第26章 自适应控制：负载变化自适应、参数在线辨识、鲁棒性设计

各位工程师朋友，大家好。今天我们来聊聊自适应控制。说实话，这个主题在运动控制里属于「高阶玩法」。很多做了一辈子运动控制的工程师，可能都没真正碰过它。但我个人觉得，如果你想从「调参工」进阶到「算法工程师」，这一章是绕不开的。

为什么？因为现实世界太「脏」了。你想想看，一个机械臂今天抓个1kg的零件，明天换个5kg的夹具，后天末端再装个气动夹爪。负载一直在变，你总不能每次都手动调PID吧？自适应控制，就是让系统自己学会「适应」这些变化。

26.1 负载变化自适应：为什么PID搞不定？

先讲个我自己的经历。几年前我调试一个六轴工业机器人，空载时位置跟踪误差在0.1mm以内，效果很好。结果一装上20kg的工件，末端抖动得跟筛子似的。我当时第一反应是「加大增益」，结果高频噪声又出来了。

为什么会这样？因为负载变化改变了系统的惯量。惯量一变，系统的谐振频率、阻尼比全变了。固定增益的PID，说白了就是「刻舟求剑」。

负载变化自适应的思路其实很朴素：

• 前馈补偿：把负载变化当作已知扰动，用前馈模型直接补偿
• 增益调度：预先标定不同负载下的最优参数，在线查表切换
• 模型参考自适应：让实际系统去跟踪一个理想模型的行为

我个人比较推荐第三种。它不需要你事先知道负载到底多重，系统自己会「摸索」出来。

26.2 参数在线辨识：让系统「长眼睛」

自适应控制的核心，就是参数在线辨识。说白了，就是让控制器一边干活，一边「偷看」系统的状态，然后悄悄更新自己的内部模型。

常用的方法有几种：

方法	原理	适用场景	我踩过的坑
递推最小二乘（RLS）	用历史数据递归更新参数估计	慢变参数系统	数据饱和导致参数漂移
梯度下降法	沿误差梯度方向修正参数	实时性要求高	学习率选不好容易发散
卡尔曼滤波	状态与参数联合估计	噪声较大的系统	计算量大，嵌入式吃力
模型参考自适应（MRAC）	用参考模型输出与实际输出之差驱动参数更新	伺服系统、机器人	参考模型设计不当会震荡

这里我重点说一下RLS。我曾经在一个焊接机器人项目里用过它。焊接过程中，焊丝不断消耗，末端负载在缓慢变化。RLS能很好地跟踪这个变化。但有个坑——数据饱和。当系统运行时间长了，旧数据权重太大，新数据对参数更新的贡献越来越小。解决办法是加一个遗忘因子，让旧数据慢慢「失效」。

26.3 鲁棒性设计：别让自适应「玩脱了」

说到这，我得泼盆冷水。自适应控制不是万能的。搞不好，它会比固定参数更糟糕。我见过一个案例，某团队在机器人上跑自适应算法，结果负载突变时参数估计瞬间发散，电机直接飞车了。

这就是鲁棒性问题。自适应控制本质上是一个「带反馈的反馈」——参数更新本身也是一个动态系统。如果这个外环设计不好，整个系统可能失稳。

鲁棒性设计有几个关键点：

• 参数投影：给参数估计值加个「笼子」，不让它跑到物理上不可能的范围。比如惯量估计值不能为负。
• 死区处理：当误差很小时，停止参数更新。避免噪声导致参数「乱跳」。
• σ-修正：在参数更新律中加入一个阻尼项，防止参数漂移。
• 持久激励条件：系统必须有足够的激励，参数才能正确收敛。如果一直匀速运动，你永远辨识不出惯量。

26.4 一个简单的MRAC实现示例

光说不练假把式。我给大家看一个简化的模型参考自适应控制代码。这里假设被控对象是一个一阶系统，参考模型是一个理想的一阶系统。

// 简化版MRAC实现（伪代码风格）
// 被控对象： dx/dt = -a*x + b*u
// 参考模型： dxm/dt = -am*xm + bm*r
// 控制器：   u = θ1*r + θ2*x
// 自适应律： dθ1/dt = -γ*(x - xm)*r
//            dθ2/dt = -γ*(x - xm)*x

float x, xm;          // 实际输出和参考模型输出
float r;              // 参考输入
float theta1, theta2; // 自适应参数
float gamma = 0.5;    // 自适应增益
float am = 10.0;      // 参考模型参数
float bm = 10.0;

void MRAC_Update(float dt) {
    // 1. 更新参考模型
    float dxm = -am * xm + bm * r;
    xm += dxm * dt;
    
    // 2. 计算跟踪误差
    float e = x - xm;
    
    // 3. 更新自适应参数（带投影）
    float dtheta1 = -gamma * e * r;
    float dtheta2 = -gamma * e * x;
    
    // 参数投影：防止参数跑飞
    if (theta1 + dtheta1*dt < 0) dtheta1 = -theta1/dt;
    if (theta2 + dtheta2*dt < 0) dtheta2 = -theta2/dt;
    
    theta1 += dtheta1 * dt;
    theta2 += dtheta2 * dt;
    
    // 4. 计算控制量
    u = theta1 * r + theta2 * x;
}

这段代码看着简单，但有几个细节要注意：

• 自适应增益γ不能太大，否则系统会震荡。我一般从0.1开始试。
• 参数投影是保命用的。没有它，参数可能收敛到负值，导致正反馈。
• 参考模型的时间常数要比实际系统快，但也不能太快，否则控制器会「够不着」。

26.5 工程落地的几点忠告

最后，我结合自己的经验，给大家几条实在的建议：

1. 别一上来就搞全自适应。先搞清楚你的负载变化有多大、变化有多快。如果变化很慢，用增益调度就够了。
2. 参数辨识一定要加保护。我习惯在代码里写死参数的上限和下限。比如惯量估计值不能小于空载惯量的50%，不能大于满载惯量的150%。
3. 自适应和鲁棒性是一体两面。自适应能力越强，鲁棒性往往越差。你需要在这两者之间找平衡。
4. 仿真跑通了再上真机。这个不用我多说吧？我在仿真里踩过的坑，比真机多十倍。
5. 别忘了「退出机制」。如果系统检测到参数估计异常（比如方差过大），应该自动切回固定参数模式，并报警。

嗯，这一章就到这里。下一章我们聊聊更进阶的内容——迭代学习控制，专门对付重复性运动中的周期性误差。到时候见。