上篇把微分滤波讲完了，PID的工程问题基本覆盖了。但光靠PID（反馈控制）在很多场景下不够。反馈控制的本质是"出了错再纠正"——先有误差，再有控制。但有些场景等出了错再纠正就来不及了。机器人高速行走时脚还没落地就得提前发力；机械臂高速跟踪轨迹时稍有延迟就偏离路径。

前馈控制就是为解决这个问题——不等误差出现，提前根据目标值或扰动信息算好控制量。面试里这个问题频率不低，特别是运动控制和轨迹跟踪岗位。

前馈控制的基本思想

反馈控制是看"过去"——根据已经发生的误差来调整。前馈控制是看"未来"——根据目标的预期变化提前动作。

打个比方。你开车跟车，反馈控制就像"前车加速了，我看到距离变大了，踩油门追上去"。前馈控制就像"我看到前面是上坡路，提前加大油门，不等速度降下来再补"。哪个效果更好？显然是前馈——它不等误差出现就提前补偿了。

数学上，前馈控制的输出不依赖误差，而是依赖目标值（或其导数）。最简单的形式：

u_ff = Kff * target

其中Kff是前馈增益。更复杂的形式会用到目标值的一阶导数（速度前馈）和二阶导数（加速度前馈）：

u_ff = Kff_v * target_velocity + Kff_a * target_acceleration

class FeedforwardController:
    """前馈控制器"""
    def __init__(self, kff_pos=0.0, kff_vel=0.0, kff_acc=0.0):
        self.kff_pos = kff_pos  # 位置前馈增益
        self.kff_vel = kff_vel  # 速度前馈增益
        self.kff_acc = kff_acc  # 加速度前馈增益
    
    def compute(self, target_pos, target_vel=0.0, target_acc=0.0):
        """根据目标轨迹计算前馈控制量"""
        return (self.kff_pos * target_pos 
                + self.kff_vel * target_vel 
                + self.kff_acc * target_acc)

# 使用示例：机械臂轨迹跟踪
ff = FeedforwardController(kff_pos=0.1, kff_vel=2.0, kff_acc=0.5)
u_ff = ff.compute(target_pos=1.0, target_vel=0.5, target_acc=0.2)

前馈+反馈：工程上的标准配置

实际工程中前馈很少单独使用。前馈依赖模型，模型不可能100%精确。标准做法是：前馈提供"粗调"，反馈提供"精调"。

total_control = feedforward + PID_feedback

前馈根据目标轨迹算出"大概对"的控制量，PID根据实际误差做微调。PID的工作量小了很多——只需补偿前馈没覆盖的部分。

class FeedforwardPID:
    """前馈+PID组合控制器"""
    def __init__(self, kp, ki, kd, kff_vel=0.0, kff_acc=0.0):
        self.kp, self.ki, self.kd = kp, ki, kd
        self.kff_vel, self.kff_acc = kff_vel, kff_acc
        self.integral = 0.0
        self.prev_error = 0.0
    
    def update(self, error, target_vel=0.0, target_acc=0.0, dt=0.001):
        u_ff = self.kff_vel * target_vel + self.kff_acc * target_acc
        self.integral += error * dt
        deriv = (error - self.prev_error) / dt
        u_fb = self.kp*error + self.ki*self.integral + self.kd*deriv
        self.prev_error = error
        return u_ff + u_fb

之前面试一家做工业机械臂的公司，面试官问："轨迹跟踪精度怎么做到那么高的？"我说前馈+反馈。前馈用逆动力学模型算关节力矩，PID做微调。面试官追问："权重怎么分配？"我说前馈贡献70%-80%的控制量，PID处理模型误差和外部扰动，Kp设得比较小，系统更稳定。

两种前馈类型：指令前馈和扰动前馈

前馈控制按信息来源分两种。

指令前馈（Command Feedforward）： 根据目标指令（设定值）的前馈。比如轨迹跟踪中，已知目标位置、速度、加速度，提前算出需要的控制量。上面讲的就是这种。

扰动前馈（Disturbance Feedforward）： 根据可测量的扰动信号的前馈。比如力传感器检测到外部扰动（风力、地面不平），在扰动影响输出前提前补偿。

class DisturbanceFeedforward:
    """扰动前馈控制器"""
    def __init__(self, kd_ff=1.0):
        self.kd_ff = kd_ff
    
    def compute(self, disturbance):
        return self.kd_ff * disturbance

扰动前馈的关键是：扰动必须是可测量的，而且你要知道扰动对系统输出的影响关系（即扰动通道模型）。如果扰动测不到或者影响关系不清楚，扰动前馈就没法用。

前馈增益怎么调

前馈增益的调节是很多人困惑的地方。跟PID不同，前馈增益没有Ziegler-Nichols这种通用方法。但有章可循。

模型法： 如果你有系统的数学模型，前馈增益可以直接从模型推导。比如一个质量块系统 F=ma，加速度前馈增益就是质量m。这是最理想的情况。

实验法： 没有精确模型时，可以通过实验来调。方法是：给系统一个目标轨迹，先只开前馈（关掉PID），看跟踪误差。然后调整前馈增益，让误差最小。最后再开PID做微调。

自适应法： 对于参数会变化的系统（比如机械臂抓取不同重量的物体），可以用递归最小二乘法在线估计前馈增益。这个方法在机器人领域用得很多。

import numpy as np

def tune_feedforward_gain(targets, outputs, measured_vel):
    """通过实验数据拟合速度前馈增益"""
    # 假设 u = kff * v，用最小二乘法拟合
    kff = np.dot(measured_vel, outputs) / np.dot(measured_vel, measured_vel)
    return kff

# 实验数据：记录目标速度和控制输出
# kff_opt = tune_feedforward_gain(targets, outputs, velocities)

面试时候问"前馈增益怎么调"，你可以说：有模型就从模型推，没模型就做实验拟合。如果系统参数会变化，用自适应方法在线调。这个回答能展示你对前馈控制的全面理解。

面试实战：前馈控制怎么聊

面试官问"你知道前馈控制吗"，别只说"提前给控制量"。得讲清楚前馈和反馈的配合关系。

建议这样回答：前馈根据目标指令或可测扰动提前计算控制量，不依赖误差。但前馈依赖模型精度，模型不完美时会有残余误差。所以工程上前馈和反馈配合——前馈提供大部分控制量（粗调），PID补偿模型误差（精调）。

面试官追问"前馈增益怎么来的"，你就说有模型从模型推，没模型做实验拟合。参数时变用自适应方法。

之前面试一家做无人车的公司，面试官问："横向控制用了前馈吗？"我说用了。基于自行车模型，前馈项是曲率乘以车速平方除以前轮距。面试官问："前馈和LQR反馈怎么配合？"我说前馈算稳态转向角，LQR反馈补偿侧偏和航向误差，两者相加就是最终转向指令。

---

前馈控制是提升跟踪精度的利器。它不替代反馈，而是跟反馈配合——前馈解决"已知"的部分，反馈解决"未知"的部分。掌握了前馈+反馈的设计思路，你在运动控制领域的面试竞争力会大大提升。

下一篇讲串级PID——位置环+速度环的双环控制设计。单环PID在很多场景下够用，但当你需要同时控制位置和速度时，单环就不够用了。串级PID用内外两个环分别处理，是工业界最常用的控制架构之一。

---

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185篇 PID微分滤波——微分噪声放大的工程处理 下一篇预告：第187篇 串级PID——位置环+速度环的双环控制设计

有任何问题欢迎评论区留言，我会尽量回复。