做AUV深度控制仿真第一个让人头疼的往往不是算法本身而是怎么让模型先在水里稳定跑起来。这个项目“基于SMC的AUV控制器研究”正好踩在这条线上一边是水下机器人本身复杂的动力学特性另一边是滑模控制里那些让人又爱又恨的高频切换和抖振。我最初调通这套Matlab/Simulink仿真的时候最大的感受是——滑模控制并没有论文里写的那么神秘但它确实是解决AUV垂向控制问题的一把顺手的刀只要你把模型、控制器和仿真设置这三层关系理顺了。这篇文章适合正在做水下机器人方向课程设计、本科毕设或者硕士课题的同学也适合想在自己项目里把非线性控制器从理论搬到仿真里的工程师。我会按实际调试的顺序来写先说清楚为什么选SMC然后把AUV垂向模型一步步拆成可以积分的状态方程接着推导滑模控制器并给出Simulink实现细节最后把我调参过程里遇到的那些抖振、发散和参数敏感问题完整复现一遍。全程会带上可以直接用的初始化脚本和模型模块设计思路。1. 为什么AUV深度控制要选滑模控制先看它在水下要面对什么1.1 AUV的垂向运动本质上是个强非线性、强扰动系统自主水下机器人和地面轮式机器人有一个本质区别地面机器人主要克服摩擦力和重力但AUV在水下同时要面对浮力、附加质量、水动力阻尼和波浪扰动这四类作用力。拿垂向运动来说深度变化时浮力几乎不变但阻尼系数与速度的平方相关一个在低速点整定好的线性模型速度变化一截就开始“失真”。更麻烦的是水动力参数很难精确辨识同一台AUV换个航速、换个深度等效质量和阻尼系数都可能不一样。所以AUV深度控制器面对的是一个典型的带参数不确定性、受未知扰动、还有明显非线性的系统。你没法指望一个定死参数的线性PID在所有工况下都表现稳定。1.2 我在深度环路上用过PID之后看到的“典型病状”我不是说PID不能用毕竟工程上大量AUV确实用PID做底层回路。但在定深控制这个具体场景里PID有几种特别让人恼火的病状超调量大。期望深度从10米变到20米时PID为了快速响应会先把推力给大AUV实际深度很容易冲过目标再拉回来。在水下“冲过”不是小事底质复杂时可能直接撞地或者越过温度跃层影响传感器读数。微分项容易放大噪声。深度计压力传感器本身有测量噪声微分增益D稍大一点推力指令就开始跟着噪声高频摆动执行器磨损和能耗都会上来。抗扰性弱。近水面波浪扰动是持续的低频正弦性力PID只能靠比例项硬顶扰动一强稳态深度误差和低频振荡都会显现。我做对比仿真的时候把同样的波浪扰动分别加给PID和SMCPID要花很长时间才能回到设定深度附近而且残余波动明显。这不是PID参数没整好而是它没有把“不确定性和扰动”作为设计变量去主动处理。1.3 滑模控制的直观直觉与它那点“不讲理”的鲁棒性滑模控制的思路其实特别简单粗暴先在地面上挖一条“滑滑梯”轨道滑模面然后用控制力把一个滑块强行推到轨道上之后这个滑块就顺着轨道滑向目标点。对应到控制器设计上就是构造一个滑模面函数s只要让s先归零再把s维持在零附近系统的跟踪误差就会按滑模面决定的动态收敛。这个“先设计轨道、再暴力压制上轨”的策略带来一个很直接的收益一旦进入滑模运动系统对外部扰动和参数不确定性就“感觉不到了”匹配不确定性全部被切换项吃掉。这就是它“不讲理”的鲁棒性来源——不是靠精确建模而是靠高频切换强行把状态拴在轨道上。当然代价也很明显理想滑模要求无限频繁的切换实现的时候必然出现抖振。这也是很多初做SMC的人最容易翻车的地方。我一般和学生说不要怕抖振它本质上是“鲁棒性的影子”你要做的是用边界层和合理的切换增益把它控制在可接受范围而不是指望它消失。表格能很直观地说明这两种控制器在垂向控制中的差异对比维度PID固定参数SMC滑模控制模型依赖几乎不依赖模型需要一个简化标称模型参数不确定性处理靠冗余调节适应性弱切换项直接覆盖有界不确定性外扰响应有静差或振荡初始段有偏差滑模到达后明显抑制高频通道代价推力较平缓推力存在高频切换需边界层抑制调参直觉比例/积分/微分c、切换增益K、边界层厚度phi2. AUV垂向动力学建模怎么把一个水下机器人“塞进”仿真里2.1 坐标系选择与自由度取舍为什么常把六自由度压成垂向单自由度AUV在水下运行是标准的六自由度运动三个平动自由度前进、横移、垂向和三个转动自由度横摇、纵摇、艏摇。完整建立六自由度模型可以写出来但如果你只是研究“定深控制”强行上六自由度反而会让控制器设计变得混乱很多力耦合项在垂向主回路里根本用不上。我用的简化策略是只取垂向的深度z和垂向速度w两个状态横摇纵摇靠单独的配平系统保持小角度。这样相当于把注意力集中在“深度方向”这一个主回路上控制器设计、仿真调参和结果解读都清晰很多。坐标系方面深度z在大地坐标习惯用北东地坐标系NED里直接指向地心方向通常定义为向下为正AUV深度计读到的就是该方向的高度。垂向速度w定义为本体坐标向下运动速度在小姿态角假设下w近似等于dz/dt。你直接把这个近似写进模型后续控制器公式就简单很多误差也有限。2.2 简化垂向模型的力分析惯性力、水动力、重力浮力、推力在单一垂向自由度假设下沿深度轴写牛顿第二定律m_eq * w_dot tau_thrust F_gravity_buoyancy - D * w F_dist其中各符号含义m_eq等效质量 刚体质量m 垂向附加质量单位kg。附加质量是物体加速时带动周围水一起运动产生的惯性效应你可以把它理解成“推一个装满水的大箱子感觉比它本来更重”的道理。tau_thrust螺旋桨或推进器提供的垂向推力单位N这是控制输入。F_gravity_buoyancy重力与浮力的合力通常写成W - B单位N。正常配置的AUV会调整到微正浮力或近中性浮力W-B的绝对值很小但会直接影响深度静差。D * w线性水动力阻尼项D是阻尼系数单位N·s/m。高速时可以再增加一个二次阻尼项但基础仿真先保留线性项即可。F_dist外部扰动比如波浪力、水流的垂向分量、负载变化导致的浮力突变等这里先拿它代表“模型没建准”的那部分。如果把F_gravity_buoyancy也看作一个已知的恒定项近中性浮力时近似为常数这个一阶微分方程就已经可以进仿真了。注意在Simulink里所有力加起来除以m_eq就得到w_dot再积分一次得到w再积分一次得到深度z。这就是AUV垂向模型的“积分链”结构。2.3 模型参数的取值策略查表、估算与仿真试凑很多同学卡在参数上到底取多大算合理我的建议是分三步走第一步先看对象尺度。假设这台仿真AUV是一个近似圆柱体的小型水下机器人直径大概0.2米长度1米排水体积约0.03立方米。水的密度取1025 kg/m³时排水浮力约300N。这决定了浮力差的量级。第二步估算质量与附加质量。刚体质量取50kg垂向附加质量通常占刚体质量一半到三分之二保守取30kg则m_eq约80kg。阻尼系数D按照垂向运动的水力阻尼估算一般取几十到一两百N·s/m仿真可以先取60N·s/m这样在最大垂向速度1m/s时阻尼力60N量级合理。第三步用开环仿真做合理性校验。给一个固定的垂向推力比如200N观察稳态速度是否合理ast tau / D 200 / 60 ≈ 3.3m/s偏大那就说明D太小或推力太大需要调整。这样反复几次参数就能处在可接受的量级范围内。2.4 把方程改写成Matlab/Simulink可直接积分的形式把上面的力平衡方程整理成状态空间形式方便直接在Simulink用积分器x [z; w] x_dot [w; (tau_thrust (W-B) - D*w F_dist) / m_eq]输出y z。这个二状态系统的输入是tau_thrust扰动是F_dist。在Simulink中我把这个结构拆成三个加法器、一个Gain、两个积分器就搭完了不需要复杂封装。第一步先把自定义的MATLAB Function控制器模块挂在输入侧第二步再把动力学模块独立做成子系统后期替换模型细节方便得多。3. 滑模控制器设计从滑模面、趋近律到实际控制律的推导3.1 设计目标与误差定义深度跟踪还是深度保持深度控制可以分为两类任务一类是稳态定深depth keeping期望深度长期不变重点关注静态误差和抗扰动另一类是深度跟踪depth tracking期望深度按某个轨迹变化重点关注动态跟踪性能。我用阶跃指令做基础调试之后换成梯形指令做抗扰对比。误差定义为e z_cmd - z dot_e w_cmd - w其中z_cmd是期望深度w_cmd dz_cmd/dt是指令速度。对于阶跃指令目标深度突变时w_cmd近似为0但对于梯形轨迹w_cmd不为0误差中的速度项就有意义。控制器是统一形式只是参考输入不同。3.2 滑模面为什么选“误差的线性组合”定义滑模面s dot_e c * e其中c是一个正的设计参数。为什么用这种线性组合因为s0时求出dot_e -c * e这是一个一阶线性微分方程误差e必然指数收敛到零收敛时间常数就是1/c。也就是说只要AUV能进入“滑模状态”使s保持在0附近深度控制问题就自动成了一个误差按指数衰减的问题控制器的后续任务就只是维持s0。c的取值决定误差收敛速度。c太小系统滑向目标点很慢c太大要求的控制力和初始切换推力都很大同时对速度噪声也更敏感。我一般先从c 0.2 ~ 0.5 试再根据实际响应去调。需要说明的是这里用一阶滑模面是针对垂向二状态系统z和w自然匹配的结果。更高阶的滑模如终端滑模能保证有限时间收敛但设计复杂度明显上升我留着做扩展不在基础版本里面混用。3.3 趋近律的选择等速、指数与幂次趋近滑模面的动态不等于说“你随便怎么推都能上轨道”还需要设计趋近律明确s是减速逼近还是等比逼近、以多快速度到达滑模面。常见的有三种等速趋近律s_dot -epsilon * sign(s)。s以恒定的速度逼近0实现最简单但切换增益epsilon如果太大抖振会非常明显epsilon太小又到达太慢。指数趋近律s_dot -k * s - epsilon * sign(s)。这里-k*s让s在远处快速靠近滑模面接近后epsilon的等速项继续保证有限时间穿越综合性能好很多。我基础版本就用这个。幂次趋近律s_dot -k * |s|^alpha * sign(s)。在s接近0时切换幅度自动减小理论上看抖振更轻但参数多了alpha调起来不如指数趋近直观。指数趋近律里还有一个细节k和epsilon要配合选择。k决定远离滑模面时“拉向轨道”的速度epsilon决定接近滑模面后的“穿越力度”。我的经验是先把k取2~5epsilon取0.5~2再通过仿真微调。3.4 由滑模面到达条件反解控制律设计控制律的目标是让s_dot满足趋近律。对s求导s_dot dot_dot_e c * dot_e (ddot_z_cmd - w_dot) c * dot_e把w_dot换成模型方程忽略扰动时得到s_dot ddot_z_cmd c * dot_e - (tau_thrust (W-B) - D*w) / m_eq要让s_dot满足指数趋近律 s_dot -ks - epsilonsign(s)反解得到控制律tau_thrust m_eq * (ddot_z_cmd c * dot_e ks epsilonsign(s)) - (W-B) D*w这就是完整的滑模控制器。再看这个结构前半部分是根据参考轨迹和滑模面状态的“驱动项”后半部分-(W-B)Dw是模型补偿项。当模型不准或者有扰动时epsilonsign(s)负责兜底。为了抑制理想sign函数带来的抖振我把sign(s)替换成饱和函数sat(s/phi)。sat的实现是当|s| phi时输出sign(s)当|s| phi时输出s/phi。phi取0.01~0.1相当于在滑模面附近设置一个“边界层”层内切换项连续变化抖振显著降低代价是层内稳态误差会略微增大。边界层厚度本质上是个鲁棒性-精度的权衡我第一次跑仿真时直接用sign函数推力曲线疯狂振荡换成sat之后马上安静下来。控制律的核心Simulink实现可以写成一个MATLAB Function输入是参考轨迹、实际深度和速度输出是推力指令。代码如下function tau smc_controller(z_cmd, w_cmd, dz_cmd, z, w, p) % p为参数结构体p.c, p.k, p.epsilon, p.phi, p.m_eq, p.D, p.WB e z_cmd - z; de w_cmd - w; s de p.c * e; % 指数趋近律 饱和函数 % 该变量s需要写出连续表达避免仿真步长跳变引起的符号跳变 s_sat s / p.phi; if abs(s_sat) 1 s_sat sign(s); end tau_eq p.m_eq * (dz_cmd p.c * de p.k * s) - p.WB p.D * w; tau_sw p.m_eq * p.epsilon * s_sat; tau tau_eq tau_sw;注意看代码里的tau_eq那行我把p.epsilon乘到m_eq外面这样可以更方便归一化切换增益。实际项目中直接按推导式写也行量纲是对的。4. Matlab/Simulink仿真实现搭建、参数设置与常见“跑不动”问题4.1 仿真架构从深度指令到推力到运动学信号怎么走在Simulink中搭建之前心里要先画好信号流方向。我的环路是深度指令模块产生z_cmd、w_cmd、dz_cmd若是阶跃则w_cmd和dz_cmd设为0若是梯形则实时计算。反馈模块输出实际深度z和垂向速度w。误差计算点求e和de。SMC控制器模块根据误差和参数计算推力tau。tau经过推力饱和限幅Saturation模块进入AUV动力学模块。动力学模块内部求w_dot、w、z并经积分器闭合回路。这个架构里积分顺序是w_dot - w - z每一步都是连续信号不要在图里设置额外的采样保持除非你要故意模拟离散控制器。4.2 模型的四种搭建方式与我的选择Simulink里实现滑模控制器有四种常见方式纯基本模块用Gain、Add、Sign/Saturation搭直观但改参数麻烦。MATLAB Function模块写一小段代码清晰高效我推荐这个。S-Function功能最强适合替其他语言写的算法但对初学者调试不友好。Simscape等物理建模方式可以建水动力细节但复杂度和仿真成本高。基础阶段我推荐“MATLAB Function 基础模块”混合控制器用MATLAB Function动力学用基础积分器模块推力饱和用Saturation模块。这样既有可控可见的结构又方便改代码调算法。等你把控制器公式替换成终端滑模、自适应滑模时也只需要改Function内部代码外面模块不用动。4.3 初始化脚本与参数配置我在运行Simulink之前先跑一个初始化脚本init_auv_smc.m把模型参数和控制器参数都定义在工作区。Simulink里的MATLAB Function内部要用到参数结构体p所以脚本初始化之后模型可以直接引用p。%% AUV垂向模型参数 p.m_body 50; % 刚体质量 kg p.m_add 30; % 垂向附加质量 kg p.m_eq p.m_body p.m_add; % 等效质量 kg p.W 50 * 9.81; % 重力 N约490.5N p.B 52 * 9.81; % 浮力 N微正浮力 p.WB p.W - p.B; % 浮力差 N负值表示轻度正浮力 %% 阻尼与干扰 p.D 60; % 线性阻尼系数 N*s/m p.Fdist_amp 20; % 扰动幅值 N p.Fdist_freq 0.5; % 扰动频率 Hz %% 滑模控制器参数 p.c 0.4; % 滑模面系数 p.k 3; % 指数趋近比例项 p.epsilon 1.5; % 切换增益 p.phi 0.05; % 边界层厚度 %% 参考指令 depth_setpoint 20; % 目标深度 m depth_init 0; % 初始深度 m这里特别提醒在MATLAB Function里引用p时要把它作为额外输入参数传入或者在Function内部用全局变量。我习惯是把p作为结构体输入每次仿真前重新运行脚本即可避免“工作区变量找不到”的烦恼。4.4 求解器选择与仿真步长滑模控制器的核心是高增益切换动作这类连续系统的仿真对求解器比较敏感。我的建议是不要用自动变步长ode45的默认配置。因为滑模切换动作会让误差估计器频繁调整步长仿真会非常慢而且容易在一些切换瞬间产生“伪振荡”让你误判控制器性能。我选择固定步长求解器比如ode4四阶龙格库塔步长取1e-4秒到1e-3秒。如果主要关注深度曲线和推力包络1e-3秒就够如果特别在意抖振细节再降到5e-4秒。如果你的模型里包含饱和模块和边界层在固定步长下切换现象会被边界层平滑肉眼可见的高频振荡基本消失。很多同学第一次跑SMC仿真觉得“抖振大”其实有一半原因是求解器步长太大或变步长在切换点附近“夸大”了抖振。你用固定步长跑把边界层设好推力曲线会很干净。5. 仿真实战结果解读、参数整定与抖振处理的完整排坑过程5.1 第一个版本跑出来的“标准失败”深度曲线高频抖动我第一次按理论公式直接搭模型时用的是sign函数没有边界层epsilon3仿真步长1e-4。结果深度曲线在设定值附近出现持续高频的“毛刺振荡”推力曲线更是惨不忍睹几乎是满幅正反切换。静态深度误差虽然不大但这个输出直接拿去论文或工程里当结果肯定会被审稿人或者现场工程师质疑。我当时的排查链路是先怀疑自己的滑模面是否写错。把s输出到示波器发现s基本在0附近小幅穿越说明滑模面本身没问题。再怀疑参数c和k是否不合理。尝试把c从0.4改到0.1k从3改到1结果显示抖振频率降低但“毛刺”依然存在。最后才意识到问题出在sign函数的理想切换上。理想滑模要求无限频率切换但仿真和实际执行器都做不到所以必然产生抖振。解决办法就是引入边界层把sign(s)改成sat(s/phi)phi从0.01试到0.1。修复之后深度曲线不再抖动推力曲线也从高频乱跳变成了柔和的双极性调节。这是我反复和做SMC的人强调的一点不要迷恋理论上的sign函数实现层面一定要用边界层或者趋近律柔化否则你的仿真结果连自己都不信。5.2 调参带来的“连锁反应”c、K、phi 怎么配合调参不是把每个参数单独调到最优而是理解它们之间的相互作用。下表是我在调试中记录的参数敏感性可直接参考参数增大效果减小效果受哪个指标影响最大c滑模面斜率收敛加快超调增大对噪声敏感响应变慢跟踪滞后动态跟踪精度k趋近比例项快速把s拉回轨道但推力会更大到达滑模面变慢瞬态偏差大初始响应速度epsilon切换增益抗干扰更强但抖振幅度增加扰动抑制变弱可能出现稳态滑模“泄漏”鲁棒性和抖振幅值phi边界层厚度抖振显著下降但稳态误差增大精度提高但推力切换活跃抖振与精度的权衡我调试时一般用“先保证鲁棒再追求稳定最后压缩稳态误差”的顺序。先设epsilon足够大比如2~3确认系统在强扰动下不失稳然后增大k比如从1加到5观察深度跟踪速度再把c微调到0.3~0.8最后用phi从0.05开始逐步减小到0.02看深度误差是否还能接受。有一个常见误区是试图让所有指标都“最优”。实际中你很快会发现c调大了深度确实跟得快但推力饱和概率也上去了反而让实际深度曲线出现平台段。小AUV的推进系统输出有限这个限制条件必须优先满足控制器的激进程度要反过来迁就执行器。5.3 深度指令从阶跃改为梯形参考后的瞬态变化阶跃指令仿真能快速验证控制器基本功能但实际AUV下潜时上位机一般不会直接给一个深度阶跃而是给一段“缓慢下潜”的参考剖面否则推力瞬间拉满不说姿态也可能失控。我把参考指令改成梯形轨迹后观察到一个重要变化滑模面的初值从“阶跃时很大”变成“梯形时很小”控制器的初始推力需求也随之大幅下降。梯形参考的实现很简单设定上升速率比如0.5m/st_ramp 20 / 0.5; % 到达20米所需时间20米/0.5米每秒40秒 z_cmd min(0.5 * t, 20); % 斜坡后保持20米 w_cmd 0.5 * (t t_ramp); % 上升段指令速度为0.5m/s保持段为0 dz_cmd 0.5 * (t t_ramp); % 加速度项在指令模块里近似为0把这段放到Simulink的Signal Builder或者MATLAB Function里作为“指令生成模块”就能看到控制器在上升段和保持段分别如何工作。上升段跟踪误差小保持段又回到静差接近0。这是比单纯阶跃更有说服力的仿真结果。5.4 把PID和SMC放进同一个扰动场景做对比为了证明SMC的选取确实有意义我在同一个Simulink模型里加了一个正弦波浪扰动块F_dist p.Fdist_amp * sin(2pip.Fdist_freq*t)。PID控制器我先用Ziegler-Nichols粗略整定再手工微调几轮保证它在这个模型里已经处于“能接受的稳度”而不是故意调差。然后把两者分别跑一遍记录稳态深度误差和推力波动情况场景PID稳态深度误差SMC稳态深度误差推力波动程度无扰动约0.05m约0.01mSMC略活跃波浪扰动20N0.5Hz约0.35m约0.08mSMC推力幅度明显更小模型参数偏大20%出现缓慢漂移误差仍在0.1m内SMC保持稳定这个对比不是想说PID一无是处而是说明当模型参数和外部扰动的不确定性都比较大时SMC的“设计性”优势就出来了。代价是SMC调参时需要更多考虑边界层和抖振而PID只要线性稳定就够了。对水下机器人这样一个“模型总有一定不确定度”的系统SMC的性价比是高的。6. 这类项目要避开的坑与后续可以扩的方向6.1 我在仿真中踩过的几个隐蔽坑先说一个最隐蔽的量纲混淆。有一次我把深度误差e的单位当成了“米”滑模面s de c*e其中de单位是米/秒e单位是米c单位必须是1/秒才能让两项单位一致。可我有一版本把c设成了0.4本来应该是0.4 1/s结果各项数值比例就不对导致控制器在某些速度下反应过猛而位置误差不大时又反应不足。这个问题在纯数学推导时看不出来一上Simulink就暴露了。所以写代码前一定在注释里标清楚c的量纲。另一个坑是初始条件设太“顺”。仿真初始深度和期望深度完全一样时s初值就是0系统直接进入滑模运动阶段你永远看不到“到达段”的特性也无法判断趋近律设计是否合理。我后来故意把初始深度设成5米期望深度20米这样才能同时观察到趋近段、滑模段和稳态段。第三个坑是推力饱和问题。控制器输出推力可能瞬间远超推进器能力如果不加Saturation限幅模型积分器会在推力标志下疯狂积累速度深度曲线直接“飞掉”。我加饱和限幅后再分析控制器输出是否频繁触顶这反过来也指导我降低epsilon和k让正常工况不触顶。6.2 从仿真走向实机之前还要补哪些东西仿真和实机之间有一道很宽的鸿沟。我自己做半物理测试时发现至少有三个问题必须在仿真阶段提前建模传感器噪声和滤波。深度计和IMU都带噪声微分项和速度反馈会被污染。至少要加一个低通滤波或卡尔曼滤波模块看看控制性能被削弱多少。执行器动态。推进器不是理想推力源它有一阶惯性滞后推力响应带宽有限。我在Simulink里可以加一个1/(tau_a * s 1)传递函数模拟推进器tau_a取0.1~0.3秒效果立竿见影。离散化实现。理想连续SMC直接用DSP实现时控制频率和边界层要匹配否则离散切换会带来额外抖振。仿真阶段建议把控制器改成离散子系统设置固定采样时间提前验证离散化对性能的影响。6.3 后续研究方向参考基础SMC跑通之后可扩展的方向其实很多挑几个对毕设选题和论文提升最直接的终端滑模/非奇异终端滑模把滑模面从线性组合改成非线性函数保证误差有限时间收敛比指数收敛更快轨迹末端不会出现拖尾。自适应滑模用在线参数估计替代固定切换增益不需要提前知道扰动上界适合扰动上界不易估计的深水场景。积分滑模面在滑模面里加入误差积分项可以进一步提升稳态精度但要注意积分饱和问题。滑模观测器如果你的对象状态不能全部测得可以设计滑模观测器重构速度或扰动再与控制器结合形成输出反馈控制。这些方向都是建立在“先把基础SMC仿真跑通”这个前提之上。基础模型和仿真框架都是现成的换公式只是改MATLAB Function内部那几行代码调试方法论完全复用。最后再分享一点我个人的体会做这种课题最容易让人焦虑的是“理论都懂但仿真不出来”。我建议你拿到这个项目后先不要追求把控制器公式推导到最完美而是尽快搭出一个最简单的闭环——哪怕控制器先用P控制粗调也要把模型积分链和反馈闭环跑通。然后把P换成SMC一步一个坑去踩踩到后面你会发现滑模控制的原理、抖振的成因、参数的作用全都变成了一种手感。这种手感才是你做这个项目真正能带走的东西。 
长河君 · 2026/10/21 18:33:29 · 阅读 1.2k 基于滑模控制的AUV深度控制仿真与Simulink调参实战
做AUV深度控制仿真第一个让人头疼的往往不是算法本身而是怎么让模型先在水里稳定跑起来。这个项目“基于SMC的AUV控制器研究”正好踩在这条线上一边是水下机器人本身复杂的动力学特性另一边是滑模控制里那些让人又爱又恨的高频切换和抖振。我最初调通这套Matlab/Simulink仿真的时候最大的感受是——滑模控制并没有论文里写的那么神秘但它确实是解决AUV垂向控制问题的一把顺手的刀只要你把模型、控制器和仿真设置这三层关系理顺了。这篇文章适合正在做水下机器人方向课程设计、本科毕设或者硕士课题的同学也适合想在自己项目里把非线性控制器从理论搬到仿真里的工程师。我会按实际调试的顺序来写先说清楚为什么选SMC然后把AUV垂向模型一步步拆成可以积分的状态方程接着推导滑模控制器并给出Simulink实现细节最后把我调参过程里遇到的那些抖振、发散和参数敏感问题完整复现一遍。全程会带上可以直接用的初始化脚本和模型模块设计思路。1. 为什么AUV深度控制要选滑模控制先看它在水下要面对什么1.1 AUV的垂向运动本质上是个强非线性、强扰动系统自主水下机器人和地面轮式机器人有一个本质区别地面机器人主要克服摩擦力和重力但AUV在水下同时要面对浮力、附加质量、水动力阻尼和波浪扰动这四类作用力。拿垂向运动来说深度变化时浮力几乎不变但阻尼系数与速度的平方相关一个在低速点整定好的线性模型速度变化一截就开始“失真”。更麻烦的是水动力参数很难精确辨识同一台AUV换个航速、换个深度等效质量和阻尼系数都可能不一样。所以AUV深度控制器面对的是一个典型的带参数不确定性、受未知扰动、还有明显非线性的系统。你没法指望一个定死参数的线性PID在所有工况下都表现稳定。1.2 我在深度环路上用过PID之后看到的“典型病状”我不是说PID不能用毕竟工程上大量AUV确实用PID做底层回路。但在定深控制这个具体场景里PID有几种特别让人恼火的病状超调量大。期望深度从10米变到20米时PID为了快速响应会先把推力给大AUV实际深度很容易冲过目标再拉回来。在水下“冲过”不是小事底质复杂时可能直接撞地或者越过温度跃层影响传感器读数。微分项容易放大噪声。深度计压力传感器本身有测量噪声微分增益D稍大一点推力指令就开始跟着噪声高频摆动执行器磨损和能耗都会上来。抗扰性弱。近水面波浪扰动是持续的低频正弦性力PID只能靠比例项硬顶扰动一强稳态深度误差和低频振荡都会显现。我做对比仿真的时候把同样的波浪扰动分别加给PID和SMCPID要花很长时间才能回到设定深度附近而且残余波动明显。这不是PID参数没整好而是它没有把“不确定性和扰动”作为设计变量去主动处理。1.3 滑模控制的直观直觉与它那点“不讲理”的鲁棒性滑模控制的思路其实特别简单粗暴先在地面上挖一条“滑滑梯”轨道滑模面然后用控制力把一个滑块强行推到轨道上之后这个滑块就顺着轨道滑向目标点。对应到控制器设计上就是构造一个滑模面函数s只要让s先归零再把s维持在零附近系统的跟踪误差就会按滑模面决定的动态收敛。这个“先设计轨道、再暴力压制上轨”的策略带来一个很直接的收益一旦进入滑模运动系统对外部扰动和参数不确定性就“感觉不到了”匹配不确定性全部被切换项吃掉。这就是它“不讲理”的鲁棒性来源——不是靠精确建模而是靠高频切换强行把状态拴在轨道上。当然代价也很明显理想滑模要求无限频繁的切换实现的时候必然出现抖振。这也是很多初做SMC的人最容易翻车的地方。我一般和学生说不要怕抖振它本质上是“鲁棒性的影子”你要做的是用边界层和合理的切换增益把它控制在可接受范围而不是指望它消失。表格能很直观地说明这两种控制器在垂向控制中的差异对比维度PID固定参数SMC滑模控制模型依赖几乎不依赖模型需要一个简化标称模型参数不确定性处理靠冗余调节适应性弱切换项直接覆盖有界不确定性外扰响应有静差或振荡初始段有偏差滑模到达后明显抑制高频通道代价推力较平缓推力存在高频切换需边界层抑制调参直觉比例/积分/微分c、切换增益K、边界层厚度phi2. AUV垂向动力学建模怎么把一个水下机器人“塞进”仿真里2.1 坐标系选择与自由度取舍为什么常把六自由度压成垂向单自由度AUV在水下运行是标准的六自由度运动三个平动自由度前进、横移、垂向和三个转动自由度横摇、纵摇、艏摇。完整建立六自由度模型可以写出来但如果你只是研究“定深控制”强行上六自由度反而会让控制器设计变得混乱很多力耦合项在垂向主回路里根本用不上。我用的简化策略是只取垂向的深度z和垂向速度w两个状态横摇纵摇靠单独的配平系统保持小角度。这样相当于把注意力集中在“深度方向”这一个主回路上控制器设计、仿真调参和结果解读都清晰很多。坐标系方面深度z在大地坐标习惯用北东地坐标系NED里直接指向地心方向通常定义为向下为正AUV深度计读到的就是该方向的高度。垂向速度w定义为本体坐标向下运动速度在小姿态角假设下w近似等于dz/dt。你直接把这个近似写进模型后续控制器公式就简单很多误差也有限。2.2 简化垂向模型的力分析惯性力、水动力、重力浮力、推力在单一垂向自由度假设下沿深度轴写牛顿第二定律m_eq * w_dot tau_thrust F_gravity_buoyancy - D * w F_dist其中各符号含义m_eq等效质量 刚体质量m 垂向附加质量单位kg。附加质量是物体加速时带动周围水一起运动产生的惯性效应你可以把它理解成“推一个装满水的大箱子感觉比它本来更重”的道理。tau_thrust螺旋桨或推进器提供的垂向推力单位N这是控制输入。F_gravity_buoyancy重力与浮力的合力通常写成W - B单位N。正常配置的AUV会调整到微正浮力或近中性浮力W-B的绝对值很小但会直接影响深度静差。D * w线性水动力阻尼项D是阻尼系数单位N·s/m。高速时可以再增加一个二次阻尼项但基础仿真先保留线性项即可。F_dist外部扰动比如波浪力、水流的垂向分量、负载变化导致的浮力突变等这里先拿它代表“模型没建准”的那部分。如果把F_gravity_buoyancy也看作一个已知的恒定项近中性浮力时近似为常数这个一阶微分方程就已经可以进仿真了。注意在Simulink里所有力加起来除以m_eq就得到w_dot再积分一次得到w再积分一次得到深度z。这就是AUV垂向模型的“积分链”结构。2.3 模型参数的取值策略查表、估算与仿真试凑很多同学卡在参数上到底取多大算合理我的建议是分三步走第一步先看对象尺度。假设这台仿真AUV是一个近似圆柱体的小型水下机器人直径大概0.2米长度1米排水体积约0.03立方米。水的密度取1025 kg/m³时排水浮力约300N。这决定了浮力差的量级。第二步估算质量与附加质量。刚体质量取50kg垂向附加质量通常占刚体质量一半到三分之二保守取30kg则m_eq约80kg。阻尼系数D按照垂向运动的水力阻尼估算一般取几十到一两百N·s/m仿真可以先取60N·s/m这样在最大垂向速度1m/s时阻尼力60N量级合理。第三步用开环仿真做合理性校验。给一个固定的垂向推力比如200N观察稳态速度是否合理ast tau / D 200 / 60 ≈ 3.3m/s偏大那就说明D太小或推力太大需要调整。这样反复几次参数就能处在可接受的量级范围内。2.4 把方程改写成Matlab/Simulink可直接积分的形式把上面的力平衡方程整理成状态空间形式方便直接在Simulink用积分器x [z; w] x_dot [w; (tau_thrust (W-B) - D*w F_dist) / m_eq]输出y z。这个二状态系统的输入是tau_thrust扰动是F_dist。在Simulink中我把这个结构拆成三个加法器、一个Gain、两个积分器就搭完了不需要复杂封装。第一步先把自定义的MATLAB Function控制器模块挂在输入侧第二步再把动力学模块独立做成子系统后期替换模型细节方便得多。3. 滑模控制器设计从滑模面、趋近律到实际控制律的推导3.1 设计目标与误差定义深度跟踪还是深度保持深度控制可以分为两类任务一类是稳态定深depth keeping期望深度长期不变重点关注静态误差和抗扰动另一类是深度跟踪depth tracking期望深度按某个轨迹变化重点关注动态跟踪性能。我用阶跃指令做基础调试之后换成梯形指令做抗扰对比。误差定义为e z_cmd - z dot_e w_cmd - w其中z_cmd是期望深度w_cmd dz_cmd/dt是指令速度。对于阶跃指令目标深度突变时w_cmd近似为0但对于梯形轨迹w_cmd不为0误差中的速度项就有意义。控制器是统一形式只是参考输入不同。3.2 滑模面为什么选“误差的线性组合”定义滑模面s dot_e c * e其中c是一个正的设计参数。为什么用这种线性组合因为s0时求出dot_e -c * e这是一个一阶线性微分方程误差e必然指数收敛到零收敛时间常数就是1/c。也就是说只要AUV能进入“滑模状态”使s保持在0附近深度控制问题就自动成了一个误差按指数衰减的问题控制器的后续任务就只是维持s0。c的取值决定误差收敛速度。c太小系统滑向目标点很慢c太大要求的控制力和初始切换推力都很大同时对速度噪声也更敏感。我一般先从c 0.2 ~ 0.5 试再根据实际响应去调。需要说明的是这里用一阶滑模面是针对垂向二状态系统z和w自然匹配的结果。更高阶的滑模如终端滑模能保证有限时间收敛但设计复杂度明显上升我留着做扩展不在基础版本里面混用。3.3 趋近律的选择等速、指数与幂次趋近滑模面的动态不等于说“你随便怎么推都能上轨道”还需要设计趋近律明确s是减速逼近还是等比逼近、以多快速度到达滑模面。常见的有三种等速趋近律s_dot -epsilon * sign(s)。s以恒定的速度逼近0实现最简单但切换增益epsilon如果太大抖振会非常明显epsilon太小又到达太慢。指数趋近律s_dot -k * s - epsilon * sign(s)。这里-k*s让s在远处快速靠近滑模面接近后epsilon的等速项继续保证有限时间穿越综合性能好很多。我基础版本就用这个。幂次趋近律s_dot -k * |s|^alpha * sign(s)。在s接近0时切换幅度自动减小理论上看抖振更轻但参数多了alpha调起来不如指数趋近直观。指数趋近律里还有一个细节k和epsilon要配合选择。k决定远离滑模面时“拉向轨道”的速度epsilon决定接近滑模面后的“穿越力度”。我的经验是先把k取2~5epsilon取0.5~2再通过仿真微调。3.4 由滑模面到达条件反解控制律设计控制律的目标是让s_dot满足趋近律。对s求导s_dot dot_dot_e c * dot_e (ddot_z_cmd - w_dot) c * dot_e把w_dot换成模型方程忽略扰动时得到s_dot ddot_z_cmd c * dot_e - (tau_thrust (W-B) - D*w) / m_eq要让s_dot满足指数趋近律 s_dot -ks - epsilonsign(s)反解得到控制律tau_thrust m_eq * (ddot_z_cmd c * dot_e ks epsilonsign(s)) - (W-B) D*w这就是完整的滑模控制器。再看这个结构前半部分是根据参考轨迹和滑模面状态的“驱动项”后半部分-(W-B)Dw是模型补偿项。当模型不准或者有扰动时epsilonsign(s)负责兜底。为了抑制理想sign函数带来的抖振我把sign(s)替换成饱和函数sat(s/phi)。sat的实现是当|s| phi时输出sign(s)当|s| phi时输出s/phi。phi取0.01~0.1相当于在滑模面附近设置一个“边界层”层内切换项连续变化抖振显著降低代价是层内稳态误差会略微增大。边界层厚度本质上是个鲁棒性-精度的权衡我第一次跑仿真时直接用sign函数推力曲线疯狂振荡换成sat之后马上安静下来。控制律的核心Simulink实现可以写成一个MATLAB Function输入是参考轨迹、实际深度和速度输出是推力指令。代码如下function tau smc_controller(z_cmd, w_cmd, dz_cmd, z, w, p) % p为参数结构体p.c, p.k, p.epsilon, p.phi, p.m_eq, p.D, p.WB e z_cmd - z; de w_cmd - w; s de p.c * e; % 指数趋近律 饱和函数 % 该变量s需要写出连续表达避免仿真步长跳变引起的符号跳变 s_sat s / p.phi; if abs(s_sat) 1 s_sat sign(s); end tau_eq p.m_eq * (dz_cmd p.c * de p.k * s) - p.WB p.D * w; tau_sw p.m_eq * p.epsilon * s_sat; tau tau_eq tau_sw;注意看代码里的tau_eq那行我把p.epsilon乘到m_eq外面这样可以更方便归一化切换增益。实际项目中直接按推导式写也行量纲是对的。4. Matlab/Simulink仿真实现搭建、参数设置与常见“跑不动”问题4.1 仿真架构从深度指令到推力到运动学信号怎么走在Simulink中搭建之前心里要先画好信号流方向。我的环路是深度指令模块产生z_cmd、w_cmd、dz_cmd若是阶跃则w_cmd和dz_cmd设为0若是梯形则实时计算。反馈模块输出实际深度z和垂向速度w。误差计算点求e和de。SMC控制器模块根据误差和参数计算推力tau。tau经过推力饱和限幅Saturation模块进入AUV动力学模块。动力学模块内部求w_dot、w、z并经积分器闭合回路。这个架构里积分顺序是w_dot - w - z每一步都是连续信号不要在图里设置额外的采样保持除非你要故意模拟离散控制器。4.2 模型的四种搭建方式与我的选择Simulink里实现滑模控制器有四种常见方式纯基本模块用Gain、Add、Sign/Saturation搭直观但改参数麻烦。MATLAB Function模块写一小段代码清晰高效我推荐这个。S-Function功能最强适合替其他语言写的算法但对初学者调试不友好。Simscape等物理建模方式可以建水动力细节但复杂度和仿真成本高。基础阶段我推荐“MATLAB Function 基础模块”混合控制器用MATLAB Function动力学用基础积分器模块推力饱和用Saturation模块。这样既有可控可见的结构又方便改代码调算法。等你把控制器公式替换成终端滑模、自适应滑模时也只需要改Function内部代码外面模块不用动。4.3 初始化脚本与参数配置我在运行Simulink之前先跑一个初始化脚本init_auv_smc.m把模型参数和控制器参数都定义在工作区。Simulink里的MATLAB Function内部要用到参数结构体p所以脚本初始化之后模型可以直接引用p。%% AUV垂向模型参数 p.m_body 50; % 刚体质量 kg p.m_add 30; % 垂向附加质量 kg p.m_eq p.m_body p.m_add; % 等效质量 kg p.W 50 * 9.81; % 重力 N约490.5N p.B 52 * 9.81; % 浮力 N微正浮力 p.WB p.W - p.B; % 浮力差 N负值表示轻度正浮力 %% 阻尼与干扰 p.D 60; % 线性阻尼系数 N*s/m p.Fdist_amp 20; % 扰动幅值 N p.Fdist_freq 0.5; % 扰动频率 Hz %% 滑模控制器参数 p.c 0.4; % 滑模面系数 p.k 3; % 指数趋近比例项 p.epsilon 1.5; % 切换增益 p.phi 0.05; % 边界层厚度 %% 参考指令 depth_setpoint 20; % 目标深度 m depth_init 0; % 初始深度 m这里特别提醒在MATLAB Function里引用p时要把它作为额外输入参数传入或者在Function内部用全局变量。我习惯是把p作为结构体输入每次仿真前重新运行脚本即可避免“工作区变量找不到”的烦恼。4.4 求解器选择与仿真步长滑模控制器的核心是高增益切换动作这类连续系统的仿真对求解器比较敏感。我的建议是不要用自动变步长ode45的默认配置。因为滑模切换动作会让误差估计器频繁调整步长仿真会非常慢而且容易在一些切换瞬间产生“伪振荡”让你误判控制器性能。我选择固定步长求解器比如ode4四阶龙格库塔步长取1e-4秒到1e-3秒。如果主要关注深度曲线和推力包络1e-3秒就够如果特别在意抖振细节再降到5e-4秒。如果你的模型里包含饱和模块和边界层在固定步长下切换现象会被边界层平滑肉眼可见的高频振荡基本消失。很多同学第一次跑SMC仿真觉得“抖振大”其实有一半原因是求解器步长太大或变步长在切换点附近“夸大”了抖振。你用固定步长跑把边界层设好推力曲线会很干净。5. 仿真实战结果解读、参数整定与抖振处理的完整排坑过程5.1 第一个版本跑出来的“标准失败”深度曲线高频抖动我第一次按理论公式直接搭模型时用的是sign函数没有边界层epsilon3仿真步长1e-4。结果深度曲线在设定值附近出现持续高频的“毛刺振荡”推力曲线更是惨不忍睹几乎是满幅正反切换。静态深度误差虽然不大但这个输出直接拿去论文或工程里当结果肯定会被审稿人或者现场工程师质疑。我当时的排查链路是先怀疑自己的滑模面是否写错。把s输出到示波器发现s基本在0附近小幅穿越说明滑模面本身没问题。再怀疑参数c和k是否不合理。尝试把c从0.4改到0.1k从3改到1结果显示抖振频率降低但“毛刺”依然存在。最后才意识到问题出在sign函数的理想切换上。理想滑模要求无限频率切换但仿真和实际执行器都做不到所以必然产生抖振。解决办法就是引入边界层把sign(s)改成sat(s/phi)phi从0.01试到0.1。修复之后深度曲线不再抖动推力曲线也从高频乱跳变成了柔和的双极性调节。这是我反复和做SMC的人强调的一点不要迷恋理论上的sign函数实现层面一定要用边界层或者趋近律柔化否则你的仿真结果连自己都不信。5.2 调参带来的“连锁反应”c、K、phi 怎么配合调参不是把每个参数单独调到最优而是理解它们之间的相互作用。下表是我在调试中记录的参数敏感性可直接参考参数增大效果减小效果受哪个指标影响最大c滑模面斜率收敛加快超调增大对噪声敏感响应变慢跟踪滞后动态跟踪精度k趋近比例项快速把s拉回轨道但推力会更大到达滑模面变慢瞬态偏差大初始响应速度epsilon切换增益抗干扰更强但抖振幅度增加扰动抑制变弱可能出现稳态滑模“泄漏”鲁棒性和抖振幅值phi边界层厚度抖振显著下降但稳态误差增大精度提高但推力切换活跃抖振与精度的权衡我调试时一般用“先保证鲁棒再追求稳定最后压缩稳态误差”的顺序。先设epsilon足够大比如2~3确认系统在强扰动下不失稳然后增大k比如从1加到5观察深度跟踪速度再把c微调到0.3~0.8最后用phi从0.05开始逐步减小到0.02看深度误差是否还能接受。有一个常见误区是试图让所有指标都“最优”。实际中你很快会发现c调大了深度确实跟得快但推力饱和概率也上去了反而让实际深度曲线出现平台段。小AUV的推进系统输出有限这个限制条件必须优先满足控制器的激进程度要反过来迁就执行器。5.3 深度指令从阶跃改为梯形参考后的瞬态变化阶跃指令仿真能快速验证控制器基本功能但实际AUV下潜时上位机一般不会直接给一个深度阶跃而是给一段“缓慢下潜”的参考剖面否则推力瞬间拉满不说姿态也可能失控。我把参考指令改成梯形轨迹后观察到一个重要变化滑模面的初值从“阶跃时很大”变成“梯形时很小”控制器的初始推力需求也随之大幅下降。梯形参考的实现很简单设定上升速率比如0.5m/st_ramp 20 / 0.5; % 到达20米所需时间20米/0.5米每秒40秒 z_cmd min(0.5 * t, 20); % 斜坡后保持20米 w_cmd 0.5 * (t t_ramp); % 上升段指令速度为0.5m/s保持段为0 dz_cmd 0.5 * (t t_ramp); % 加速度项在指令模块里近似为0把这段放到Simulink的Signal Builder或者MATLAB Function里作为“指令生成模块”就能看到控制器在上升段和保持段分别如何工作。上升段跟踪误差小保持段又回到静差接近0。这是比单纯阶跃更有说服力的仿真结果。5.4 把PID和SMC放进同一个扰动场景做对比为了证明SMC的选取确实有意义我在同一个Simulink模型里加了一个正弦波浪扰动块F_dist p.Fdist_amp * sin(2pip.Fdist_freq*t)。PID控制器我先用Ziegler-Nichols粗略整定再手工微调几轮保证它在这个模型里已经处于“能接受的稳度”而不是故意调差。然后把两者分别跑一遍记录稳态深度误差和推力波动情况场景PID稳态深度误差SMC稳态深度误差推力波动程度无扰动约0.05m约0.01mSMC略活跃波浪扰动20N0.5Hz约0.35m约0.08mSMC推力幅度明显更小模型参数偏大20%出现缓慢漂移误差仍在0.1m内SMC保持稳定这个对比不是想说PID一无是处而是说明当模型参数和外部扰动的不确定性都比较大时SMC的“设计性”优势就出来了。代价是SMC调参时需要更多考虑边界层和抖振而PID只要线性稳定就够了。对水下机器人这样一个“模型总有一定不确定度”的系统SMC的性价比是高的。6. 这类项目要避开的坑与后续可以扩的方向6.1 我在仿真中踩过的几个隐蔽坑先说一个最隐蔽的量纲混淆。有一次我把深度误差e的单位当成了“米”滑模面s de c*e其中de单位是米/秒e单位是米c单位必须是1/秒才能让两项单位一致。可我有一版本把c设成了0.4本来应该是0.4 1/s结果各项数值比例就不对导致控制器在某些速度下反应过猛而位置误差不大时又反应不足。这个问题在纯数学推导时看不出来一上Simulink就暴露了。所以写代码前一定在注释里标清楚c的量纲。另一个坑是初始条件设太“顺”。仿真初始深度和期望深度完全一样时s初值就是0系统直接进入滑模运动阶段你永远看不到“到达段”的特性也无法判断趋近律设计是否合理。我后来故意把初始深度设成5米期望深度20米这样才能同时观察到趋近段、滑模段和稳态段。第三个坑是推力饱和问题。控制器输出推力可能瞬间远超推进器能力如果不加Saturation限幅模型积分器会在推力标志下疯狂积累速度深度曲线直接“飞掉”。我加饱和限幅后再分析控制器输出是否频繁触顶这反过来也指导我降低epsilon和k让正常工况不触顶。6.2 从仿真走向实机之前还要补哪些东西仿真和实机之间有一道很宽的鸿沟。我自己做半物理测试时发现至少有三个问题必须在仿真阶段提前建模传感器噪声和滤波。深度计和IMU都带噪声微分项和速度反馈会被污染。至少要加一个低通滤波或卡尔曼滤波模块看看控制性能被削弱多少。执行器动态。推进器不是理想推力源它有一阶惯性滞后推力响应带宽有限。我在Simulink里可以加一个1/(tau_a * s 1)传递函数模拟推进器tau_a取0.1~0.3秒效果立竿见影。离散化实现。理想连续SMC直接用DSP实现时控制频率和边界层要匹配否则离散切换会带来额外抖振。仿真阶段建议把控制器改成离散子系统设置固定采样时间提前验证离散化对性能的影响。6.3 后续研究方向参考基础SMC跑通之后可扩展的方向其实很多挑几个对毕设选题和论文提升最直接的终端滑模/非奇异终端滑模把滑模面从线性组合改成非线性函数保证误差有限时间收敛比指数收敛更快轨迹末端不会出现拖尾。自适应滑模用在线参数估计替代固定切换增益不需要提前知道扰动上界适合扰动上界不易估计的深水场景。积分滑模面在滑模面里加入误差积分项可以进一步提升稳态精度但要注意积分饱和问题。滑模观测器如果你的对象状态不能全部测得可以设计滑模观测器重构速度或扰动再与控制器结合形成输出反馈控制。这些方向都是建立在“先把基础SMC仿真跑通”这个前提之上。基础模型和仿真框架都是现成的换公式只是改MATLAB Function内部那几行代码调试方法论完全复用。最后再分享一点我个人的体会做这种课题最容易让人焦虑的是“理论都懂但仿真不出来”。我建议你拿到这个项目后先不要追求把控制器公式推导到最完美而是尽快搭出一个最简单的闭环——哪怕控制器先用P控制粗调也要把模型积分链和反馈闭环跑通。然后把P换成SMC一步一个坑去踩踩到后面你会发现滑模控制的原理、抖振的成因、参数的作用全都变成了一种手感。这种手感才是你做这个项目真正能带走的东西。