经典控制保守主义

来自 AI 研究立场图谱百科

经典控制保守主义:机器人应该交给经过验证的控制理论(PID、MPC、卡尔曼滤波)来驱动;学习只在确实划算的地方才欢迎。

主张

经典控制保守主义信任那些几十年来开飞机、回收火箭、跑工厂的东西。PID 回路、卡尔曼滤波做状态估计、LQR 和模型预测控制,带着稳定裕度、可分析的失效模式,以及知道怎么调参的工程师。保守派说,学出来的策略在 demo 里也许很惊艳,但没法给出界的控制器就没法认证,一个“几乎总是对”的机器人,迟早会在剩下那一次撞坏点什么。

它位于中线偏右、靠近 Harness 底端,属于模块化多模态主义:偏好显式、模块化的控制回路,而不是一个端到端网络,智能体现在各部件如何连接。稳健的色号把它放在偏主流的一侧。这与其说是贬义,不如说是描述:这些方法成熟、无处不在、而且以最好的意义上“无聊”。每篇炫酷的机器人学习论文,底下多半还跑着一个经典的底层控制器。

论据

  • 经典控制器带有可分析、可认证的稳定性和鲁棒性保证,安全攸关行业需要这个。
  • 它几乎不需要训练数据,在分布外表现可预测,而学到的策略可能悄无声息地失败。
  • 很多学习型机器人系统底层仍依赖经典控制器和状态估计器,说明老栈依然在承重。

批评

  • 在接触丰富的操作、可形变物体和非结构化环境里,手工建模的动力学会失效,而这正是学习方法的主场。
  • 调参和系统辨识费时费力,换个机器人或任务就得重来。
  • 保证只在模型假设成立时有效,当世界偏离假设时,这种确定性有一部分是幻觉。

代表作

关系

怎样测出它

在完整版或专业版里落到这一格:x ≈ +0.41,y ≈ −0.89,范式 ≈ −0.27。

这是初稿。欢迎通过 pull request 修正或补充更好的论据。 在 GitHub 上编辑这个词条 编辑它的数据