的Robotics課程，基於arduino也都能實現完成。

國外的有些Robotics課程使用的都是Lego Mindstorm作為實驗平台（略土豪版）。紅外，聲吶，陀螺儀這些感測器Lego都有，同時它的電機也可以實現閉環控制。淘寶依舊可以買到lego mindstorm_淘寶搜索（海外代購版，我買過）

Imperial College London的Robotics課程就是以Lego為實驗平台的，Andrew Davison的課件上所有的理論都可以用Lego實現Andrew Davison: Robotics Course

如果這些都玩膩了，可以試試玩一個機器人飛行控制，比如四旋翼飛機。飛行器是六自由度控制，因此比小車要更加具有挑戰性，也需要更精確的控制系統。下面這是我以前的一個四旋翼DIY，基於arduino MultiWii的。依舊淘寶四旋翼飛行器 diy_淘寶搜索

MultiWii是一個基於arduino的開源飛控平台，所有c代碼都可得，不多於一兩萬行。如果把這些都研究透了，相比已經是專業水平了。

---------------------------------------------------------------------------------------------------

謝邀~
祝玩的愉快！

首先，應當了解到：機器人控制（Robot Control）的目的是通過人工引入控制改善原有系統的特性，使新的系統：1）跟蹤性能（Tracking Performance）更好，2）抗擾動性（Diturbance Rejection）更強，3）穩健性（Robustness）更優，e.t.c.
機器人控制大致可以分為硬體和演算法兩個大方向：

機器人控制硬體

基本控制結構：當年，N. Wiener對神經科學很感興趣，發現其實機器的反饋控制和人的運動控制機理是相似的。控制工程中的：感測器（各種位置、速度、力感測器等）、控制器（各種處理器以及控制演算法）和驅動器（電機、液壓、氣動、記憶合金等）三部分，分別對應於人的感受器（receptor）（例如：視覺、聽覺、味覺、嗅覺、觸覺等外感受器）、神經系統（中樞和周圍神經系統）和效應器（effector）（肌肉、骨骼），只不過人的結構更加複雜。
層次控制體系：了解了控制的基本結構，剩下的事情就是設計控制系統。如今，大家設計控制系統的方法還是比較統一的，基本都可以歸結為5層的層次體系：1）主機
（Host），2）運動控制器（Motion Controller），3）伺服驅動器（Servo
Driver），4）電機（Motor），5）機構（Mechanism ）。

主機：主要完成人機交互（操作員控制或者調試機器），高級運算（機器人運動規劃等）。由於需要高等運算功能，這部分演算法通常是基於操作系統的，硬體載體用通用計算機即可。
運動控制器：主要用於改善機器人動力學（Robot Dynamics）。機器人的機械本身並不具備跟蹤軌跡的能力，需要外加控制來改善。由於需要大量的實時運算，這部分通常是基於實時操作系統，比如QNX等，硬體載體可以用ARM或其他。比如，工業界的工業機器人主要使用運動反饋（Motion Feedback），也即將驅動器配置為位置控制或者速度控制模式，此時運動控制器的主要用於補償傳動系統非線性性，例如：由於齒輪間隙、微小彈性變形導致的末端偏移。
伺服驅動器：主要用於改善電機動力學（Motor Dynamics）。由於電機本身物理特性並不具備良好的位置、速度和力矩跟蹤能力，因此需要依靠控制來改善。這部分需要更高的實時性能，因為電機的響應速度快，需要us級定時，所以可以使用高性能DSP。比如，直流有刷電機中轉子速度正比於反向電動勢、力矩正比於電樞電流，而沒有物理量能夠直接控制位置，此時需要外加位置控制器。
電機：充當執行器，將電信號轉化為機械運動。
機械本體：被控制的終極對象。

演算法的編寫：鑒於如今幾乎沒人再用Op-Amp搭建模擬計算機的事實，可以說演算法就是個編程問題。基本的編程語言能力，比如MATLAB、C、C++是必須的。設計好演算法之後，還需面對另外幾個問題：

離散化問題（Discretization）：連續演算法的離散化是必要的，因為如今計算機都是數字系統。對於線性系統，比如電機控制，方法當然就是從s域（傳遞函數）到z域（Z變換）再到t域（差分方程）的變換，非線性的就得研究微分方程的各種數值方法了。
混合控制問題（Hybrid Control）：幾乎當前所有的機器人控制系統都不僅有一個控制模式，比如：回初始位置、運動控制模式、人工試教模式等等，每個模式需要特殊的控制演算法。單個系統存在多個控制器時被稱為混合控制系統，混合控制系統常常使用有限狀態機（Finite State Machine, FSM）建模，狀態機的切換需注意一些問題，比如芝諾問題。
通信問題（Communication）：通常機器人系統都包含幾十個，甚至上百個感測器以及幾個到十幾個驅動器，通信時常是個頭疼的問題。問題的複雜性源於：通信對象多（並發問題），順序需要協調（時序問題），通信的速率需要兼顧（阻塞問題）。個人傾向於使用基於「事件驅動模型」+「有限狀態機模型」的混合模型來處理此類問題。

機器人控制理論：控制方法千奇百怪，這裡僅舉機器人臂的兩個比較經典而常用的方法：混合力位控制和阻抗控制。

混合力/位控制（Hybrid Force/Position Control）是Mark Raibert（現今Boston Dynamics老闆）和John Craig於70s末在JPL的工作成果，當時他們是在Stanford臂上做的實驗，研究例如裝配等任務時的力和位置同時控制的情況。
阻抗控制（Impedance Control）是
N.Hogan的工作成果。維納晚年，對人控制機器臂很感興趣。後來，他組織了MIT的Robert Mann，Stephen Jacobsen等一伙人開發了基於肌肉電信號控制的假肢臂，叫Boston
Elbow。後來，Hogan繼續Mann的工作，他覺得假肢是給人用的，不應當和工業機器人一樣具有高的剛度，而應該具有柔性，所以後來引入了阻抗。
其他控制。

建議：自己也在鑽研，共同學習吧。

首先，把描述機器人運動學和力學搞定。J.J. Craig出版於80s的《Introduction to
Robotics: Mechanics and Control 》，或者R. Murray出版於90s的《A Mathematical
Introduction to Robotic Manipulation》都行。對於機器人的數學基礎，最新的成就是基於Differentiable Manifold（微分流形）、Lie group（李群）和Screw Theory（旋量理論）的。在這方面，個人認為以下研究團隊奠定了機器人的數學基礎理論：

1) Harvard的Roger Brokett教授及其學生Frank Chongwoo
Park等；
2) UC Berkeley的Shankar Sastry教授及其學生Richard Murray，Zexiang Li等。
3) uPenn的Vijay Kumar教授，他和他的學生Milos Zefran以及Calin Belta在90年代研究了基於Differentiable Manifold的單剛體運動學和動力學。
4）上述2）中Richard Murray的學生Andrew Lewis和Francesco Bullo等研究了基於differentiable manifold和Lagrange Mechanics的機器人動力學以及幾何控制理論（Geometric Control Theory）。

再次，必要的反饋控制基礎當然是不能少的。關於控制，並不推薦把下面的教材通讀一遍，僅需要了解必要的控制理念即可。陷入繁雜的細節往往不得要領，並浪費時間。具體的問題需要研讀論文。

首先，要建立控制理論的基本概念，如狀態方程、傳遞函數、前饋、反饋、穩定性等等，推薦Stanford大學教授Franklin的《Feedback Control of Dynamic Systems》；
關於機器人控制的入門讀物，解釋的最清晰的當屬MW Spong的《Robot modeling and control》，書中不僅詳細講解了基於機器人動力學的控制，也講解了執行器動力學與控制(也即電機控制)。
關於非線性控制理論，推薦MIT教授J.J.E. Slotine的《Applied Nonlinear Control》。

最後，如果是廣大的Ph.D.朋友們，硬體就不必玩了，直接上paper吧。讀paper，讀各種牛人的paper。發paper，最好往ICRA和IJRR裡面灌水。P.S.：被paper虐的吐了一口老血：-）

謝邀。如果指的不是智能演算法，是扎紮實實的機器人學，那麼下列學科需要學習，重要性分先後：

線性系統
機器人運動學，反向運動學，動力學
非線性控制，最優控制
微分幾何
理論力學
自適應控制，智能控制

這裡老是提到的pid在機器人中應用不多。pid廣泛應用於過程工程，而機器人運動控制對響應速度的要求超出pid。作為最簡單的例子，題主可以去搜搜lqr在倒立擺中的應用，這可以說是最簡單直觀的例子了

曾經在coursera上過一門機器學習基石的課程，老師利用幾周的時間以一個很簡單的、甚至是不常用的PLA演算法為例，講解了有關機器學習所需要的知識，後來老師說這種演算法應用性不強，但通過它可以講到機器學習所涉及到的知識。在學過這些知識以後，再去學習一些複雜的演算法，而流程都與設計PLA演算法類似。

自動控制和機器學習是相似的，它涉及到了很多的演算法，線性控制、非線性控制，一個自動化專業的學生一學就是2個學期，效果也不見得好。我的想法是，首先從一種經典的演算法入手，（比如PID），圍繞其展開學習，目的就是成功應用PID演算法解決一些問題，（比如機器人的運動控制），之後再學習複雜的演算法。目標確定了，但在學習之前先問自己3個問題（ @劉未鵬的《暗時間》曾提到）：

控制的本質是什麼；
控制的原則是什麼；
控制這一專業的知識構架是什麼；

以機器人運動控制舉例。
機器人控制有三個元素：控制器（演算法），執行器（電機），感測器；

控制的本質就是將規劃系統的指令作為輸入信息，將感測器探測得到的狀態信息和導航系統的定位信息作為反饋，計算得到執行器的控制信號，完成運動控制的閉環。
控制的原則就是穩定、準確、快速。
知識構架分為兩部分：理論環節、實踐環節。

理論環節即PID控制的原理，如何作用於被控物，這裡包括自動控制原理中結構圖、傳遞函數、數學模型、求解微分方程等知識的學習；
實踐部分則包括相關軟硬體的知識，軟體即編程，也涉及到操作系統的相關知識。硬體如工控板的使用等。

圍繞知識構架，無須事無巨細的學習，但要把PID了解透徹並成功應用。在這基礎上再學習複雜的演算法就會好一些。

================================update==================================
補充：
知識構架：

理論：掌握在相應環境下機器人的動力學模型、運動控制原理和方法、使用的控制策略以及運動控制器的設計。相應展開可以進行深入系統學習。
模擬調試：相關工具如matlab或自己編程，將自己的演算法、模型進行實現，是對理論知識的反饋，可以看自己的設計是否合理，對理論知識有更直觀的了解。
實物試驗：涉及軟硬體的部分，體會理論實際差距，進一步完善理論。關於這部分的掌握程度還是要看自己的目標是什麼，圍繞重心進行。如硬體部分，可以購買一些模塊，以最少的經歷實現目標。

另外，光從整體到局部是不夠的，有時不理解複雜系統的一些組成部分，就沒法從整體上去把握。所以在遇到瓶頸時，可以對其展開學習。整體與局部並不矛盾，是可以一起進行的。

想學習一門專業，不該先入為主地受 XXX 該怎麼樣的觀念制約，應該充分利用身邊的資源工具進行學習。有項目就針對項目，沒項目可以如呂朝陽老師所說購買機器人平台，再者可以通過模擬對理論進行驗證。思考、總結和交流很重要。

推薦：

イラストで學ぶロボット工學

鏈接：Amazon | イラストで學ぶロボット工學 (KS情報科學専門書) | 木野仁, 谷口忠大通販

是一套很流行的「圖解」入門書系列之一。註：可不是漫畫啊。

感謝邀請，本科確實是學自動控制的，但研究生的方向是模式識別，工作後搞的是機器視覺，然後一直到現在。所以對於控制來說，真的沒有發言權。只談談個人看法。
個人感覺，學習機器人控制這種說法，好像並不嚴密。機器人控制應該是自動控制理論在實際中的一種應用吧，包括自動化的生產線等。所以要說入門的話，那就找一份自動化專業的課程單吧(基礎課和專業課)，當然專業必修課之一，肯定是《自動控制原理》了。說到這，竟然想起了那位治學嚴謹的白白胖胖的教自控的老師了，可能這是和自動化相關的唯一印象了。
工作後，接觸的機器人或者機械手臂，都是成熟產品，更偏重於應用。這時，更關心的是，如何給機器植入「眼睛」，也就是機器視覺如何引導機器人動作，也算是視覺反饋。所以，在機器人應用中，更關注的是視覺演算法及軟體。
比較熟悉機器視覺，不懂控制，很可能答非所問，僅供參考吧

能上youtube的話，建議看看Brian Douglas的視頻，非常好的基礎教程。
不能上youtube的話，建議先學習翻牆。

請看Coursera上Prof. Magnus Egerstedt的課程Control of Mobile Robots。這裡有你想要的所有答案。

機器人是機器人，控制是控制……
感謝邀請。

自動控制入門的話當然是找任何一本高校教材，類似《自動控制原理》、《自動控制概論》什麼的去讀。（習題一定要做。）有能力的可以讀英文教材，最出名的有尾形克彥（Katsuhiko Ogata，舊譯緒方勝彥）的《現代控制工程》（Modern Control Engineering (5th Edition): Katsuhiko Ogata: 9780136156734: Amazon.com: Books）
以及弗蘭克林（Gene Franklin）、鮑威爾（David Powell）的《動態系統的反饋控制》和《數字系統的反饋控制》（Feedback Control of Dynamic Systems (6th Edition): Gene F. Franklin, J. David Powell, Abbas Emami-Naeini: 9780136019695: Amazon.com: Books
Digital Control of Dynamic Systems (3rd Edition): Gene F. Franklin, J. David Powell, Michael L. Workman: 9780201820546: Amazon.com: Books）
上面幾本都有中譯本，不過質量如何不清楚。
如果都沒有興趣可以看看錢老的《工程式控制制論》，也是不錯的書。

所需要的基礎有微分方程、積分變換（經典控制理論）、矩陣理論（現代控制理論）。

主要需要掌握的幾個思想：
1. 反饋
2. 穩定性
3. 動態性能
4. 狀態及其估計

當然，學這麼一點是絕對不夠控制真正意義上機器人的。後面的東西還很多，具體的東西我了解得也不多，就不多啰嗦了。

對於機器人來說，從控制的層次來區分，可以分為基於電機角速度層次的控制（velocity level control），以及在加速度層次的控制（acceleration control）。目前的工業機器人，大部分都提供角速度層次的控制，有角速度和位置的反饋，控制起來也比較方便，但是基於角速度的控制和力矩控制相比，控制信號有時候不連續，會導致控制的軌跡發生抖動。基於力矩控制，也就是在速度和位置反饋的基礎上加入了電流反饋，控制效果更加精準並具有連續性，缺點是需要對機器人的模型（基於拉格朗日和牛頓模型）進行精準建模。當前，除非廠家明確提供了機器人的各種參數（M, C, G模型），一般用戶很難有效操作。當然，基於機器人模型的特性，如LIP(linear in parameter)，衍生出了一些利用自適神經網路以及模糊控制方法，但是這些演算法的穩定性很值得商榷，畢竟機器人控制除了控制精度和平穩性之外，首要目標是安全，自適應的過程如果出現參數的過大超調，很容易對人或者機器人造成傷害。考慮到機器人模型的不確定性，則有H2和Hinfinity的魯棒控制。總之，反正是控制論裡面有的，理論上都可以用在機器人上面，但是到底好不好使，和PID相比有啥優勢，只能呵呵了。

機器人控制如果從是否與環境有直接接觸來進行劃分，分為無接觸的控制以及阻抗控制（Impedance Control）和力和位置混合控制（hybrid force and position控制）。阻抗控制的核心思想，用通俗的話來說就是讓機器人模擬一個質量、彈簧、振子系統，實現柔順（compliance）。hybrid force and position 控制則是通過將力和位置控制進行decouple （解耦）分別實現控制。按照我的理解，阻抗控制和混合控制可以歸為機器人的外環控制，內環則是上面提到的速度層次（velocity level control），以及加速度層次的控制（acceleration control）。內環響應實現快速跟蹤，外環則是優化內在和外在的控制指標。

另外，當前也有基於機器學習的控制，比如基於增強學習（reinforcement learning）、自適應最優控制（optimal control）、extreme seeking control來優化PID參數等等。這些控制同樣也是基於外環。

目前比較牛逼的一個機器人控制，是Berkeley Peter Abbeel他們做的將deep learning和optimal control 結合來做機器人高維數據輸入的控制（比如輸入時圖像，輸出是控制信號）。網上有他們家做的PR2機器人疊毛巾的視頻，感覺屌屌的。有興趣的同學可以讀下他們組的文章（搜索guided policy search）。

最後，推薦幾本書吧，

J.J. Craig的《Introduction to Robotics: Mechanics and Control 》
Slotine 的《Robot Analysis and Control》
Springer Handbook of Robotics: Bruno Siciliano, Oussama Khatib: 9783540239574: Amazon.com: Books

視頻可以看oussama的公開課。

轉載請註明出處

如果問題指的是6軸工業機器人運動控制，那唯一一條道路，是考好雅思留學瑞典皇家理工，或者其他機器人學有優勢的歐美學校，日本學校。
其他辦法都是隨便說說的。
中國的機器人控制的技術水平，不是靠騙科研經費剝削研究生的某些人，這些人寫的書看的書對你都沒用，他們自己尚且做不出來，有什麼好學的。

中國是一個買五軸機床還要被部分禁運的國家，大家不要開玩笑了。

看你究竟想搞什麼了，如果只是編個程，實現一些演算法，學一些嵌入式就可以了。如果你想搞控制演算法研究，那下面這些學科有意義:
1.multibody system dynamics(用來Modellling)一般歸在力學下。
2.control theory/cybernetics,基本是applied maths的範疇，線性方面基礎需要，但是由於Robot模型基本都是nonlinear的，所以用的也不多，線性控制傳統上切入是泛函和線代。非線性演算法是重點，現代的描述多用微分幾何。另外可能會牽涉到例如優化，運算元，拓撲等等這種領域，這一塊基本就是數學。
3.輔助讀一些robotics專門的書(不用太多，主要是了解一些術語和意義，比如forwards/backwards kinematics, DH parameter這種，前兩塊是主要)。另外如有興趣的，可以看一些SO3 group的書。
4.擴展類的，比如讀一些FEM/BEM，MOR等等。

autonomous的話(比如最近比較熱的cv,cl等等)主要屬於CS範疇，和傳統的cybernetics不是一個東西。

《機器人學導論》，斯坦福的教材，80年代開始的，
有很挫的翻譯版本。
我們團隊的工程師人手一本。
看這個就行了，沒必要想太多。
英文名字叫做《Introduction To Robotics, Mechanics and Control》
《機器人學導論（原書第3版）》（美）克來格（Craig,J.J）著，超等譯

機器人是一門是一門十分複雜的交叉學科。而控制又是連接軟硬之間的橋樑，題主也說了要建立完整的知識構架，那麼學控制兩頭都得了解。結合自身經歷，個人愚見，機器人系統可以分為三層：
1.硬體層：主要就是各種機械機構和電子元件以及伺服電機，單片機等，這個需要了解他們的參數和工作原理。我們本科機電的一般都學過比如機械原理，材料力學，電子電路（數電模電），微機原理等課，這些差不多了。
2.測控層：連接硬體和軟體的橋樑。就如所說的感測器驅動及相關濾波演算法、動力系統及其閉環控制。這些在本科就比較欠缺了，只有測試技術和控制工程的基礎課。所以現在要再學習下數字信號處理和自動控制原理，還有感測技術以及動力學分析，系統的把測控學習一下。
3.軟體層：人機界面和智能應用。因為是機電出身，這個需要重頭學。首先計算機語言得會，我主要學c和python，一個負責底層驅動，一個負責快速演算法驗證和平台搭建。還有以前都是人為對接收的信號進行識別分析再決策，現在隨著人工智慧興起，計算機可以幫助你完成許多你以前要自己做的任務。所以，接觸下機器學習演算法還是有必要的。
總之，機器人控制不是獨立於機器人系統的，單獨學習控制毫無意義，所以要系統地學很多：機械和電子的基礎專業課，感測器及信號處理，動力學及自動控制，單片機及操作系統（RTOS或者Linux，推薦用stm32，開發速度快），C語言和Python（numpy,scipy,matplotlib,opencv,pyqt,sklearn都要會用，方便快速系統集成）。
最後，數學是基礎，數學是基礎，數學是基礎。高數線代概率得會，矩陣分析，數值分析和泛函分析也得有所涉及。
嗯，差不多可以開發一個自己的機器人平台了。。。

推薦ROS，有相關的很全的WIKI網站，也有模擬器，一台電腦就可以學習

你可以不用真實的機器人，先用模擬器模擬一下。這樣一來成本低，二來不會弄壞東西，三來重編程、部署比較省事。簡單點的模型應當PC上就能帶得動。

稍微複習下微積分，機器人控制入門，這本書絕對是你想要的。

二手LEGO MINDSTORM ，例如9797,然後泡論壇，網上搜羅些學習資料（有深度成體系的都是英文書，國內翻譯的都是很淺顯的東西），翻牆看大牛作品。

大概可以概括為三點：
1、感測器驅動及相關濾波演算法。
2、動力系統及其閉環控制。
3、應用及人機界面

簡單解釋下
第一點可以讓機械感知周圍環境；第二點可以讓機械運動並穩定的運動；第三點可以讓機械有目的的運動並將狀態等信息呈現給人類。

要做「機器人」，這三個領域就是基礎。注意，是三個獨立的領域。不但都要熟悉而且要融會貫通。

我想從個人經驗角度回答你這個問題，因為我也曾深深為這個問題困擾過。

我是專職的科技教師，以前事業單位可以報銷，我幾乎把亞馬遜上所有關於機器人控制的書都買了一遍，除了1000元以上的進口書。裡面確實有很好的書，比如有一本Matlab PID的書，銷量很高的。但這太深了，並不足以幫助到我。

我這裡只講PID，不談模糊控制、不談卡爾曼濾波（後面兩樣，前兩年我所在的區域的有幾個高中生也在研究）

我不是使用arduino和樂高，研究PID的，我是使用VEX和VEX IQ機器人，主要是因為RobotC這款軟體。

有個高中生問美國人要到了一個模板，在VEX上做了PID控制。這證明了PID是可行的。後來，我在淘寶網的一個十幾塊錢的複眼光感的下載資料鏈接里，下載到了一個最簡單的PID的模板，然後針對我的感測器和馬達，試了一下只試了一下控制P（比例參數）的效果，居然有效果。然後就一發不可收拾地研究了很多這方面的內容，產生了一些經驗。

這其中，參數整定是PID控制最重要的問題。這公式建議你看英文版的維基百科，上面搜PID，就會有參數整定的方法。

但是有個經驗，就是我的D參數，總是要把公式計算的結果，縮小100倍，有時候是縮小1000倍。我也不知道為什麼，是我在疲勞測試中測出來的。我這是用VEX IQ機器人。後來我在VEX上面嘗試，發現D反而要放大10倍，或100倍。

我很難告訴你為什麼，但我覺得畢竟我是用的萬能的通用型的PID控制。我沒有拉格朗日分析力學的模型和公式，或者任何物理公式帶入計算，完全就是PID最經典的反饋控制方法，這也就決定了，我本身就是經驗型的，沒法說明原因。

後來我在Github上看了很多VEX的PID代碼，但覺得自己已經習慣了自己的這個模板。

然後我嘗試了兩個PID的同時存在。

後來，PID用在了飛輪上，然後發現震蕩很大，後來通過飛思卡爾智能車的書，得知還需要在代碼里加入濾波。

我基本上就這些經歷和經驗，我自己應該還算是比較基礎的PID控制入門級學生。因為每次坐飛機，我都能明顯感覺到，飛機的回復穩定太驚人了！說明，科學家早就解決了這麼困難的問題了！而我還在摸索最基本的！