zhaohaojie1998/Control-Algorithm：控制算法，状态、输出反馈控制

zhaohaojie1998

技术解读

以下内容由 GitRead 中文社区编辑团队基于项目 README 与官方资料整理，结合中文开发者的常见使用场景补充技术选型建议。具体以项目官方文档为准。

深度技术分析：zhaohaojie1998/Control-Algorithm

项目背景与痛点

控制算法是自动化和人工智能领域的核心技术，控制算法的目标是确保系统在面对复杂多变的环境时能够稳定、高效地执行预定任务。在工业、机器人、无人机等应用中，控制算法的重要性不言而喻。传统PID控制算法虽然简单且应用广泛，但在面对动态变化的环境或复杂系统的控制需求时，常常显得力不从心。

该项目涵盖多种先进控制算法，例如ADRC自抗扰控制、抗积分饱和PID控制、增量式PID控制、模糊FuzzyPID控制、LQR和LQI线性二次型控制，以及迭代iLQR控制。此外，还涉及迭代模型预测控制（MPC）和多种基于AI的智能控制方法，如SAC和PPO强化学习算法。这些算法解决了传统控制方法在复杂控制系统中稳定性、鲁棒性以及适应性方面的痛点，推动了控制技术的发展。

核心技术揭秘

该项目的技术实现不仅包括了多种先进控制算法的实现，还展示了算法在无人机、机器人和小车轨迹跟踪中的应用。为了深入分析其技术架构，我们使用Mermaid图展示数据流的过程。

graph TD A[用户指令] --> B{"输入参数校验"} B -->|"校验通过"| C[数据准备] C --> D[执行相应控制算法] D --> E{"条件分支控制更新"} E -->|"满足条件"| F[更新控制参数] E -->|"不满足条件"| G[保持当前参数] F --> H[输出控制信号] G --> H H --> I[系统响应]

数据流从用户指令开始，经过输入参数校验，并进行数据准备和选择相应的控制算法执行（如ADRC、PID等）。执行过程中的状态和结果通过条件分支进行控制参数的更新，并最终输出控制信号，驱动系统响应。整个过程展示了算法在控制闭环中的紧密结合和自适应调整，以应对复杂和动态的环境需求。

功能亮点与差异

相比于传统控制策略，该项目的特点之一是跨领域的控制算法集成，不仅展示了多种控制手段，还能针对不同类型的控制系统提供最优实现能力。尤其在动态性能和抗扰控制效果方面，具有明显的优势。而AI智能控制算法的应用，如SAC（Soft Actor-Critic）和PPO（Proximal Policy Optimization），进一步提升了控制系统的自主性和自我适应能力。

此外，该项目的代码实现和文档完善度使其更具实践价值，尤其是对于希望在复杂系统中实现场景落地的研究者而言，提供了具体的实现参考。

应用场景与落地建议

在生产环境使用该项目的代码，需要注意以下几点：

性能优化：针对不同的硬件平台，可能需要针对计算资源进行优化处理，以确保在实际应用中控制系统能够高效运行。
参数调优：不同类型的控制系统可能需要不同的控制参数调优策略。
安全性保障：在处理实际应用场景时，需着力关注系统的安全问题，以确保控制算法在各种突发情况下仍然能够安全运行。

适合的应用场景包括工业自动控制、机器人轨迹规划与跟踪控制、无人机姿态与路径控制等，还有新兴的智能制造、智能交通等高复杂度场景。

综合评价

zhaohaojie1998/Control-Algorithm 项目在控制算法领域提供了广泛的理论工具和丰富的实例应用，展示复杂系统上广泛的适用性与高性能表现。它的优点在于广泛的算法集成以及对未来的前瞻性思考，但也应注意在特定环境上下文（如计算资源有限的环境）中的应用需额外的性能调优。

总体而言，该项目作为控制算法的参考实现，为各类工程师提供了极具有帮助的资源，无论是理论研究的探索还是实际项目的落地应用都具备相当高的参考价值。

Control Algorithm

一、控制算法:

变量符号约定:

v: 参考点或参考轨迹
y: 系统输出（观测）
x: 系统状态（当无法得到时需设计状态观测器）
u: 控制量
obs: RL环境观测, 对于跟踪问题，obs = [y, v]，对于调节问题，obs = [y]

1. 无模型

算法名	控制器类名	反馈类型	输入	输出	备注
先进PID控制 Proportion Integral Differential	PID	输出反馈	y、v	u	自带先进PID功能
增量式PID控制 Increment PID Control	IncrementPID	输出反馈	y、v	u	自带先进PID功能
自抗扰控制 Active Disturbance Rejection Control	ADRC	输出反馈	y、v	u	缺点：参数巨多。。。
线性自抗扰控制 Linear Active Disturbance Rejection Control	LADRC	输出反馈	y、v	u	升级版ADRC, 参数较少

2. 基于模型

基于模型进行优化控制

对于使用状态反馈的控制器，需要额外设计状态观测器，要求系统能观。
对于使用输出反馈的控制器，控制器自带状态观测器，要求系统能观。
当系统不能控时，不保证控制效果。

2.1 调节器

算法名	控制器类名	适用系统	能控	能观	反馈类型	输入	输出
线性二次型调节器 (状态调节版) Linear Quadratic Regulator	LQR (C=None)	离散/连续LTI	√	-	状态反馈	x	u
线性二次型调节器 (输出调节版) Linear Quadratic Regulator	LQR	离散/连续LTI	√	√	状态反馈	x	u

2.2 跟踪器

用于对y进行跟踪，需要跟踪x时，可将C设为单位矩阵。

算法名	控制器类名	适用系统	能控	能观	反馈类型	输入	输出
线性二次型积分 Linear Quadratic Integral	LQI	离散/连续LTI	√	√	状态反馈+输出反馈	x、y、v	u
线性二次型高斯 Linear Quadratic Gaussian	LQG	离散/连续LTI	√	√	输出反馈	y、v	u
时变线性二次型调节器 Time-Varying Linear Quadratic Regulator	TV_LQR	LTV			状态反馈	x、v	u
迭代线性二次型调节器 Iterative Linear Quadratic Regulator	iLQR	NL			状态反馈	x、v	u
模型预测控制 Model Predictive Control	MPC	离散LTI			状态反馈	x、v_seq	u
线性时变模型预测控制 Linear Time-Varying Model Predictive Control	LTV_MPC	离散LTV			状态反馈	x、v_seq	u
非线性模型预测控制 Nonlinear Model Predictive Control	NMPC	离散NL			状态反馈	x、v_seq	u

3. 智能控制 (基于仿真)

3.1 强化学习

仿真环境用来产生训练数据

RL通常不用观测器，可通过RNN、非对称Actor-Critic、蒸馏等手段直接从POMDP中学习输出反馈策略。
RL算法仅用于训练模型，控制器类名统一为RLController，用于执行onnx推理。

算法名	类名	适用系统	反馈类型	输入	输出	备注
软决策评估算法 Soft Actor-Critic	SAC	离散/连续NL	输出反馈	obs	u	收敛快，基本上不需要调参
近端策略优化算法 Proximal Policy Optimization	PPO	离散/连续NL	输出反馈	obs	u	收敛慢，但理论上稳的一批

3.2 启发搜索（未实现）

仿真环境用来评估搜索解的好坏

原理类似MPC，直接搜索u_seq，u_seq带入环境模型评估搜索结果，利用启发算法优化，执行u_seq[0]，下一时刻重新搜索（很多学阀喜欢用启发算法冒充AI骗经费，群体智能也是智能[狗头]）

算法名	控制器类名	适用系统	反馈类型	输入	输出	备注
启发搜索算法 Heuristic Search	PSO等动物园算法	离散NL	状态反馈	x、v_seq	u	暴力搜索就完事了，优化问题不存在了缺点：速度巨慢，基本上没实用价值

4. 模糊控制

算法名	控制器类名	反馈类型	输入	输出	备注
模糊PID控制 Fuzzy PID Control	FuzzyPID	输出反馈	y、v	u	模糊规则给PID调参

5. 状态估计器

暂未实现

二、控制器接口:

状态/输出跟踪器：

输入为 x | y 和 v，输出为 u

状态/输出调节器：

输入 x | y，v为None，输出为 u

1. 控制器输入：

输入	定义	向量情况(ndarray)	标量情况(ndarray/float)
v	参考点	shape = (dim_v, )	shape = (1, ) / float
v_seq	参考轨迹片段	shape = (n, dim, )	shape = (n, )
y	系统输出（观测）	shape = (dim_y, )	shape = (1, ) / float
x	系统状态	shape = (dim_x, )	shape = (1, ) / float

2. 控制器输出：

当前时刻的控制量u，形状为(dim_u, )的向量（一维ndarray），无论x、y、v是否为标量，输出u都是向量，即使dim_u=1时也不输出float

3. 控制器参数：

控制器参数设置成float时，将自动广播成向量或者对角矩阵

对于SISO控制器，超参数为float；当dim_u>1时，也可设置为向量（设置成一维list或ndarray），为每个u的维度单独调参

对于MIMO控制器，超参为矩阵 (设置成二维list或ndarray)

对于AI控制器，超参为AI算法超参(float)，和控制无关

三、用法示例:

1. SISO控制器示例：

import numpy as np
from controller.siso import PIDConfig, PID
from controller.utils import matplotlib_context

# 设置控制器
dim = 2  # SISO需要指定信号维度, 每个维度控制器独立
cfg = PIDConfig(dt=0.1, dim=dim, Kp=[5, 6], Ki=0.1, Kd=1)  # 调参
pid = cfg.build()  # 实例化控制器
# or: pid = PID(cfg)
print(pid)  # 打印控制器参数

# 生成输入信号
t_list = np.arange(0.0, 10.0, cfg.dt)
v_list = np.ones((len(t_list), dim))  # 需要跟踪的信号 v: (dim, )

# 被控对象
def dynamics(y, u, dt=cfg.dt):
    ...
    return y

# 仿真
y = np.zeros(2)  # 被控信号初值
for v in v_list:
    u = pid(y, v)  # 第一个为实际值, 第二个为参考值（调节器为None）
    y = dynamics(y, u)  # 更新被控信号

# 绘图输出
with matplotlib_context():
    pid.show(save_img=True)

2. MIMO控制器示例：

import numpy as np
from controller import LTISystem, LQR
from controller.utils import matplotlib_context

# 线性系统
A = np.array([[0, 1], [0, 0]])
B = np.array([[0], [1]])
sys = LTISystem(A, B, Ts=None) # Ts=None为连续系统, C=None没有观测方程
# 可通过以下方法检查线性系统性质
print(sys.is_controllable()) # 能控性
print(sys.is_stabilizable()) # 镇定性
print(sys.is_observable())   # 能观性, C=None返回None
print(sys.is_detectable())   # 可检测性, C=None返回None
print(sys.is_stable())       # 稳定性
print(sys.is_lyapunov_stable(np.eye(2))) # 是否Lyapunov稳定

step_dt = 0.01
max_steps = 1000

# 设置控制器，MIMO根据模型自动推断维度
Q = 2  # 设置为float时，自动广播成对角矩阵
R = 0.1
lqr = LQR(sys, Q, R, dt=step_dt) # C=None时为状态调节器, 否则为输出调节器
print(lqr)  # 打印控制器参数

# 仿真
x = np.zeros(2)  # 被控信号初值
for _ in range(max_steps):
    u = lqr(x)  # 第一个为实际值, 第二个为参考值（调节器为None）
    dx = A @ x + B @ u  # 更新被控信号
    x += dx * step_dt

# 绘图输出
with matplotlib_context():
    lqr.show(save_img=True)

3. RL控制器示例：

import gymnasium as gym
from controller.ai.rl import PPO, RLController
from controller.utils import matplotlib_context

# 实例化仿真环境
env = gym.make("Pendulum-v1")
print(env.observation_space)
print(env.action_space)

# 训练策略模型 (已有onnx模型可省略)
ppo = PPO(env, gamma=0.99, lr_actor=0.0003, lr_critic=0.0003, clip_range=0.2)
print(ppo)
ppo.train(max_env_steps=100000) # 训练
ppo.save_onnx("ppo_pendulum.onnx") # 导出onnx控制模型

# 实例化RL控制器
rl_ctrl = RLController("ppo_pendulum.onnx", dt=0.05)
# or: rl_ctrl = ppo.get_controller("ppo_pendulum.onnx", dt=0.05)
print(rl_ctrl)

# 仿真
env = gym.make("Pendulum-v1", render_mode="human")
obs, _ = env.reset()
rl_ctrl.reset()
for _ in range(max_env_steps):
    u = rl_ctrl(obs)
    obs, _, terminated, truncated, _ = env.step(u)
    if terminated or truncated:
        with matplotlib_context():
            rl_ctrl.show(save_img=True)
        obs, _ = env.reset()
        rl_ctrl.reset()