第3章 控制理论与算法高频题：PID控制、前馈控制、LQR、MPC、自适应控制
本章导读 控制理论是机器人控制研发工程师的核心竞争力。本章聚焦面试最高频的五类算法——PID、前馈控制、LQR、MPC、自适应控制，提供结构化回答框架、公司侧重点对比及实战项目模板，帮助你从“原理背诵”升级为“工程表达”。
知识结构：控制方法全景对比
| 控制方法 | 适用场景 | 核心优势 | 主要局限 | 公司侧重点 |
|---|---|---|---|---|
| PID控制 | 工业控制、简单轨迹跟踪 | 结构简单、实现容易、鲁棒性强 | 无约束处理、参数依赖经验 | 大疆、华为（强调调参工程能力） |
| 前馈控制 | 高精度跟踪、已知扰动补偿 | 响应快、可补偿已知动态 | 依赖精确模型 | 新松、埃斯顿（强调复合控制） |
| LQR | 平衡控制、状态调节、简单路径跟踪 | 最优性能、计算量小、理论成熟 | 无约束、线性模型假设 | 百度、蔚来（强调理论基础） |
| MPC | 轨迹跟踪、避障规划、带约束场景 | 支持约束、预见性滚动优化 | 计算量大、依赖模型精度 | 美团、京东（强调工程落地） |
| 自适应控制 | 参数时变、负载变化、非线性系统 | 在线调整、适应性强 | 稳定性分析复杂、实现难度高 | 优必选、小米（强调创新能力） |
面试问答实战
面试问题
请介绍PID控制的原理及其参数整定方法，并说明如何与前馈控制结合使用？
面试官考察点
- 对PID基础原理的掌握是否扎实
- 是否有实际的参数整定工程经验
- 是否理解前馈-反馈复合控制的结构与前提
回答框架
- 原理简述：比例、积分、微分三项的物理含义
- 整定方法：Ziegler-Nichols、临界比例度法、试凑法
- 前馈结合：基于模型补偿已知扰动，构成前馈-反馈复合控制
- 工程注意：前馈依赖模型精度，反馈弥补残余偏差
示例回答
PID基于误差的比例、积分、微分计算控制量。常用Ziegler-Nichols、临界比例度法及试凑法整定参数。前馈控制基于模型补偿已知扰动，与PID构成前馈-反馈复合控制，可提升响应速度与抗干扰能力，但前馈依赖模型精度，反馈弥补残余偏差。
可能追问
- 积分饱和如何处理？（积分分离、抗饱和积分）
- 前馈控制需要什么条件？（模型已知、扰动可测或可前馈）
- PID在非线性系统中如何改进？（增益调度、自适应PID）
避坑提醒 不要只背公式，要结合工程场景说明参数调整经验。例如“在电机速度环中，先调比例消除静差，再加积分，最后加微分抑制超调”。
面试问题
请比较LQR和MPC的异同点，在机器人控制中如何选型？
面试官考察点
- 是否理解两种算法的本质区别
- 是否具备工程选型的权衡思维
- 是否了解机器人场景对控制器的约束需求
回答框架
- 算法本质：LQR无限时域→最优控制；MPC有限时域→滚动优化
- 核心差异：约束处理、计算量、模型形式
- 选型依据：简单场景选LQR，复杂约束选MPC
- 实践建议：LQR作为MPC的基准对比，两者可互补
示例回答
LQR为无限时域最优控制，无约束，计算量小，适合线性系统；MPC为有限时域滚动优化，支持约束，计算量大。机器人路径跟踪中，简单场景选LQR，复杂约束场景选MPC。实际工程中常将LQR作为MPC的基准对比算法，两者互补。
可能追问
- LQR的Q/R矩阵如何调参？（Bryson法则、试凑法）
- MPC的预测时域如何选择？（影响稳定性与计算量）
- MPC如何处理模型失配？（鲁棒MPC、扰动估计）
避坑提醒 不要只罗列区别，要结合具体机器人应用场景说明选型逻辑。加分点：提到“MPC在自动驾驶中处理避障约束，LQR在四轴飞行器姿态控制中更常见”。
面试问题
什么是自适应控制？在机器人控制中有哪些典型应用场景？
面试官考察点
- 对自适应控制核心思想的理解是否准确
- 是否知道自适应控制的主要分类
- 能否结合机器人场景说明适用条件与局限性
回答框架
- 定义与原理：在线调整控制器参数应对不确定性
- 主要分类：模型参考自适应、自整定控制
- 应用场景：负载变化、摩擦补偿、质心变化
- 注意事项：需保证系统稳定性，避免参数漂移
示例回答
自适应控制能在线调整控制器参数以应对系统参数不确定或时变。主要分为模型参考自适应和自整定控制。在机器人中用于负载变化补偿、关节摩擦辨识、无人机质心变化等场景，但需严格证明稳定性，避免参数漂移。
可能追问
- 自适应控制与鲁棒控制的区别？（主动调整 vs 固定鲁棒）
- 自适应控制的稳定性如何保证？（Lyapunov稳定性理论）
- 参数漂移问题如何解决？（σ修正、死区修正）
避坑提醒 不要与鲁棒控制混淆。自适应控制是“主动调整参数”，鲁棒控制是“固定控制器应对不确定范围”。面试中可举例“机器人抓取不同重量物体时，自适应控制在线调整增益”。
项目案例：基于MPC的差速轮式移动机器人轨迹跟踪控制
项目类型 机器人运动控制 · 硕士课题 / 企业实战
| 维度 | 内容 |
|---|---|
| 项目名称 | 基于MPC的差速轮式移动机器人轨迹跟踪控制系统 |
| 业务背景 | 仓储AGV需要在狭窄通道中高精度跟踪路径，同时满足速度、加速度及安全距离约束 |
| 规模指标 | 定位精度 ±2cm · 最大速度 1.5m/s · 3种不同负载条件（空载/半载/满载） |
| 技术栈 | ROS · MPC（Acado/OSQP求解器） · 状态估计（EKF） · 差速运动学模型 |
| 核心难点 | 在满足电机限幅和安全距离约束下实现平滑轨迹跟踪，负载变化导致模型参数时变 |
面试高频追问
- MPC的模型预测误差如何处理？ 引入扰动观测器进行前馈补偿，或采用鲁棒MPC设计
- 预测时域与控制时域如何设计？ 根据系统动态时间常数与采样周期权衡，通常预测时域为控制时域的3~5倍
- 实时性如何保证？ 采用OSQP高效求解QP问题，控制周期控制在20ms以内
- 负载变化时MPC参数是否需要调整？ 可引入自适应MPC或在线更新模型参数
可迁移回答话术 从“约束条件”和“滚动优化”两个角度展开MPC优势，强调相比PID的核心差异在于预见性控制与显式约束处理。面试中可从“模型精度—实时性—约束复杂度”三角权衡切入，展示系统工程思维。
示例：“本项目通过MPC同时处理了速度限幅、加速度平滑和安全距离三个约束，这是PID无法直接实现的。我们采用OSQP求解器将控制周期压缩到20ms，并通过EKF状态估计保证模型精度。”
示例：“本项目通过MPC同时处理了速度限幅、加速度平滑和安全距离三个约束，这是PID无法直接实现的。我们采用OSQP求解器将控制周期压缩到20ms，并通过EKF状态估计保证模型精度。”
复习提示 控制算法面试中，公司越来越关注“工程落地能力”。建议在准备每个算法时，都准备一个对应的“真实项目片段”——哪怕只有200字，也能在回答中自然引出，形成差异化优势。