2. 高频面试问题与回答框架
本章聚焦机器人控制算法面试中最常出现的三个基础问题。回答此类问题需遵循“定义→原理→方法→对比→实战”的五步框架，既能展现理论深度，又能体现工程思维。
核心知识对比表
| 方法 | 核心思想 | 适用场景 | 常见面试难度 |
|---|---|---|---|
| PID | 误差比例+积分+微分 | 电机/关节伺服控制 | ⭐⭐ |
| 运动学逆解 | 从笛卡尔空间到关节空间 | 机械臂末端控制 | ⭐⭐⭐ |
| LQR vs MPC | 最优控制 vs 预测控制 | 移动机器人/灵巧手 | ⭐⭐⭐⭐ |
🎯 面试问题1：请解释PID控制的原理，并说明如何整定PID参数？
面试官考察点：基础控制理论掌握程度、参数整定工程经验、对超调/稳态误差的理解。
回答框架：定义PID → 各环节作用（P减小误差，I消除静差，D抑制震荡） → 调参方法（临界比例度法/衰减曲线法） → 实际机器人中的注意事项（积分饱和、微分噪声） → 自己项目中的调参经验。
示例回答：PID基于误差计算控制量，P加快响应但产生超调，I消除稳态误差但可能引起震荡，D增加阻尼提前抑制。我常用临界比例度法：先设I=0、D=0，增大P至系统等幅振荡，记录临界增益Kc和周期Tc，再按Z-N经验公式计算。在机器人关节控制中，需加入积分限幅和微分滤波防止驱动器饱和。
可能追问：① 积分饱和如何解决？② 数字PID的增量式和位置式区别？③ 如何用频域法分析PID稳定性？
🎯 面试问题2：什么是机器人运动学逆解？如何求解？
面试官考察点：对D-H参数法的理解、多解问题处理能力、解析法与数值法的选择。
回答框架：定义逆解（已知末端位姿求关节角） → 建模方法（D-H参数建立连杆坐标系） → 求解方法（解析法：Pieper准则/代数法；数值法：牛顿-拉夫森迭代） → 多解选择（关节限位、最小行程、避障） → 实际应用（如“在UR5机器臂上使用解析法获得8组解，根据当前关节位置选择最近解”）。
示例回答：运动学逆解指从末端位姿计算出各关节角。我常用D-H参数建立模型，优先用解析法（如Pieper准则适用于六轴机器人后三轴相交）。在项目中处理多解时，先排除超出关节限位的解，再选择与当前关节角变化最小的解，避免突变。当解析法无解时，改用数值迭代结合雅可比伪逆。
可能追问：① 如何判断是否存在逆解？② 雅可比矩阵在逆解中的作用？③ 如何处理奇异位形？
🎯 面试问题3：请比较LQR和MPC的优缺点及应用场景。
面试官考察点：现代控制理论视野、方法选型能力、实时性/约束处理意识。
回答框架：两者都是最优控制 → LQR：无约束、离线计算、无限时域，适用于线性系统；MPC：可处理约束、滚动优化、有限时域，适用于非线性/模型失配系统 → 具体对比（计算量、鲁棒性、实现复杂度） → 选型建议（云台调姿用LQR，移动机器人轨迹跟踪用MPC） → 个人项目经验。
示例回答：LQR基于Riccati方程求解最优增益，响应快、实时性好，但无法显式处理约束；MPC在每个控制周期求解带约束的优化问题，能处理关节限位、速度上限等，但计算量大。在轮式机器人项目中，我使用LQR做陀螺稳定云台，使用MPC做全局轨迹跟踪，因为后者可直接加入障碍物避让约束。
可能追问：① MPC的终端约束作用？② LQR如何扩展至非线性系统（iLQR）？③ 实时MPC常用的求解器？