自动化控制与算法研究
深入探讨自动驾驶、机器人控制、人工智能领域的前沿算法与技术，从经典 PID 到最优控制 LQR/MPC，从模糊逻辑到数值优化，构建完整的算法知识体系。
📖 关于本站
本站专注于自动驾驶、机器人控制与人工智能算法的研究与分享。我们致力于将复杂的控制理论与算法以直观、易懂的方式呈现，帮助工程师和研究人员快速掌握核心技术。
自动驾驶
路径规划、横向/纵向控制、决策系统
机器人控制
运动规划、力控制、状态估计、SLAM
AI 算法
强化学习、优化方法、模糊逻辑、神经网络
控制理论
PID、LQR、MPC、自适应控制、鲁棒控制
"控制理论是关于如何利用反馈来设计系统的科学——它让自动驾驶汽车学会转弯，让机器人学会抓取，让无人机学会悬停。"
📝 算法文章
精选的控制理论与算法深度文章，每篇都包含完整的数学推导、代码实现和交互式可视化。
PID 控制器
比例-积分-微分控制器的完整指南。从基本原理到频域分析，从 Ziegler-Nichols 调参到数字实现，深入掌握工业控制中最广泛应用的算法。
经典控制入门必读模糊 PID 控制
融合模糊逻辑与经典 PID 的智能控制方法。从模糊集合理论到隶属度函数设计，从规则表构建到参数自整定，应对非线性时变系统的利器。
智能控制模糊逻辑LQR 最优控制
线性二次调节器的完全指南。包含连续/离散时间推导、Riccati 方程求解、权重矩阵调参，以及倒立摆、卫星姿态、自动驾驶等实战案例。
最优控制现代控制LQR 学习路径
从状态空间到最优控制，系统掌握 LQR 的核心原理、求解方法与实践技巧。本路径分为三层递进框架，适合不同阶段的读者。
最优控制入门必读模型预测控制
MPC 的深度解析：从滚动优化原理到 QP 问题构造，从线性 MPC 到非线性 NMPC，涵盖约束处理、稳定性分析、嵌入式实现等核心内容。
预测控制高级主题MPC 学习路径
从 LQR 基础到约束优化和控制，逐步掌握 MPC 的核心原理与实践技能。本路径采用四层递进法，适合从入门到进阶的系统学习。
预测控制系统学习OSQP 二次规划求解
基于 ADMM 算子分裂的高效 QP 求解器。深入剖析 OSQP 的核心算法、变量分裂策略、收敛性分析，以及在 MPC、机器人规划中的实战应用。
数值优化高性能自动驾驶技术路线全景分析
全面梳理自动驾驶核心技术路线：模块化架构、端到端学习、世界模型、VLA 大模型、车路协同。深入分析每种方案的框架原理、代表工作与技术趋势。
自动驾驶综合综述机器人技术路线全景分析
全面梳理机器人核心技术路线：从传统工业机器人、基于模型的最优控制 (MPC/WBC/iLQR)，到强化学习、模仿学习、人形机器人、具身智能 VLA 大模型。深入分析每种方案的框架原理、代表工作和未来趋势。
机器人综合综述🌍 研究方向
横向控制
路径跟踪、Stanley 方法、Pure Pursuit、MPC 横向控制
纵向控制
速度跟踪、ACC 自适应巡航、PID 纵向控制、节能策略
决策规划
行为决策、路径规划、轨迹优化、运动预测
状态估计
Kalman 滤波、粒子滤波、IMU 融合、定位建图
强化学习
基于 RL 的控制策略、奖励函数设计、Sim-to-Real
系统辨识
参数估计、模型拟合、数据驱动建模