上篇讲完传感器选型，传感器与数据处理系列算是告一段落了。从这篇开始，我们进入一个全新的阶段——控制理论。

为什么传感器讲完了紧接着讲控制？因为传感器是"感知"，控制是"决策和执行"。你感知到了障碍物的距离、关节的角度、机器人的位姿，然后呢？你得让机器人做出反应——停下来、转弯、调整姿态。这个"做出反应"的过程，就是控制。

讲真，控制理论是机器人软件工程师面试中区分度最高的模块。C++你写得好，说明编程功底扎实。ROS2你熟悉，说明工程能力强。但控制理论你能讲清楚，说明你懂机器人的"灵魂"。面试官对控制理论聊得深的人，通常会高看一眼。

这篇先不急着推公式，我们从宏观上把控制理论的版图看清楚——经典控制、现代控制、智能控制，这三大流派到底在干嘛，有什么区别，面试中怎么聊。

经典控制：一个输入一个输出的艺术

经典控制理论，说白了就是围绕传递函数和频域分析建立起来的一套方法论。它的黄金时代是上世纪四五十年代，那时候航空航天工业刚起步，工程师需要一种实用的方法来设计控制器。

经典控制的核心工具是传递函数。你把系统的微分方程做拉普拉斯变换，得到一个关于s的有理分式，然后分析这个分式的零极点分布，就能判断系统稳不稳定、响应快不快、超调大不大。

经典控制最常用的控制器就是PID——比例、积分、微分三项的组合。你别看它结构简单，工业界90%以上的控制回路用的还是PID。为什么？因为好用、好调、好理解。

面试的时候，如果面试官问"你对经典控制理论了解多少"，你至少要能聊这几个点：传递函数的定义和物理意义、零极点对系统响应的影响、稳定性的频域判据（奈奎斯特稳定判据、伯德图）、PID三项各自的物理意义。

经典控制的局限性也很明显——它只能处理单输入单输出（SISO）系统。你的机器人有6个关节、12个电机，每个关节都要控制，这些关节之间还有耦合。经典控制处理这种多输入多输出（MIMO）系统就很吃力了。

现代控制：状态空间里的矩阵运算

现代控制理论从上世纪六十年代开始发展，核心工具是状态空间法。

跟经典控制用传递函数描述系统不同，现代控制用一组一阶微分方程（状态方程）来描述系统。这些方程写成矩阵形式，非常适合计算机求解。

import numpy as np

# 状态空间模型
# dx/dt = A*x + B*u
# y = C*x + D*u

A = np.array([[0, 1], [-2, -3]])  # 系统矩阵
B = np.array([[0], [1]])           # 输入矩阵
C = np.array([[1, 0]])             # 输出矩阵
D = np.array([[0]])                 # 直通矩阵

# 状态向量
x = np.array([0, 0])
u = 1.0  # 阶跃输入

# 仿真一步
dt = 0.01
x_dot = A @ x + B * u
x_next = x + x_dot * dt
y = C @ x_next + D * u
print(f"状态: {x_next}, 输出: {y}")

状态空间法最大的优势是能处理多输入多输出系统。你的机器人有n个关节，状态向量就是n维的，状态方程就是n×n的矩阵运算，天然支持MIMO。

现代控制的另一个核心概念是可控性和可观性。可控性说的是"我能不能通过输入把系统从任意状态驱动到任意另一个状态"，可观性说的是"我能不能通过输出推断出系统的内部状态"。这两个概念在面试中出现的频率非常高。

之前面试一个做人形机器人的团队，面试官问了一个很经典的问题："你的系统可观吗？如果不可观会怎样？"这个问题其实是在问你——你的传感器信息够不够用？如果你需要估计某个状态量，但现有的传感器组合无法提供足够的信息来推断它，那系统就是不可观的，你根本估不出来。

现代控制还引出了最优控制的概念——LQR（线性二次调节器）。它通过最小化一个代价函数来求解最优反馈增益。这个在面试中也是加分项，后面会专门讲。

智能控制：当传统方法搞不定的时候

智能控制是个比较宽泛的概念，泛指那些用人工智能技术来实现控制的方法。

最常见的几种：模糊控制、神经网络控制、强化学习控制。

模糊控制在上世纪九十年代很火，家电里用得特别多——洗衣机、空调、微波炉。它的核心思想是把人的经验规则化——"如果温度比较高，那就加大火力"。这种"比较高""加大"这种模糊的说法，用隶属度函数量化，就能让计算机执行。

神经网络控制是近几年的热点。用一个神经网络去拟合控制策略，输入当前状态，输出控制量。训练数据可以来自专家示范（模仿学习），也可以来自试错（强化学习）。

强化学习控制在足式机器人里应用很广。波士顿动力的Atlas、特斯拉的Optimus，背后都有强化学习的影子。你在仿真环境里让机器人反复试错，奖励它走得稳、走得快，惩罚它摔倒，训练出来的策略迁移到真实机器人上。

但讲真，智能控制在工业界的应用还没有经典控制和现代控制那么广泛。原因很简单——可解释性差、安全性难以保证。你用一个神经网络做控制，出了问题你很难分析为什么。在工业机器人、自动驾驶这种安全要求极高的场景，"不可解释"是致命的。

面试中聊到智能控制，我建议你表达一个观点：智能控制是趋势，但目前工业界的主力还是经典控制和现代控制。智能控制更适合用在高层决策（路径规划、行为选择），底层执行还是PID和LQR的天下。

三大流派的关系：不是替代，是互补

很多人有个误解，觉得现代控制比经典控制高级，智能控制又比现代控制高级。其实不是这么回事。

这三种方法是互补的关系，各有适用场景。

经典控制适合单回路、单变量的简单系统。一个电机的转速控制、一个加热器的温度控制，PID就够了，没必要上状态空间。

现代控制适合多变量、有耦合的复杂系统。机械臂的多关节协调控制、无人机的六自由度姿态控制，状态空间法是标配。

智能控制适合模型不确定、环境变化大的场景。足式机器人在复杂地形上行走，地面摩擦力、地形起伏都很难精确建模，强化学习反而能训出不错的效果。

实际工程中，这三种方法经常混合使用。比如一个机器人系统，底层关节用电流环PID（经典控制），中间层用轨迹跟踪LQR（现代控制），顶层用强化学习做行为决策（智能控制）。

面试中怎么聊控制理论

面试官问控制理论，通常有两种问法。

一种是宽泛的："你对控制理论了解多少？"这时候你就从这三个层面展开——经典控制讲PID和频域分析，现代控制讲状态空间和可控可观性，智能控制讲强化学习在机器人中的应用。重点放在你最熟悉的部分，其他两个点到就行，别贪多。

另一种是具体的："PID三个参数分别什么意思？"或者"什么是可控性？"这种问题就需要你扎实掌握细节了，后面几篇会逐一展开。

我给一个建议：面试前至少把PID调参的实际经验准备好。面试官最喜欢追问的就是"你调过PID吗？怎么调的？遇到什么问题？"如果你能讲出一个真实的调参故事——比如调机械臂关节PID时遇到超调，怎么一步步解决的——比背十页教科书都管用。

还有个容易踩的坑：别在面试的时候把控制理论和SLAM混为一谈。SLAM是感知层面的，解决"我在哪"的问题。控制是决策执行层面的，解决"我怎么去到那里"的问题。两者有交集（比如视觉伺服），但本质上是两个不同的模块。面试官问你控制相关的问题，别扯到SLAM上去。

补充一个面试准备控制理论的建议。很多候选人只准备了PID调参的经验，但面试官经常会从PID延伸到更深层的问题——比如"PID的积分饱和怎么处理？"（用积分限幅或反饱和）、"微分项对噪声敏感怎么办？"（加低通滤波器）、"你怎么判断PID参数调好了？"（看阶跃响应的超调量和调节时间）。这些问题考的是你对PID的理解深度，不只是会调参。建议你在准备PID调参故事的同时，把这三个追问的答案也准备好。另外，如果你能主动提到"我在项目中用了级联PID——外环位置环、内环速度环"，面试官会觉得你对控制架构有整体理解。

下一篇讲反馈控制的基本原理——为什么闭环比开环好，这个看似简单的问题背后其实有很深的道理。

---

如果这篇文章对你有帮助，欢迎点赞、在看、转发三连。 你的支持是我持续更新的最大动力。

「机器人软件开发面试·从入门到精通」连载系列 

上一篇：第175篇 传感器选型实战——面试翻车实录

下一篇预告：第177篇 反馈控制原理——闭环为什么比开环好

有任何问题欢迎评论区留言，我会尽量回复。