感谢 冷哲、Tam Alex、小心假设 三位在知乎精彩而透彻的回答
经三位作者同意，转发至本博。
转载请联系原作者。
现代的各种控制理论，都是针对特定问题而产生的特定解决方案。
PID虽然应用面比较广，但在特定问题上并不十分好用。
传统PID适用于线性时不变单输入单输出一阶系统。在一定的修改下，这个条件可以放宽到近线性的、时变较少的、单输入单输出的一阶或二阶系统。
凡是不符合这种要求的，或者有额外要求的，全部都要使用某种现代控制理论。
不符合要求的：
多输入多输出的系统（必须使用状态方程组表达）
高度非线性系统（要使用非线性控制方法）
高度时变系统（即系统参数变化很大，要使用自适应或强健控制方法）
有额外要求的：
要求系统能耗或某一特定状态组合达到最小/最大（比如登月着陆的最小燃料消耗，最优化控制）
系统“惯性”大，延迟大，但仍然要求控制输出要十分精准（比如化工，预测控制）
系统需要持续运行，运行期间参数变化较大，需要精准的控制输出，不能有高频震颤，而且绝大多数时候的运行状态不利于系统辨识（自适应双重控制）
现代控制方法的先进之处，在于解决了经典控制理论所不能解决或不好解决的问题。有的朋友觉得一种现代控制方法根本没有用或者不好用，这往往只是因为他们还没有碰到过这种方法所针对的那些问题。
把一种现代控制方法运用到某一控制问题之中，发现效果还不如PID，这有很多可能的原因。
首先，是在错误的问题上进行了应用。比如说把强健控制应用在线性时不变系统上，参数漂移范围也没有设个极小的值，最后就会觉得“哎？这怎么还颤呢？我那PID可一点都不颤啊。”现代控制理论都是针对特定的问题而设计的，要搞清楚你要解决的问题是什么，然后有针对性地进行使用。
其次，其中很多的方法都要求提供的系统参数或系统参数的范围绝对精确。比方说滑模控制，给定的系统参数漂移范围一定要可靠，如果系统参数飘出了给定的范围，系统就可能失稳。同理，自适应双重控制的卡尔曼/扩展卡尔曼滤波的那几个矩阵，也要尽可能的准确。如果控制方法默认的参数漂移特性与实际特性不相符，或者非自适应、非强健控制方法需要用到的参数与实际参数不符，控制结果往往不会太好。这个问题对于最优控制和一部分非线性控制尤其显著，因为这些控制方法都试图把系统潜力吃干挖净，一旦系统特性与实际有所不同，实际控制效果就会与纸面效果相差甚远。而PID控制，由于对系统的潜力并没有深挖，所以对参数变化并没有那么敏感。
先答题，然后发散一下谈谈个人对控制理论发展的看法。
1）现代的先进控制理论先进在哪里？
- PID控制器的出现甚至早于经典控制理论的崛起，比例、积分、微分这三个基本的元素至今仍在不计其数的控制领域发挥着极大的作用。但是传统的PID控制器实际上就像上图中拿榔头的工程师一样，是一种有效但是粗糙的方法。它的最大问题是没有一个明确的目标函数（代价函数或者优化准则），这就导致：1) PID控制器的调参只能依靠经验；2) PID控制器的设计只能是使系统达到某种可以接受的状态，控制工程师无法回答是否存在更优的PID控制器。
- 现代的先进控制理论如果说先进在哪里，我认为是给控制器的设计提供了更多的框架，这些框架具有明确的优化目标，最重要的是这使得控制理论的发展与数学、计算机科学的发展牢牢的绑在了一起。实际上，我的很多老师认为控制理论最后的高潮是上世纪80年代鲁棒控制的兴起。之后，控制理论的学者们只好眼巴巴的等着数学和计算机科学中出现新成果，然后揉进控制理论中，这也是为什么题主觉得现在做控制研究的大都是搞数学的。起码Automatica和TAC这两大控制期刊现在看起来更像数学刊物。
2）如何评价在PID控制器份额在95%条件下稳定性逊色的先进控制系统？
- 其实现在工程中应用的PID也不再是简单的比例、微分、积分三个元素的线性组合了，一些调整能够让PID控制器发挥的更好，调参更有目的性。但要知道，很多对PID的改进是基于控制理论发展的，没有对控制理论的研究，PID不会有现在这么强大的力量。所以虽然近20年控制理论没有什么令人振奋的成果，很多大师也将目光投向了其他领域，但是控制技术并不是说已经能够完全解决人们遇到的问题。而且据我所知也还是有很多老师在做很有价值的工作。
=====================下面属于发散的内容=====================
聊些题外话把，实际上PID和新的控制理论并不是水火不相容的对立的，他们的关系很有趣。
- 从出发点说，它们是完全不同的控制方法。PID是找到了控制世界的三种最基本的元素，比例、积分、微分，把它们优化组合搭积木一样完成控制的目标。而现代的先进控制方法则一定是基于某种优化指标的，然后通过设计算法来达到优化指标从而实现控制。
- 从表现形态而言，它们又表现出很大的相似。以Lyapunov稳定性为准则设计出的控制器大都是PD控制器（例如backstepping，滑模，因为积分会导致系统稳定性下降），LQ最后的表现形式也是PD，以至于有人为了消除模型参数不准确带来的稳态误差，又把积分加回到这些控制器里去。至于自适应控制，模型预测控制这一类则是可以看成滤波器/观测器+PID控制器的形式。非线性系统里的逆系统方法也是先把非线性系统给线性化了，再用线性化的控制器去控制新系统，不用说大部分想到的还是用PID。
一个系统的控制效果也不是由控制算法一个因素决定的，传感器、执行机构、反馈回路的选择等等都对控制效果影响很大。有时我也想用新算法，但很多时候用户对新算法总不是很放心，甚至对计算机都不是很放心，发文章或项目答辩时候也总有专家问，你搞这个东西搞这么花俏有PID效果好吗？有时也确实令人无语。因为没人知道PID能调成什么样子，可能要多好有多好，也有可能一头钻进淤泥里出不来。
小心假设，当机器人遇到人工智能
另外一种可能，有很多所谓先进的理论和算法确实很难在实际中用，根本就是为了发论文而做的。
还有一种可能，大家都在用PID，但控制效果远不能令人满足，只是暂时找不到/发现不了更好的方法。
另外有个值得注意的，底层是PID，看中上层是不是PID。即虽然是PID，但是是结合比如自适应、模糊、容错等等。而且PID的调参是否用了比如频域分析、鲁棒等等。
如何区分这几者，是很重要的。
---
以上是短答案，以下是较长的回答。
There is nothing more practical than a good theory. 这句话的出处，网上说辞不一。其中有很多人说是Maxwell说的。麦克斯韦方程，当然是good的theory。
但并不是所有的理论都是good的。其实自动控制发展这么多年，good的理论并不多，PID、卡尔曼滤波自然在其中。但也并不是网上很多人传的那么少，绝不仅限于这两个。
如今的计算机时代，这些good的理论，因为要practical，一定还有另一个特点，那就是同时也是good的算法。
先从Kalman Filter，卡尔曼滤波，开始说起吧。
吴军老师的《文明之光》里，有简短的一段介绍，这里贴在下面（没侵权吧？）：
不过纠正一下，确切的说，卡尔曼滤波是个估计算法（估计过去叫平滑smoothing，估计现在叫滤波filtering，估计未来叫预测prediction）。控制用的是最优控制。不过两者都是基于状态空间方法，因此被统称为现代控制理论（时域）。其实状态空间方法中的很多概念，如可控性/可观性，也都是卡尔曼提出的。
卡尔曼之前，控制与滤波理论中，经典控制理论（基于传递函数方法，频域）占据主流。而他几乎是凭借一己之力，扭转大方向到时域。有意思的是，卡尔曼到了晚年（仍在世），却到处推广一些的频域的想法。
一个朋友说，曾收到卡尔曼讨论预测控制的时候cc的邮件。模型预测控制（预测控制，Model Predictive Control，MPC，Predictive Cotnrol，Receding Horizon Control，Moving Horizon Control，Dynamic Matrix Control），另一个good theory，之后也会谈及。其实别的不说，就看这么多不同的名字，不同小领域的人们给它的，就知道它应该是用处不少的。
卡尔曼何许人也，Rudolf E. Kรกlmรกn，半个数学家。
想必很多第一次接触卡尔曼滤波的推导时，都会有这个疑问，这么数学化的东西，还这么难推导，在现实中能用么？难道比用了这么多年的频域滤波靠谱？
但它就是能用。而且频域滤波怎么调都调不到卡尔曼滤波的效果，因为卡尔曼那滤波已经不是线性时不变的了，而是线性时变的。这才是good的theory，已经超出了所有已有的框架了。
针对非线性系统，有EKF（扩展卡尔曼滤波，Extended Kalman filtering），UKF（无味卡尔曼滤波，Unscented Kalman Filtering）等。其中这UKF，是Simon J. Julier教授（http://www0.cs.ucl.ac.uk/people/S.Julier.html
First-Hand:The Unscented Transform）的结果，也是个good的theory。实时应用中越来越多用到，比EKF准确，比Particle Filter（粒子滤波，PF）速度快。
当然，PF的应用也也越来越多。说起Particle Filter，不得不提Monte Carlo算法。是冯 诺依曼与乌拉姆提出的。
所有的这些，都是理论化的，有的乃至很艰深。但同时却在实际中用的很多，乃至随处可见。可有趣的是，数学家不认为这些是数学，而卡尔曼、香农等，甚至都不被认为是数学家。当然也不认为是工程师，因为搞工程的，却觉得这些都是数学。从这一点上，卡尔曼、香农等的理论，其实更像是物理学，人造系统的物理学。传统理论物理学，是研究自然的，实验物理学家觉得是数学，但数学家不承认是数学。这一点上，尤其相似。
回到原问题，但并不是说所有艰深的理论都能用。其实绝大多数都不能用。这之间的差别在什么地方呢？
一个朋友说，曾被卡尔曼的学生之一的Y Yamamoto（Yutaka Yamamoto's Website）教授“训”了一顿，仅仅是因为自己在讲述一个问题的assumptions（假设）的时候，觉得不大重要，叙述得不大严谨。Yamamoto教授直接就说，作为engineer，也不能sloppy with math，也提到了卡尔曼经常对engineers' sloppiness with math很不满。其实就词典，Yamamoto教授曾写过一篇文章，My Florida Days with Rudolf Kalman （IEEE Xplore Abstract (Keywords)）：
These seminars were not like the ones I was familiar with. He often interrupted the speaker and started asking questions. Some questions seemed to take the speakers off track. He would pose a question on whether the theory is based on the correct assumptions or in the right framework, or even the right definitions. As a starting Ph.D. student, I was not aware how important it was to question whether we base our new theory on “right” definitions. In an ordinary seminar, we would naturally take the attitude that a definition is, after all, a definition, and we would hold our breath until we see the outcome. The seminars at the Center were very different. Rudolf Kalman always tried to see whether the theory is built on a sensible and fruitful definition.
I soon became more comfortable with examining basic hypotheses and saw how important it was to do so. Obviously, such an attitude is also very time consuming, but I was convinced that it is the right way to understand and build theoretical developments. Later his favorite citation was one from Newton, “Hypotheses non fingo.” (I do not invent hypotheses.) My candid interpretation would be “I do not fiddle around with hypotheses.”
He always emphasized clarity in understanding. His frequent usage of the phrase “What is crucial here is …” reflects how he places emphasis on clarifying the role of certain key ideas. Merely proving a theorem is obviously not enough for understanding a problem. What one needs to see is the overall structure, how a certain assumption plays a crucial role in a critical step of the theory. He has an incredibly deep intuition for seeing the critical steps in the overall structure of a problem. This intuition played a great role in formulating the filtering problem in the state-space theory. That theory has flourished as Kalman filtering, and this is merely one outcome of the state-space approach that he initiated in the late 1950s.
而牛顿的原话，是这样的（Hypotheses non fingo）：
I have not as yet been able to discover the reason for these properties of gravity from phenomena, and I do not feign hypotheses (Hypotheses non fingo, Latin for "I feign no hypotheses," "I frame no hypotheses," or "I contrive no hypotheses"). For whatever is not deduced from the phenomena must be called a hypothesis; and hypotheses, whether metaphysical or physical, or based on occult qualities, or mechanical, have no place in experimental philosophy. In this philosophy particular propositions are inferred from the phenomena, and afterwards rendered general by induction.
卡尔曼滤波的假设很明确，线性系统（可时变），加性高斯白噪声，最小方差意义下，是最优滤波器。不满足这些假设，就不是最优。还有个结果，就是如果系统是非线性的（可时变），加性高斯白噪声，最小方差意义下，是最优的线性滤波器。
而有如此严格的假设界定，才产生了各种之后的如EKF，UKF，PF等的结果，解决非线性时，卡尔曼滤波不是最优的情况下的问题。其中PF又可处理非高斯的估计问题。非白噪声的问题也有相应的处理方法。这些EKF，UKF，PF等，都是非线性时变的滤波器了。
卡尔曼滤波本身是线性时变的，稳态时趋近一个线性时不变滤波器，跟发现卡尔曼滤波器之前的频域滤波器的结果一致。也就是说，到了对偶的控制问题，variance minimization control，线性系统（可时变），加性高斯白噪声，最小方差意义下，最优的反馈控制器也是线性时变的。而PID是线性时不变的，所以PID不是最优。类似的，系统是非线性的（可时变）时，也有类似结果。
Yamamoto教授其实也不愧为卡尔曼的学生，发明了YY Filter，也是以自己的名字命名的。有一篇文章，Signal reconstruction via H ∞ sampled-data control theory - beyond the Shannon paradigm （IEEE Xplore Abstract），关键词有两个，一个是把鲁棒控制的H无穷算法引入到数字信号处理中的sampling与reconstruction中；另一个是已经超过了香农、奈奎斯特 Nyquist 采样定理（Nyquist）的框架了（其实原问题也已经不一样了）。
一个朋友说，Yamamoto把这个专利卖给某日本的公司，好像是Sanyo，每一件产品抽专利费，赚了很多钱。
说到这里，想起来之前一个朋友（搞电力电子的）说，好像是一对夫妻，原来学术界的，后来创立了一家公司 One-Cycle Control，as its name indicates，做电力电子方面的control。其实电力电子方面，现在的智能电网，有非常多的控制问题。
在网上看到两段话：
冯纯伯院士：电力系统的实践与研究结果都表明：为抑制电力系统中的低频振荡，提高系统的稳定性，在多机电力系统中设置稳定器（PSS）是一种有些有效的方法。…为了进一步提高理论的普遍性，我又深入研究了PSS在镇定电力系统中的低频振荡和提高系统稳定性的作用机制。由于PSS的设计只能取发电机组的本组局部信号，所以它是一种分散控制结构的稳定器。多级电力系统作为一个大系统，其中的低频振荡能否被PSS分散镇定，这一问题的研究无疑有着重要的理论价值与实际意义。虽然，当时国际上已展开对PSS的分散镇定作用的研究，但还是停留在一些现场试验、仿真和实践的阶段，还未提高到理论上来分析和证明。然而这些结果已经表明，PSS确实能起到分散镇定低频振荡的作用。我利用大系统理论中的‘固定模态’的概念及其定理，证明了多机电力系统中引起低频振荡的机械振模，在PSS的分散控制结构下都不是‘固定模态’，因而在理论上证明了PSS具有分散镇定多机系统中低频振荡的作用。但是，究竟需要装多少台PSS即可镇定系统的低频振荡问题，还有待于进一步的研究。
杨叔子院士：我还记得，在80年代初期，我一方面研究了力学中采用有限元方法解决大型结构及其子结构的设计问题；另一方面，我也在学习自动控制理论中采用递阶控制算法解决大系统及其子系统中的设计问题。当时，我以为从数学上将，这两者是一回事。由于客观原因，这方面研究中断了，至今我深感可惜。当然对从事力学与自动控制研究的学者而言，这很可能是一个十分简单的问题。但对于从事机械工程的我来说，确是具有十分有效的启示的。
偏过程控制的公司，有AspenTech: Optimizing Process Manufacturing，这名字说得已经很清楚了。
除此之外，还有很多或有名（Honeywell霍尼韦尔）或不大有名的，做偏过程控制。其实壳牌、美孚也有相应的部门。
说到这方面，咱中国人也不差，有朱豫才老师在荷兰创立的太极控制（怎么成了“太激光控制软件”“泰极控制 泰极软件”？泰极控制 泰极软件 (网站正在建设中...））Taiji Control（Welcome to Tai），也有王建老师的优化佳控制（北京优化佳控制技术有限公司）。别的不说，看这两个公司名字取的！！！二者也都偏过程控制。
其实过程控制不光是化工，发电厂什么的也都是（GE在这些方面也在做）。而且发动机控制什么的，也很难说属于哪一类。
而这些公司不都是试图把所谓的先进算法用在实际中吗。
这些努力，也许是白费的，证明某些算法不能用。但也慢慢证明某些算法确实能用，比如一些系统辨识算法，比如预测控制。
技术发展就是这样一点点进步的。难道控制算法不再发展了？PID也才有大约一百年的历史（PID controller）。而且不去尝试，永远不知道新理论和算法能不能用。
随着相关技术，特别是传感器技术的不断发展，芯片运算速度的不断加快，也有可能出现之前不能用，以后能用的情况。比如预测控制也可用到运动控制中了，当然不一定叫预测控制了，可能叫Receding Horizion什么的。。。
这里又要岔开一句。其实芯片速度只要快到一个控制周期（一般由被控对象决定）内能计算完所有需要在线计算的，也就不会带来更多益处了。而且位数精度到了干扰的数量级（其实一般早就到了），也就不再有益处。倒是传感器，有时候执行机构也是，采用频率跟精度远远不够。
况且在现实中，PID算法是远远不够的。
比如某射电望远镜，之前都是用PID来调，后来转为用LQR来设计参数。不过设计完之后，又用频域的波特图看过，才敢实行。最终效果好很多。原因很简单，在模型不精确乃至没有模型的时候都能用PID，说明PID是适用范围广。但没有免费的午餐啊，适用范围广，则对一个特定的系统，往往效果离最好差很远。而望远镜是人造的，模型比较精确，而且工作环境不确定性小，所以用LQR效果较好。
这里还有个有意思的问题，就是量产跟不量产的区别。比如这个射电望远镜，就这一个，那就可能调得精确些。如果是量产的话，那各个的机械跟电子部分肯定会有差别，导致模型有差别。而这差别其实有时候是影响很大的，甚至说一个螺丝少拧半圈，原来的控制算法就要重新调。这时候，大概就不能用这么‘阳春白雪’的控制算法了，要‘下里巴人’一些。
况且，只做这其实不是商业产品，所以在某种程度上不用受成本限制，所以传感器可以做到比较好。还有一个问题，就是这不是大众消费品，就这那个天文台里面，没有什么风吹日赛，也不会在大众手里鼓捣。
这样便可以想见，以后做大众消费品的机器人，包括现在的无人机，控制算法要做到多么的鲁棒：首先产品的硬件会有区别，除非对每单件单独调参；其次受成本影响，传感器曲线差；再次使用环境不确定性大，干扰大；而且还要在一般用户手里捣鼓，摔一下，磕磕碰碰很正常；而且用的时间长了，硬件会发生一些变化。。。
简单的说，从理论角度，对于单入单出的线性系统时不变系统而言，PID存在，提供了三个参数，调整闭环系统的极点位置（或曰特征根，一个极点对应一个动态模态，即动态响应的大致形式）。一个n阶系统，需要n个参数配置极点。那三阶及以下的系统，PID当然就够了，乃至只需要PI、PD，或只需要P，视具体情况。甚至到了三阶以上，如果系统某些本身的极点已经非常稳定了，有时候PID也足够了。同时，也很容易找到三阶以上系统，无论如何都需要三个以上的参数才能让系统稳定，这时候当然PID不够用。
但这些高阶系统，有很多是可以分出层来的，及可加传感器控制中间某个变量，串级控制，如果串级的每一级都用PID足够，那就成了串级PID。比如四旋翼，从电机电流，到转速，到旋翼升力，到加速度/角加速度，到速度/角速度，到姿态/位置，就引出了好几个串级。
这里岔开一句，四旋翼转速到升力，会受空气动力学的影响，不是线性的，而且接近地面时不一样，不同空气密度又有影响。升力到加速度，跟姿态有耦合，而且跟倾角有非线性的关系，同时不同的质量又有影响。这里面要做得好，要考虑解耦，非线性，自适应等问题。
从不那么偏理论的角度说，其实可以感到PID是提供了三个自由度，就像三个操纵杆，控制一个东西，不知道那个东西的运动跟这三个操作杆具体什么关系，只能试试凑凑。但操作杆只有三个，三个自由度而已，有些动作可以完成，有些动作不能完成。但是，如果增加了操纵杆，增加了自由度，虽然可以完成动作的可能性大了，同时操纵的难度也增加了。
从宽的角度说，那就是耦合了。处理高阶，深的系统，PID有串级这一大杀器，只要中间量能测量，通过传感器往外引。而且一级级的可以加饱和。但处理宽的，耦合的系统，PID就比较难调了。几入几出、耦合弱的还能解解耦（而且解耦是要基于耦合模型的），十几入十几出，乃至更多，加上强耦合，有时还有硬约束，那几乎是没办法调的。
从不那么偏理论的角度说，每个PID像三个操纵杆，控制一个东西，不知道那个东西的运动跟这三个操作杆具体什么关系，只能试试凑凑。有十几个这样的操纵杆和东西的话，之间又有联动，那可能性多了去了，（十几×3）×（十几×3），想要让那十几个东西完成一些动作，就很难动过试凑来做了。
现实中，大多是PID作为底层稳定住各个单入单出的子系统，MPC在其上层做慢速的（相比PID）的优化计算，把这些耦合、约束都考虑进去，然后算出来的是各个PID的设定点。MPC算一步的时间，足够PID动态过程结束了。
智能控制的定义其实很难划清，大致包括专家系统，模糊，神经网络，学习，然后结合各种优化算法的控制（遗传、粒子群、蚁群、模拟退火等），等等。
其实可能大多数人接触智能控制，会经历“哇，这么好大上”->“靠，原来如此”->“排列组合发论文，都是在忽悠”->“其实还是可能有点用的”->“现在才算理解一点”->“其实还是没真正理解”。。。其实不只是智能控制啦，很多东西的学习都是如此。
先说最简单的，结合各种优化算法的控制。其实这些优化算法都是单独存在的，只不过控制问题转化为一个二次型的优化之后，用这些优化算法来求解，就是优化参数。这样的话，其实任何优化算法都可以结合控制：各种优化算法×各种优化指标×各种控制器（如PID，状态反馈等等）×。。。。排列组合多了去了，论文也就多了去了，导致这个领域如今很受诟病。而且其实问题的核心不在优化算法（优化算法也有No free lunch theorem），而是优化指标。而这优化指标的选取几乎完全靠经验、试凑。而且建的模型本身的精度根本达不到这优化问题的精度，很容易精确的错。仿仿真还可以。
再岔开一句，建模，简单的分，物理建模（部分加起来），系统辨识（输入输出关系作为整体）；而物理建模本身，其参数的确定，也分为部分加起来，和整体辨识出来。物理建模，参数也是部分加起来，是当年物理学中就学到了，但往往会忽略掉很多东西。物理建模，参数辨识出来效果好很多，可以理解通过输入输出数据获得了系统全部的信息。直接系统辨识，其实有时候反而最完整的保存了系统信息。系统辨识的问题是比较难结构化，虽然有Wiener，Hammerstein等模型，但可以一些个环节。乃至跟物理建模结合起来，各负责一些环节。
系统辨识是个大领域，输入数据的设计，误差准则的选择，模型阶数的缺点，乃至时延的缺点，都非常重要，而且不容易。预测控制，是基于模型的，实际中基本都是结合系统辨识在做的。否则的话，模型都错了，那控制器就不大可能设计的好。
传感器也是系统辨识的一个重要环节。传感器精度直接决定了系统辨识的精度。
传感器曲线很差，模型也建的很差，就不要想着用“先进”的控制算法了，肯定精确的错；倒不如用PID什么的，大概的对。而且倒是应该用些“先进”的估计算法，数据融合，传感器信息融合，先把传感器曲线改善一些。然后用些“先进”的系统辨识算法，让得出的模型也改善一些。之后再考虑“先进”的控制算法。
现在的情况是，很多实际工程，“先进”的估计算法已经用了不少了，“先进”的系统辨识算法和“先进”的控制算法还比较少。这也就是很多人说控制工程等于PID+Kalman的原因。不奇怪，PID到“先进”的控制算法，中间还隔着“先进”的系统辨识算法呢（建模与模型分析）。
总而言之，先进估计+不基于模型调参的PID，先进估计+先进系统建模辨识+基于模型调参的PID，先进估计+先进系统建模辨识+先进控制算法，现在都是存在的，其中前两个自不必说，最后一个系统辨识+MPC+PID的组合在先进过控、能源类的控制等中比比皆是。落后这么多了，赶紧追吧，奇怪的是竟然还有人说MPC没用，赶紧去了解一下Aspen，Honeywell，GE，Shell，Exxon Mobil等的先进工业控制算法吧。而且当年登月，也是先进估计+先进模型+先进控制（最优控制+PID）的例子啊。
传感器跟估计的精度决定了建模辨识与控制的精度，然后传感器跟估计的精度，与建模辨识，一起决定了控制的精度。这方面，是可以量化的。
可见传感器与估计算法多么重要。传感器的校正是个大问题。这一点，看看玩无人机之前大家的在那绕啊绕的动作就知道了，况且在出厂前，也要做不同的校正。这方面，GPS有室内的天然缺陷，IMU只能等降价（要是不计成本的话，可以做到吓人的精确，比如核潜艇里面用的），现在做光流，视觉当然是个大趋势：软肋在计算机视觉算法。之后就需要更精确的建模与辨识算法了，然后是控制算法。毕竟现在无人机在很多方面还是受限制的，比如随便换相机，当然云台也是问题，送快递（加入新的负载），或者加抓取装置（整个力的分析就很复杂了）。
个人认为，在可预见的未来，随着传感器本身的发展，加上计算速度提升（在线UKF现在已经不成问题了，等到在线PF也不成问题的时候，不知将会发生什么，也许EKF什么的，终将被历史淘汰，败给强大计算能力支撑下的硬算硬模拟算法）带来数据融合发展，下一步必将发展的是更精细的系统与信号的建模与辨识技术，之后则会有之前用不上的控制算法逐渐被实用（当然，大部分现在的论文都是忽悠人的，几乎是一定不会被实用的），而更有可能的是，会催生出新的控制算法。其中自适应、自学习类的控制算法（很可能底层还是PID，这些算法在PID的上层）是最需要的。
为什么呢，因为毕竟过控类的，乃至登月，几乎谈不上扩展性的问题。反正登月就这一套东西，过控类很多时候也都是如此，即使复制多套，也会有专门人员再到现场逐个的调。但未来消费类产品，比如无人机、无人车什么的，那就不一样了，有点像手机，但又比手机的“控制”复杂的多。再比如无人地铁，空车跟满人的时候，质量差很大，这是最起码的自适应吧。当然可以想见，这自适应是上层，底册的电机电流转速控制当然还是跟之前一样。
其实这辨识，不仅包括系统，也应包括信号，有时叫干扰。不过这方面有不少实际应用了，因为比较好处理，很多时候前馈抵消掉就行。
鲁棒控制其实处理的是确定的不确定性，known unknown，其实算不上真的鲁棒性，因为还是需要确定模型来刻画不确定性的。真正的鲁棒性，要能处理不确定的不确定性，unknown unknown。伯德图频谱分析算是一个这方面的好结果。
未完待续。
在电厂等领域，系统稳定/安全优先级会很高，也不允许拿不成熟的控制方式/设备进行试验。可能也会限制现代控制算法的应用。
个人觉得选择pid/现控很大程度由控制对象/执行器决定。(澳大利亚一搞无人机的过来讲座，他们无人机的控制算法也就是pid，我平时用在四旋翼或者云台上的也就是pid/pd，因为对于无刷直流电机，基于改变pwm占空比的pid已经很成熟，有效，而gyo/acc的姿态信息获取相反因为传统常用的滤波算法没办法达到很高要求，反而现控里的kf或ekf倍受到大家的青睐，想象下在72m主频的mcu里跑矩阵运算的场景吧)
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
