2. 闭环控制基础与边缘AI融合
在边缘AI设备中，控制回路是设备真正“动起来”的核心。无论是云台稳定、电机调速、温控加热，还是无人机姿态保持，其本质都是同一个结构：测量被控量、与目标值比较、根据偏差计算控制量、驱动执行器、再次测量。这个循环一旦闭合，系统就具备了抵抗扰动、跟踪设定值的能力。本节先建立反馈控制的基本语言，再引入状态观测、PID与MPC，最后说明AI在感知—决策—执行回路中的位置。
一、反馈控制的基本结构
一个典型的单回路反馈系统包含五个要素：设定值 r、被控量 y、偏差 e = r − y、控制器 C、被控对象 P。传感器测得 y，与 r 相减得到 e，控制器据此输出控制量 u，执行器作用于对象，使 y 向 r 靠近。这里约定：偏差定义为设定值减测量值，正偏差表示当前值低于目标，需要增大控制输出。全文与图示均采用这一约定。
反馈的价值在于“用结果修正原因”。开环系统按预设输出动作，一旦负载变化、摩擦增大或电压波动，输出就会偏离；闭环系统则通过持续测量把偏差压回去。代价是引入了稳定性问题：增益过高会振荡，积分过强会超调，采样与执行延迟会侵蚀相位裕度。因此闭环设计始终在快速性、准确性、稳定性之间权衡。
二、状态观测：看不见的量如何估计
很多被控量无法直接测量。例如电机转子磁链、无人机水平速度、电池内部温度，往往只能通过电流、电压、位置等可测量间接推断。状态观测器用系统模型和可测输入输出，构造一个对真实状态的估计 x̂。以离散形式为例：
x̂[k+1] = A·x̂[k] + B·u[k] + L·(y[k] − C·x̂[k])
其中 L 是观测器增益，(y − C·x̂) 是测量残差。残差越大，说明估计偏离实际，L 就把它按比例修正回估计值。观测器收敛速度由 A − L·C 的特征值决定，通常取比控制器快 2～5 倍，使估计先于控制稳定。在边缘设备上，观测器常与传感器融合结合：IMU 高频但漂移，视觉低频但绝对，用互补滤波或卡尔曼滤波即可得到更可信的姿态估计。
三、PID与MPC：两种控制思路
PID 是最常用的反馈控制器，输出为三项之和：
u(t) = Kp·e(t) + Ki·∫e dt + Kd·de/dt
比例项决定响应力度，积分项消除稳态误差，微分项抑制超调、提供阻尼。工程上常用增量式或抗积分饱和实现。以位置环为例，若 Kp = 2.0、Ki = 0.5、Kd = 0.05，采样周期 1 ms，则每毫秒根据偏差更新一次输出。调参顺序通常是先加 Kp 到出现小幅振荡，再退回到临界值的 60%～70%，然后加 Ki 消除静差，最后加 Kd 压超调。判断依据是阶跃响应：上升时间、超调量、调节时间与稳态误差。
MPC（模型预测控制）则不同：它在每个控制周期内，用系统模型预测未来 N 步的输出，求解一个带约束的优化问题，只执行第一步控制量，下一周期重新预测。其优势是能显式处理输入限幅、状态约束和多变量耦合，适合有明确物理边界的场景，如电机电流上限、关节角度范围、温度安全阈值。代价是计算量较大，需要在边缘芯片上做定点化、缩短预测时域或采用显式MPC查表。
四、AI在感知—决策—执行回路中的角色
把AI放进闭环，不是让它取代PID，而是补足传统控制不擅长的环节。具体可分三层：
- 感知层：用神经网络做图像目标检测、语音唤醒、振动信号分类，或对传感器做去噪与异常检测。例如用轻量CNN在边缘端以 30 fps 识别传送带上的工件位置，输出坐标给控制器作为设定值。
- 决策层：用学习模型做参数自适应、增益调度或预测。例如根据负载电流与温度，在线输出PID的
Kp、Ki修正量；或用小型网络逼近MPC的优化结果，降低在线求解负担。 - 执行层：用前馈补偿、残差修正或动作平滑，把AI输出叠加到控制量上。例如机械臂抓取时，AI预测抓取点偏移，控制器在此基础上做闭环微调。
关键约束是实时性与安全性。AI推理必须在控制周期内完成，否则会引入额外延迟，破坏相位裕度。工程上常采用“AI慢回路 + PID快回路”的双层结构：AI以 10～50 ms 更新目标或参数，PID以 1 ms 执行底层跟踪。同时必须设置安全兜底：当AI输出越界、置信度过低或推理超时，立即切回固定参数PID或安全停机。
五、一个可复现的调参观察示例
以直流电机位置环为例，采样周期 1 ms，目标为 90° 阶跃。先只加 Kp = 1.5，观察响应：上升时间约 120 ms，稳态误差约 8°，说明比例增益不足。将 Kp 提到 3.0，上升时间降到 60 ms，但出现约 15% 超调。加入 Ki = 0.8 后稳态误差降到 0.5° 以内，但超调增至 22%。最后加 Kd = 0.08，超调回落到 8%，调节时间约 180 ms。判断是否合格，看三条：稳态误差是否小于目标精度、超调是否在机械允许范围、调节时间是否满足节拍要求。若仍不达标，再考虑加入前馈或改用MPC处理约束。
总结来看，反馈控制提供稳定跟踪的骨架，状态观测补上不可测量的缺口，PID与MPC分别对应“轻量快速”和“约束优化”两类实现，而AI的价值在于让感知更准、决策更聪明、执行更精细。三者不是替代关系，而是分层协作：底层保证实时与安全，上层提供适应性与智能。理解这条回路，后续的边缘部署、模型压缩与实时调度才有明确的落点。