4. 前馈控制：前馈控制原理、重力补偿与摩擦力补偿、前馈与反馈的协同

说到前馈控制，我脑子里第一个蹦出来的画面，是刚入行时调一个六轴机器人。那家伙在低速时抖得像筛糠，我折腾了一周的PID参数，效果都不理想。后来一位老工程师走过来，淡淡说了句：“你试试加个重力前馈。” 嗯，从那以后，我才真正理解了什么叫“防患于未然”。

反馈控制是“出了错再纠正”，前馈控制则是“提前预判，主动补偿”。两者结合，才是工业级关节控制的精髓。

4.1 前馈控制原理

前馈控制的核心思想很简单：既然知道扰动或目标的变化规律，为什么不提前把补偿量算进去？

举个例子，你让电机从静止加速到1000rpm。反馈控制要等到实际速度与目标速度出现偏差才开始加力，这必然有滞后。而前馈控制直接根据加速度需求，提前给出一份“预估力矩”。

前馈控制的数学本质：

τ_ff = M(q) · q̈_des + C(q, q̇) · q̇_des + G(q) + F(q̇)

其中：τ_ff 为前馈力矩，M为惯性矩阵，C为科氏力/离心力项，G为重力项，F为摩擦力项。

说白了，前馈就是“开环地预测系统需要多少力”。它不依赖误差，只依赖模型和期望轨迹。

特性	前馈控制	反馈控制
触发条件	期望轨迹变化	实际误差出现
响应速度	即时（无滞后）	有滞后（等待误差）
依赖条件	精确模型	误差信号
抗干扰能力	弱（无法应对未建模扰动）	强（能抑制扰动）

我的经验：前馈不是万能的。模型越准，前馈效果越好。但如果你连关节的减速比都搞错了，前馈反而会帮倒忙。我建议先做系统辨识，再上前馈。

4.2 重力补偿

重力补偿是前馈控制里最基础、也最常用的一项。你想想看，一个机械臂在水平位置和竖直位置，重力对每个关节的影响完全不同。如果只用反馈去扛，那低速时的位置静差会非常明显。

重力补偿的计算公式：

// 伪代码：重力补偿计算
float gravity_compensation(JointState q) {
    // 根据当前关节角度，计算重力矩
    float G[6];
    G[0] = m1 * g * l1 * cos(q[0]) + m2 * g * (l1*cos(q[0]) + l2*cos(q[0]+q[1]));
    G[1] = m2 * g * l2 * cos(q[0] + q[1]);
    // ... 更多关节
    return G;
}

实际工程中，重力补偿通常以两种方式实现：

静态重力补偿：只在关节静止或极低速时生效，补偿重力引起的稳态误差。
动态重力补偿：实时根据关节角度计算重力矩，随运动连续更新。

注意：我曾经在一个协作机器人项目里，只做了静态重力补偿。结果机器人一跑起来，末端抖动得厉害。后来才发现，动态重力补偿的更新频率至少要达到控制周期的2倍，否则会引入高频噪声。

重力补偿的调试步骤，我一般这样走：

让机器人处于空载状态，记录各关节角度。
手动推动机器人，感受重力矩的变化。
根据DH参数计算理论重力矩。
在控制器中开启重力补偿，观察位置误差是否减小。
微调质心位置和质量参数，直到误差在允许范围内。

4.3 摩擦力补偿

摩擦力这东西，说大不大，说小不小。但在精密定位场景下，它往往是“最后一公里”的拦路虎。我调过一台高精度转台，反馈控制已经把误差压到0.01度以内了，但就是过不去。最后发现是静摩擦力在作祟。

摩擦力模型有很多种，工程上常用的有：

模型	表达式	适用场景
库仑+粘滞	F = F_c·sign(v) + B·v	中高速运动
Stribeck模型	F = F_c + (F_s - F_c)·e^-(v/v_s)² + B·v	低速/换向场景
LuGre模型	动态模型（鬃毛模型）	高精度仿真

实际代码实现时，我通常用分段函数：

// 摩擦力补偿（库仑+粘滞）
float friction_compensation(float velocity) {
    float Fc = 0.5;   // 库仑摩擦力矩 (Nm)
    float B  = 0.02;  // 粘滞摩擦系数 (Nm·s/rad)
    float epsilon = 0.01; // 死区阈值

    if (fabs(velocity) < epsilon) {
        return 0.0;  // 速度接近零时，不补偿（避免震荡）
    } else {
        return Fc * sign(velocity) + B * velocity;
    }
}

避坑指南：我曾经在低速时直接用了库仑模型，结果关节在零速附近来回切换方向，产生了极限环震荡。后来加了死区，并在死区内用线性插值过渡，问题才解决。记住：摩擦力补偿不是越精确越好，稳定第一。

4.4 前馈与反馈的协同

前馈和反馈不是二选一，而是搭档。前馈负责“大头”，反馈负责“小头”和“意外”。

典型的控制结构是这样的：

// 总控制力矩 = 前馈 + 反馈
float total_torque = feedforward_torque + feedback_torque;

// 前馈部分：重力 + 摩擦力 + 惯性力
feedforward_torque = gravity_comp(q) + friction_comp(qd) + inertia_comp(q, qdd);

// 反馈部分：PID
feedback_torque = Kp * error + Ki * integral + Kd * derivative;

我个人的习惯是：先调好反馈，让系统稳定。然后逐步加入前馈，观察误差变化。如果前馈加得太多，反馈反而会“对抗”前馈，造成系统振荡。

协同原则：

前馈覆盖已知的、可建模的力矩需求（重力、摩擦力、惯性力）。
反馈覆盖未知的、不可建模的扰动（外部负载、模型误差、噪声）。
前馈占比通常为总力矩的60%-80%，反馈占20%-40%。

下面这张图，是我自己总结的前馈与反馈协同控制流程：

从图中可以看到，期望轨迹同时进入前馈和反馈两条路径。前馈直接给出预测力矩，反馈根据实际误差做修正。两者在求和节点合并，最终驱动关节。

一个常见的坑：前馈和反馈的带宽不能重叠太多。如果前馈的响应频率和反馈的积分频率接近，两者会互相“抢功”，导致系统出现低频振荡。我一般把前馈的截止频率设得比反馈的穿越频率低一个数量级。

最后说一句：前馈控制不是锦上添花，而是雪中送炭。尤其在高速、高精度、大惯量场景下，没有前馈，反馈再强也白搭。但前提是——你得把模型搞准。模型不准的前馈，还不如没有。

📚 课程目录

4. 前馈控制：前馈控制原理、重力补偿与摩擦力补偿、前馈与反馈的协同

4.1 前馈控制原理

4.2 重力补偿

4.3 摩擦力补偿

4.4 前馈与反馈的协同