吕朝阳：

对于工科领域来说，脱离实践的学习都是肤浅的，对于控制这种强调经验的技术更是如此。如果去问一个程序员怎么学习一块技术，他必然让你去多编程。机器人领域也是。如果想把基本功打扎实，那么实践更是必不可少了。

对于普通学生入门来说 一款合适的机器人平台 + 入门级的控制算法进行试验。同时深入地学习相应地理论知识。

对于一个有控制基础，需要现学现用的工作者来说，啃一本诸如《现代控制工程》的书籍，在工作者演练，下面的平台内容直接略过。

关于平台的选择和相应的学习教程，我放在最后，防止大图分散了重点。

先结合机器人来说一下控制。对于设计任何一个控制系统来说，需要了解自己的输入、输出、控制元件，和算法。在一个简易的机器人系统里，分别对应的原件是：
输入 --- 传感器 （声呐，红外，摄像头，陀螺仪，加速度计，罗盘）
控制元件 --- 电机
控制算法 --- 控制板 （小到单片机，大到微机）
输出 --- 你的控制目标 （比如机器人的路径跟踪）

对这四方面都有了解之后，才能基本对机器人的控制有一个较为感性的认识。这是入门的基础。如果你对输入和输出做一个测量，比如用电机将某个轮子的转速从10加速到100，把这个测量勾画出来，那么这一个响应曲线。如何将电机准确快速地从10加速到100，这就需要一个简易的反馈控制器。
上面所说的各个传感器元件，都有廉价版可以购买学习，但随之引入的问题就是他们不精确，比如有噪声。消除这个噪声，你就需要在你的控制系统中引入更多的控制单元来消除这个噪声，比如加入滤波单元。

上面说这么多，只是想表达，理论和算法都是有应用背景的，但同时，学习一些暂时无法应用的算法也并不助于入门，甚至可能走偏门，觉得越复杂越好。所有的工程应用者都会说某某算法非常好，但是经典还是PID。倘若不亲手设计一个PID系统，恐怕真的领略不到它的魅力。我大学本科的控制课程包含了自动控制理论和现代控制理论，但是直到我设计一个四旋翼无人机的时候，才真正建立了我自己对机器人控制的理解。

推荐的那本《现代控制工程》是一本非常经典的专业书籍，需要理论知识，再进行详细的学习。我的建议是先玩，玩到需要时，认真学习这部分理论。

-----------------------------------------------------------------------------------------------------
推荐一些机器人平台。核心都涉及到运动控制。

基于arduino的机器人平台是最大众的平台了，这是一个开源社区，很多关于机器人的简易设计和控制算法实现都能在google得到。淘宝arduino机器人，包括arduino控制板和各类简易传感器，几百块之内钱都能得到。
同时推荐一下Udacity上的Robotics课程，基于arduino也都能实现完成。

国外的有些Robotics课程使用的都是Lego Mindstorm作为实验平台（略土豪版）。红外，声呐，陀螺仪这些传感器Lego都有，同时它的电机也可以实现闭环控制。淘宝依旧可以买到lego mindstorm_淘宝搜索（海外代购版，我买过）

Imperial College London的Robotics课程就是以Lego为实验平台的，Andrew Davison的课件上所有的理论都可以用Lego实现Andrew Davison: Robotics Course

如果这些都玩腻了，可以试试玩一个机器人飞行控制，比如四旋翼飞机。飞行器是六自由度控制，因此比小车要更加具有挑战性，也需要更精确的控制系统。下面这是我以前的一个四旋翼DIY，基于arduino MultiWii的。依旧淘宝四旋翼飞行器 diy_淘宝搜索

MultiWii是一个基于arduino的开源飞控平台，所有c代码都可得，不多于一两万行。如果把这些都研究透了，相比已经是专业水平了。

---------------------------------------------------------------------------------------------------

贺磊

发表点个人愚见：
首先，应当了解到：机器人控制（Robot Control）的目的是通过人工引入控制改善原有系统的特性，使新的系统：1）跟踪性能（Tracking Performance）更好，2）抗扰动性（Diturbance Rejection）更强，3）稳健性（Robustness）更优，e.t.c.
机器人控制大致可以分为硬件和算法两个大方向：

• 机器人控制硬件
  • 基本控制结构：当年，N. Wiener对神经科学很感兴趣，发现其实机器的反馈控制和人的运动控制机理是相似的。控制工程中的：传感器（各种位置、速度、力传感器等）、控制器（各种处理器以及控制算法）和驱动器（电机、液压、气动、记忆合金等）三部分，分别对应于人的感受器（receptor）（例如：视觉、听觉、味觉、嗅觉、触觉等外感受器）、神经系统（中枢和周围神经系统）和效应器（effector）（肌肉、骨骼），只不过人的结构更加复杂。
  • 层次控制体系：了解了控制的基本结构，剩下的事情就是设计控制系统。如今，大家设计控制系统的方法还是比较统一的，基本都可以归结为5层的层次体系：1）主机 （Host），2）运动控制器（Motion Controller），3）伺服驱动器（Servo Driver），4）电机（Motor），5）机械本体（Mechanism ）。
    • 主机：主要完成人机交互（操作员控制或者调试机器），高级运算（机器人运动规划等）。由于需要高等运算功能，这部分算法通常是基于操作系统的，硬件载体用通用PC即可。
    • 运动控制器：主要用于改善机器人动力学（Robot Dynamics）。机器人的机械本体自身不具备跟踪轨迹的能力，需要外加控制来改善。由于需要大量的实时运算，这部分通常是基于实时操作系统，比如QNX等，硬件载体可以用ARM。比如，工业界的工业机器人主要使用运动反馈（Motion Feedback），也即将驱动器配置为位置控制或者速度控制模式，此时运动控制器的主要用于补偿传动系统非线性性，例如：由于齿轮间隙、微小弹性变形导致的末端偏移。
    • 伺服驱动器：主要用于改善电机动力学（Motor Dynamics）。由于电机本身物理特性并不具备良好的位置、速度和力矩跟踪能力，因此需要依靠控制来改善。这部分需要更高的实时性能，因为电机控制中需要us级定时，所以可以使用高性能DSP。比如，直流电机的速度正比于反向电动势，力矩正比于电流，而没有物理量能够直接控制位置，此时需要外加控制器。
    • 电机：充当执行器，将电信号转化为机械运动。
    • 机械本体：被控制的终极对象。
  • 算法的编写：鉴于如今几乎没人再用Op-Amp搭建模拟计算机的事实，可以说算法就是个编程问题。基本的编程语言能力，比如MATLAB、C、C++是必须的。设计好算法之后，还需面对另外几个问题：
    • 离散化问题（Discretization）：连续算法的离散化是必要的，因为如今计算机都是数字系统。对于线性系统，比如电机控制，方法当然就是从s域（传递函数）到z域（Z变换）再到t域（差分方程）的变换，非线性的就得研究微分方程的各种数值方法了。
    • 混合控制问题（Hybrid Control）：几乎当前所有的机器人控制系统都不仅有一个控制模式，比如：回初始位置、运动控制模式、人工试教模式等等，每个模式需要特殊的控制算法。单个系统存在多个控制器时被称为混合控制系统，混合控制系统常常使用有限状态机（Finite State Machine,FSM）建模，状态机的切换需注意一些问题，比如芝诺问题。
    • 通信问题（Communication）：通常机器人系统都包含几十个，甚至上百个传感器以及几个到十几个驱动器，通信时常是个头疼的问题。问题的复杂性源于：通信对象多（并发问题），顺序需要协调（时序问题），通信的速率需要兼顾（阻塞问题）。个人倾向于使用基于“事件驱动模型”+“有限状态机模型”的混合模型来处理此类问题。
• 机器人控制理论：控制方法千奇百怪，这里仅举机器人臂的两个比较经典而常用的方法：混合力位控制和阻抗控制。
  • 混合力/位控制（Hybrid Force/Position Control）是Mark Raibert和John Craig于70s末在JPL的工作成果，当时他们是在Stanford臂上做的实验，研究例如装配等任务时的力和位置同时控制的情况。
  • 阻抗控制（Impedance Control）是 N.Hogan的工作成果。维纳晚年，对人控制机器臂很感兴趣。后来，他组织了MIT的Robert Mann，Stephen Jacobsen等一伙人开发了基于肌肉电信号控制的假肢臂，叫Boston Elbow。后来，Hogan继续Mann的工作，他觉得假肢是给人用的，不应当和工业机器人一样具有高的刚度，而应该具有柔性，所以后来引入了阻抗。
  • 其他控制。各类机器人都有其特殊的控制问题，对于公共的机器人数学基础，个人认为有两个派比较厉害：一派是Harvard的Roger Brokett及其学生Frank Chongwoo Park等；另一派是UC Berkeley的Shankar Sastry及其学生Richard Murray，Zexiang Li，JJE Slotine，Stephen Boyd等，两派人马基本奠定了当今机器人数学基础框架（由于学识短浅，可能漏掉了其他重要贡献者）。
• 建议：自己也在钻研，共同学习吧。
  • 首先，当然是把描述机器人运动的力学搞定。J.J. Craig出版于80s的《Introduction to Robotics: Mechanics and Control 》，或者R. Murray出版于90s的《A Mathematical Introduction to Robotic Manipulation》都行。当然，更加推荐后者，因为顶级学术论文很多都采用Lie group的描述方法了。
  • 再次，必要的反馈控制基础当然是不能少的，推荐Franklin的《Feedback Control of Dynamic Systems》。
  • 最后，如果是广大的Ph.D.朋友们，硬件就不必玩了，直接上paper吧。读paper，读各种牛人的paper。发paper，最好往ICRA和IJRR里面灌水。P.S.：被paper虐的吐了一口老血：-）
  • ----------------------------------- ---------------------------------------------------------

王子豪，Underwater Vehicle

曾经在coursera上过一门机器学习基石的课程，老师利用几周的时间以一个很简单的、甚至是不常用的PLA算法为例，讲解了有关机器学习所需要的知识，后来老师说这种算法应用性不强，但通过它可以讲到机器学习所涉及到的知识。在学过这些知识以后，再去学习一些复杂的算法，而流程都与设计PLA算法类似。

自动控制和机器学习是相似的，它涉及到了很多的算法，线性控制、非线性控制，一个自动化专业的学生一学就是2个学期，效果也不见得好。我的想法是，首先从一种经典的算法入手，（比如PID），围绕其展开学习，目的就是成功应用PID算法解决一些问题，（比如机器人的运动控制），之后再学习复杂的算法。目标确定了，但在学习之前先问自己3个问题（ @刘未鹏的《暗时间》曾提到 ）：

1. 控制的本质是什么；
2. 控制的原则是什么；
3. 控制这一专业的知识构架是什么；

以机器人运动控制举例。
机器人控制有三个元素：控制器（算法），执行器（电机），传感器；

1. 控制的本质就是将规划系统的指令作为输入信息，将传感器探测得到的状态信息和导航系统的定位信息作为反馈，计算得到执行器的控制信号，完成运动控制的闭环。
2. 控制的原则就是稳定、准确、快速。
3. 知识构架分为两部分：理论环节、实践环节。
   1. 理论环节即PID控制的原理，如何作用于被控物，这里包括自动控制原理中结构图、传递函数、数学模型、求解微分方程等知识的学习；
   2. 实践部分则包括相关软硬件的知识，软件即编程，也涉及到操作系统的相关知识。硬件如工控板的使用等。

围绕知识构架，无须事无巨细的学习，但要把PID了解透彻并成功应用。在这基础上再学习复杂的算法就会好一些。

================================update==================================
补充：
知识构架：

1. 理论：掌握在相应环境下机器人的动力学模型、运动控制原理和方法、使用的控制策略以及运动控制器的设计。相应展开可以进行深入系统学习。
2. 仿真调试：相关工具如matlab或自己编程，将自己的算法、模型进行实现，是对理论知识的反馈，可以看自己的设计是否合理，对理论知识有更直观的了解。
3. 实物试验：涉及软硬件的部分，体会理论实际差距，进一步完善理论。关于这部分的掌握程度还是要看自己的目标是什么，围绕重心进行。如硬件部分，可以购买一些模块，以最少的经历实现目标。

另外，光从整体到局部是不够的，有时不理解复杂系统的一些组成部分，就没法从整体上去把握。所以在遇到瓶颈时，可以对其展开学习。整体与局部并不矛盾，是可以一起进行的。

想学习一门专业，不该先入为主地受 XXX 该怎么样的观念制约，应该充分利用身边的资源工具进行学习。有项目就针对项目，没项目可以如吕朝阳老师所说购买机器人平台，再者可以通过仿真对理论进行验证。思考、总结和交流很重要。