控制的未來在哪裡？

12-29

控制的未來在於用更抽象而深刻的科學來取代直覺和藝術，並應用到跨學科的工程問題中去。

隨著控制學習深入，直覺的分量就越來越少。但總是在最後需要經驗和調試，我們能用的工具太少了。

1. 最初學反饋和受控系統，從單一反饋模型開始，教PID控制器的調參方式，以大量經驗和直覺為主導；

2. 再學了受控系統模型，在線性時不變系統中用頻域分析的方式建立傳遞函數，就能用前饋控制降低反饋控制的誤差範圍，調試變快，但還是得調PID參數；

3. 再繼續學全反饋控制，以擺放閉環極點到負軸的方式來設計控制器，終於不用調PID參數了，也擺脫了單一反饋模型，模型更靈活了。然而極點放在哪？還是靠經驗；

4. 再繼續學主導極和根軌跡，放置極點總算有個邏輯了，但最終確定位置還得靠直覺。而且這套分析方式還只對單輸入單輸出，線性時不變，還做了識別，參數全的系統比較有效。

這算是傳統控制的內容，非常多地依賴直覺和藝術，難以教授，也難以規模化。隨著全穩定控制器的研究，在狀態空間上用優化的方法把控制引入了現代控制：

5. 用了最優控制，終於能在所有穩定的控制器里挑一個最好的了，基於一個狀態空間，可以用線性二次控制器，通過迭代求解連續或離散代數Riccati方程來找到反饋量。然而迭代的第一項Q和R矩陣，以及狀態空間的狀態還是得靠物理直覺來找，靠經驗去試；

6. 這都還是線性時不變系統，線性時變系統的工具更少，要是到非線性系統，那我暫時只知道一個李雅普諾夫方程，來得到系統的穩定性。至於怎麼找到一個系統對應的李雅普諾夫方程？你已經猜到了，依舊靠物理直覺，經驗和藝術。

我感覺現在控制理論已經得到廣泛的應用了，大疆的四旋翼里六層的串級控制器，波士頓動力第二代人形機器人三十個自由度，九十個狀態空間的線形時變二次控制器，一個一個控制上的突破都在改變我們這個物理世界。然而控制理論能否突破現在依靠物理直覺和經驗，能否突破小作坊一樣一個一個設計控制器的現狀，能否突破非線性系統里缺乏統一工具的現狀，也許才是控制理論的未來。

---------------------------20170314 更新------------------------------------------

機器人學五大挑戰中感知那一塊，包括機器視覺，自然語言處理和語音識別，都在這幾年被以神經網路為主的人工智慧顛覆過，從原先由人腦設計的特徵進化到由電腦訓練。而控制也在經歷這一顛覆。控制器既應用在機構設計的過程中，也有在機械結構穩定後重新抽象設計的過程，而後者正在經歷人工智慧的顛覆。控制器最怕不安全的行為，通過現代控制理論和人工智慧結合，可以得到更安全的訓練過程，來應用新的人工智慧策略。

在Pieter Abbeel組2017年2月新作PLATO：使用自適應軌跡優化的政策學習[1]中，他們用以優化為基礎的控制方法來給強化學習提供學習材料，使學習過程更安全。學習的過程使用高精度的感測器，再在測試的過程使用商品級的感測器，進一步提高學習過程中的安全係數。這符合「突破依賴經驗調參」的發展趨勢。

[1] arXiv:1603.00622 [cs.LG] ,

PLATO: Policy Learning using Adaptive Trajectory Optimization.

這個問題好大。知乎真有很多有意思的問題和回答。我也來一起討論。顧名思義：

控制：目標對象按人的意志來動作的操作辦法。

未來：事物按人的意志發展的趨勢。

既然這樣，這個問題可以拆解成幾個問題來理解。

1）怎樣提高可控性和精度？

2）控制的手段怎麼才能不斷促進生活水平的提高？

一個是方法論，一個是世界觀。兩者是辯證發展的，只要控制這個方法論是推動正面發展的，那麼控制的現在就是未來，按部就班往前走就是了。

很多控制系統非常複雜，其實說到底就是：對象—數據採集—運算—輸出執行—對象這幾個基本步驟。從這幾個過程中可以看出，有幾個關係到可控性和精度的關鍵點。

1）數據是否準確；2）數據的可讀性;3)數據採集的透明性；4）執行機構的精度；5）處理器運算的速度；6）數據傳輸過程中的安全性

從目前現狀來看，在控制領域，這幾個方面都存在限制現代工業對控制需求的瓶頸。

那麼問題找到了，打破這些瓶頸，就是控制的未來。因為控制就是為了滿足人不斷提高對對象控制的慾望而生的。

我理解的控制的未來在以下幾個方面有大量挑戰和機會。

1）物聯網，萬物相通，數據傳輸透明就緒。數據採集的壁壘是，是目前實現工業化和信息化融合最大的障礙。

2）工業控制網路的數據安全，幾個主要品牌頻繁曝光的控制網路安全問題已經引起了警覺。

3）工業控制器編程方式的標準化，幾大品牌五花八門的標準和技術壁壘，已經嚴重製約了控制技術的發展。

4）執行機構的精度

5）工業控制器運算能力的提高

站在實用角度看控制，經常跑一線製造企業，聽他們的牢騷話多了。使用者的抱怨就是機會。微信公眾號Industry-care，技術探討共同進步。

http://weixin.qq.com/r/KDsMFEvEqhbVrQ939246 (二維碼自動識別)

現在工業領域應用，比如說汽車行業應用的情況大概是：

50%的開環控制 + 40%的反饋和前饋控制 + 10%的自學習和自適應控制

我見過的大部分控制系統都是類似的情況，百分比不是準確值，只是來說明大致的比例分配。

為什麼絕大多數都是開環控制？

因為工業領域的成本限制，一輛車上節約一個感測器如果只能節約幾美刀的話，一年上百萬產量的情況下就可以節約幾百上千萬美刀。

以及感測器布置的限制。比如很難在運動的動態組件上布置扭矩和壓力感測器，感測器本身也有布置的空間和溫度濕度之類的限制。

於是大家不得不用開環控制，由標定工程師一張圖一張圖地把開環控制的look-up table標下來。

那麼除了開環控制之外的情況呢？

在有可靠的反饋信號和前饋信號的情況下，工業上更傾向於同時搭配開環使用反饋閉環以及前饋控制，因為相對於無止境的千萬張look-up table, 幾個PID有的時候就可以解決問題。

目前工業上使用閉環的瓶頸所在就是控制對象過於複雜，像發動機變速箱，哪怕把單獨組件隔離分析也難以建立準確的物理模型，尤其像液壓和熱力學系統。這個時候很多對系統模型準確度要求很高的控制演算法都難以應用，也少有人會相信這些演算法在工業產品上的可靠性，這也是為什麼簡單的PID在大多數領域依舊是佔有絕對優勢的。

自學習演算法現在越來越多的用在工業控制上，作為一個長期的大閉環，可以很好地搭配開環控制和PID，比如在汽車領域會學習駕駛員的駕駛風格，改變整車的運動和舒適特性。而在零件級別可以學習控制效果是否有偏差，在車輛量產後依舊可以在整車的生命周期中對各個關鍵控制參數進行實時調整。

未來工業領域控制發展的趨勢是什麼？

汽車行業作為工業控制領域比較有代表性的大工業，從我個人的經歷來看可預見的未來里，控制可能會變成：

60%的開環控制+25%的自學習控制+15%的閉環和前饋控制

注意，這裡說到的開環控制和目前現狀中的開環控制有本質區別。

我很贊同一個觀點，就是之所以現在汽車領域依舊需要這麼多的黑盒子PID反饋，正是因為我們本身對控制對象難以做到精確建模和對物理現象有本質的了解。與其崇拜一個完美的PID，不如崇拜最底層的物理規律。當我們能對一個複雜物理系統精確建模的時候，開環控制加上非常簡單的閉環做補充就能達到最好的控制效果。

現在我們做開環大多是因為不得已而為之，未來會有大量建立在對物理模型精確定義上的開環控制則是因為這是最為優化的控制方式。

已經有很多公司在向相關方向發展， ETAS的 ASCMO號稱能通過採集實際數據對類似發動機這樣的複雜系統直接建立準確物理模型，雖然我很懷疑目前這個系統的準確度，但是確實是未來控制的趨勢。圖片來自：ETAS - ETAS ASCMO

而隨著機器學習演算法在各個領域的普及，更主要的是用戶對個性化定製產品的追求，自學習和自適應也會更多用在工業產品上，作為一個長期的閉環演算法來使用。反倒是現在使用的PID這樣的快速閉環演算法比例可能會大幅下降。

===============================

關於不同控制演算法針對實時控制軟體在Simulink中的實現，歡迎關注我下一場Live：知乎 Live - 全新的實時問答

這場Live比較適合的聽眾是控制演算法在工業尤產品比如汽車中的使用和設計者，相對不太適合的是控制理論和演算法的研究者。

簡單縱觀一下控制的發展史，從自動控制理論到現代控制理論，我們完成了簡單系統控制到複雜控制系統的轉變（輸入輸出變數增多、控制精度增大）。從現代控制理論再到智能控制，我們完成了從精度研究到控制具體功能的轉變（我們越來越希望控制人性化、而非簡單的精準）。現如今計算機科學大行其道，機器學習、深度學習、大數據、雲計算的發展給我們的控制帶來了新的思路。我認為未來的控制方向會越來越趨向利用已知經驗來讓下一個動作具有更好的表現。未來的重點會從追求精準到追求效果發展。很多東西的控制並不是精確的問題，比如洗衣機的控制，每次加不同的衣服進去，我們要做的不是希望每次洗的時間一樣，而是希望通過衣服的難洗程度和衣服的多少來判斷洗多少時間。對這類問題很難說有最好的結果。而智能控制方法一般是通過把之前的經驗數據扔給控制器，讓控制器來判斷怎麼樣洗比較合適。所以，未來的重點或許會越來越貼近數據，貼近經驗，不斷優化演算法，使其達到合理的性能（而非精準的性能）。

科學，系統地確定pid參數

控制的未來是從控制機器到控制人的轉變，當下的控制還是處於控制機器的階段，本質來說現代控制和瓦特發明蒸汽機的時代是同一個，因此未來的控制已不是針對機器的控制，而是控制人。

人是控制機器的決定因素，對人的控制其實是對整個生產過程、控制過程中的決定因素進行控制，從而實現更高效、節能、精確、穩定、快速

個人感覺控制理論發展有兩個趨勢：

理論派

控制理論需要精確地動力學模型，所以在學界，大家會嘗試儘可能地將控制對象以及其所在環境的模型弄準確，再結合李雅普諾夫函數去找出高效的控制律。這方面對數學和物理要求很高，也是學術界區分你是菜鳥還是大神的重要標杆。一些大牛會很鄙視那種動不動就用神經網路等智能演算法的人，認為這些研究者的數學功底不夠，只能靠這些說不清楚的東西糊弄人。

工程派

這派認為我們不能過度強調精確建模，因為這樣設計出的控制律魯棒性較低，適應能力較弱，實際應用起來範圍太窄。他們會嘗試通過學習的方式，去估計出未建模的部分，典型的一種控制策略是自抗擾控制，它是由我國學者提出的一種策略。

控制永遠都不是空中樓閣，控制的未來在於更多的和工程實際上結合，解決工程問題。

謝邀，我個人認為是智能控制。。。因為母校前些年新增了一個專業——智能控制

上個禮拜，老師請來學界大牛 Stephen A Morse, 還特意抽了一個小時和我們學控制的研究生聊天。我就問了個類似的問題。Morse回答，我才不告訴你呢！同學們都笑了，一看就知道年輕人還沒找到好課題。

然後，Morse還是回答我了，他說以後的系統需要更「彈性」。彈性，指一個系統有多個控制器或者有多個觀測器，單一的某個控制器或者觀測器都不能控制或預測所有狀態，當一個控制器或觀測器被關閉後，系統仍可以正常控制或者預測所有狀態，系統恢復正常後，仍進行正常控制。整個過程中，不需要人為調整。這樣的性質可以很好地抵抗網路攻擊。

這是個很有意思的問題。還有最近機器學習很火，如何將機器學習和控制結合起來也很有意思，這樣可以實現自適應的優化控制。這個課題已經有一些結果了，可以看看Frank Lewis的paper。

最後，還是說一句教授一直提醒我們的話，做研究最重要的還是提出一個條理清晰，有研究價值的問題，然後解決它。

空話大話誰都會說。

最近正好是畢業階段，畢業論文也快完成了，正好可以回答一下這個問題。

我們實驗室搞的主要是高爐控制，高爐就是冶金工業里的時效爐，退火爐，淬火爐等。所以只要有人問我的研究方向，我有時候都會回答自己是燒鍋爐的。下面進入正題，講講自己的認識。

目前針對高爐的溫度控制問題，有師姐針對淬火爐做了相當大量和深入的研究，從淬火爐三個時段分別建模然後做控制，撐起了博士畢業論文，也有大部分師兄師姐做了相關研究。但是從我看的文獻來看，就從高爐來說，關一個建模都可以寫一篇碩士論文，而且往往最後模型都是用辨識建模方法完成的，也就是說要機理建模的話，估計要把爐子的內外結構研究透徹，各種傳熱定律了解，工作量會大的驚人，所以在機理建模方面一直沒什麼進展。

而關於控制方法，工程領域，使用的都是經典控制演算法，比如PID，因為簡單又穩定，成本低效果好，大家都喜歡用。在研究領域就五花八門，但是大部分控制方法其實都是建立在模型基礎上的，所以要是模型建不好，控制演算法再厲害也是白搭。

所以我覺得控制說到底還是建模的問題，而建模，那就要看你還想走理論派的從物理方面上建立被控對象的機理模型，還是利用越來越大熱的大數據辨識模型了，反正我覺得都不容易。

智能機器人，強化學習。

過去叫自動控制，現在叫人工智慧，就看你怎麼說了。中國人工智慧模式識別全在自控系裡面，這些都是熱點

比較複雜，互聯繫統

機器人是個發展方向

分散式控制