现在做纯运动控制的博士就业是否处于一个尴尬境地？ 第1页

我的研究方向是超精密运动控制，主要是针对光刻机工件台（包括但不限于）一类的超精密运动系统设计运动控制算法。针对题主的问题，我的回答是：运控控制就业如何不清楚，但是可以肯定的是远没有成熟，无论是理论，还是应用，都有大量可以深入挖掘的东西，具体理由如下：

工业界和学术界用的运动控制系统一般都会采用前馈+反馈的所谓两自由度控制策略。我先讲一讲反馈，再讲一下前馈。

（1）反馈

以光刻机工件台、工业界常用的直线运动系统、无人机、云台、计算机硬盘、人造地球卫星这些运动系统为例，此类运动系统在单自由度上都可以建模为弹簧质量块模型，是很典型的线性系统（机器人的动力学模型是非线性的，因此有所不同，后面会提及）。反馈控制器的设计大量依赖于频域的技术（伯德图、奈奎斯特图、根轨迹这些工具，以及各种频域的指标，如控制带宽，相位裕量，灵敏度函数幅值等等），一般会做系统辨识得到模型后利用频域技术设计反馈控制器，绝不是很多人想的手调PID，这种技术又叫做manual loop shaping（手工回路整形）。频域方法至今是工业界主流（当然是在特定领域），但是，注意，看懂伯德图、奈奎斯特图不是那么容易的一件事，能够合理的利用频域的工具判断反馈控制器的性能和设计反馈控制器这个要求其实很高。回路整形技术至今仍在发展，如ASML控制组的负责人都是频域的专家，他们在手工设计反馈控制器后，会利用data-based的技术去细调控制器参数（如PID参数、陷波器参数），参见论文Heertjes M F, Van der Velden B, Oomen T. Constrained iterative feedback tuning for robust control of a wafer stage system[J]. IEEE transactions on control systems technology, 2015, 24(1): 56-66.

对于以追求精度为目标的运动系统来说，反馈控制器设计的终极目的就是在保证足够稳定裕量的前提下尽可能把控制带宽做高（当然，对于一个实际的机电系统而言，这不仅仅是控制的事，如结构上要把刚度做高，控制带宽才可能做高，如果柔性很强，那么传统的反馈控制器设计手段就无可奈何，此时的一个解决方案是过驱动，目前过驱动控制理论和应用上还没有完全走通，依旧是一个open problem，参见埃因霍温理工Tom Oomen组的论文），而线性系统的线性反馈会受制于水床效应的限制，因此控制增益无法无限高，不能做到全频段扰动抑制。为此近年来，非线性反馈技术大量应用，是真的在工业界中作为产品级的技术在使用，如基于误差幅值的切换控制，reset积分控制（受Clegg积分器启发）等等，理论上做得的深入可以发TAC和Automatica，应用做得好也可以发TIE、TMECH、TCST这些期刊， @沈月 灌水的情况确实普遍，但是依旧有很多靠谱的工作。

（2）前馈

对于运动控制系统来说，前馈真的很重要，model-based, data-based各种方法百花齐放，不少已经用在实际的产品中。就算是model-based中最经典和最简单的加速度前馈，依旧有深入挖掘的地方，参见我自己的第一篇期刊论文，Dai L, Li X, Zhu Y, et al. The Generation Mechanism of Tracking Error During Acceleration or Deceleration Phase in Ultraprecision Motion Systems[J]. IEEE Transactions on Industrial Electronics, 2018, 66(9): 7109-7119.

（3）其他高级的控制技术

曾经我老是认为自适应控制不靠谱，结果这只是我的研究领域限制了我的思维，后来一次跟一位在无人机、云台领域有过深厚积累的控制专家聊过，在他们的方向，确实有可以实用且相当靠谱的自适应控制算法（在无人机的应用场景中，扰动非常复杂，有时不得不借助自适应技术）。

其他高级的控制技术也有很多，如对于光刻机工件台这样的多自由度系统，如何做到多自由度解耦，以使系统每个自由度在极端的速度加速度下达到几纳米的精度？如何从源头上解决多自由度耦合？在尽可能解耦后，如何用控制解决残余的耦合（即使是LTI系统，MIMO系统的控制器设计在工业界依旧没有一套成熟的方法）？

（4）如果要研发不仅能发论文，还敢在实际产品中用的算法，那么，往往需要结合特定的应用场景，充分利用各种先验知识（如系统的动力学特性）。

（5）机器人领域不是太了解，因为机器人动力学特性的原因，可能确实需要运用一些非线性或者自适应的控制技术，还是那句话，文章多了避免不了很多水文，但是依旧有严肃靠谱的工作，更多的是我们自己要有判断一项工作价值高低的能力。

（6） @佬米 控制地位如何要看领域，在无人车领域，相比于感知和决策，控制的地位确实很边缘化，但是在无人机领域，控制的地位绝对不亚于感知和决策。

（7） @桂凯 ，运动控制领域的代码也开源的，我所有论文的仿真代码就开源呀，推荐一下自己的几个工作

[1] Dai L, Xin L, Zhu Y, Ming Zhang. Feedforward Tuning by Fitting Iterative Learning Control Signal for Precision Motion Systems [J]. IEEE Transactions on Industrial Electronics, 2020， Feedforward Tuning by Fitting Iterative Learning Control Signal for Precision Motion Systems ， DOI ： 10.1109/TIE.2020.3020032

代码：https://github.com/DaiLuyaoME/disturbanceFittingSimulink.git

[2] Dai L, Li X, Zhu Y, Ming Zhang. Auto-tuning of model-based feedforward controller by feedback control signal in ultraprecision motion systems[J]. Mechanical Systems and Signal Processing, 2020, 142: 106764. Auto-tuning of model-based feedforward controller by feedback control signal in ultraprecision motion systems b， DOI：10.1016/j.ymssp.2020.106764

代码： https://github.com/DaiLuyaoME/Auto-tuning-of-model-based-feedforwardcontroller-in-ultraprecision-motion-systems.git

我的其他论文代码也是开源的，只不过就这两篇论文的代码有step-by-step的运行说明，因此暂时这里就放这几篇。

与ASML密切合作的Tom Oomen组最近有一篇不错的讲多自由度迭代学习的论文，代码也是开源的，参见Code Ocean。

（8）前沿的fancy的topic有很多，但是一定要重视基础，除了看论文，经典的大部头著作要一部一部啃，看得懂Bode图，有了扎实的基本功，才能做出靠谱的工作，无论是理论上还是应用上。

23日修改：

（1）修正了第一次回答中的部分typo；

（2）看到了各位答主的回答，有一些感想，补充如下：

(2.1) @YY硕 ,《Feedback Control of Dynamic Systems》是Franklin写的一本很好的教材，还有一本同级别的，Dorf的《modern control systems》（注意不是另一本《modern control engineering》）,《modern control systems》相对于《Feedback Control of Dynamic Systems》的优势是更为宏大，书中源自于工业界的习题更为浩瀚，也是控制领域最早的一本系统性教材，《Feedback Control of Dynamic Systems》的优势则是在很多细节上会讨论得深入一些。Franklin写过另一本很有名的书《digital control of dynamic systems》,在数字控制领域很有影响力，能与之比肩的只有控制领域领袖级学者Karl Astrom写的《computer controlled systems》。控制领域的另一位领袖级学者Graham Goodwin也写过一本很有名的教材《control system design》，只不过说是入门级教材，实际难度很大，比如，直接给出了水床效应的证明；Youla分解讲的深度比很多论文用得都深。但是水平确实高，充分展现了在一个大学科中都能处于最前列的学者应该是一个什么水平。

(2.2)@小胖子黑粉头子，是的，必须结合电机构型来做。比如光刻机工件台的磁悬浮电机都是自己造的，买不到。电机的驱动器也是很关键的因素，ASML的驱动器是自己定制的，一是由电流环引入的延时小，同等相位裕量下，控制带宽可以做得更高，二是驱动器噪声水平低，电机出的力更干净。

(2.3) @桂凯 ，第三点说得很对，高性能的机电系统需要结构、电气、测量、控制等各方面的配合，算法只是很小一块。实际的调试有可能很工程，会细到一个螺丝是怎么拧的，一个线是怎么接的，底层工作做好之后，控制才能做得好，工程无小事，做过的人都懂的。