跟传统控制算法相比

把机器学习放到传统控制中，就在前几天反馈控制系统是有，有一个类似的项目，说说我的看法。

总的来说，这个方向还处于非常早期的阶段，目前还没有看到成熟的应用方案。首先，机器学习算法的本质是非线性关联，输入-黑盒，不管是分类还是回归。

对于传统的反馈控制，主要有控制器和系统两部分，基本都是机器学习算法可以替代的部分

对于控制器来说，机器学习主要有两种方法：

2000年左右，当时学术界主要的方法是用ANN来代替pid的关系表达式，试图自己用ann来学习比pid关系更好的控制关系。本质上还是pid，输入基本一样，只是pid公式换成了ann。还有近年来出现的强化学习，但目前强化学习在传统控制领域存在几个不足。虽然现在叫model free rl，但其实根本没有模型可以直接训练rl控制模型。以上是不可行的。目前已知只有group的sac是直接从实际系统中训练出来的，但是目标系统很简单。比如mpc，真的一点优势都没有。其次，做闭环控制，rl不能保证闭环稳定性，也不能直接观察两者之间的误差，所以用rl代替传统方法还有很多基本点无法解决。如果你有资源推荐美孚研发的文章，可以看看行业大佬的观点

使用机器学习来构建系统模型是大有可为的，但仍有许多基础问题没有解决。目前，许多动态模型都是通过微分方程来模拟的。主要优点是它们需要的数据少，针对几种不同的类型收集几组数据，建立机制模型，确定几个参数反馈控制系统是有，模型就出来了。几组数据，建立中试工厂需要很多年，根特大学的破解模型，几十个博士，花费数年，投入数亿美元，机理模型出来，精度够高，而所有隐变量（不能直接测量）都可以通过微分方程计算出来。如果用机器学习来建模，首先数据量肯定比现在的方法多，其次预测区间怎么改变，然后怎么用隐藏变量预测，如果这些问题不解决，现实中没人敢把机器学习模型放到生产线上。当然，如果是简单的系统，收单的成本比较低，比如机器人小车什么的，那么用ann建模是完全可以的

最后，传统的控制做得很好现在，无论是在理论上还是在实践中，稳定性，安全性，各种状态，安全运维，十多年的理论积累，都做出了非常少的点可以得到改善。唯一的缺点是模型构建需要金钱和时间。 ，但就目前而言，机器学习在这方面还很难突破