前馈与反馈——经典控制理论中的基础概念

这篇文章的重点不在于反馈，应该算是学习控制理论的常识了，只想要好好介绍一下前馈，以前对它没有建立起系统的认识，导致真正使用的时候，控制器只使用了反馈控制。这篇文章主要为了打破这种桎梏，把前馈+反馈的 pid 形式作为现在最基本的控制方案来作为工程实现的稳定基线。

前馈的核心思想不是“看结果以后再纠正”，而是“在结果真正偏离之前，先根据已知原因提前给出补偿”。反馈控制关心的是输出已经发生了什么，前馈控制关心的是导致输出变化的原因已经出现了什么。因此，反馈像是“看到误差以后再修正”，前馈像是“预判扰动或需求会造成什么影响，然后提前抵消或提前施加作用”。

最典型的反馈过程是这样的：系统有一个目标值 $(r)$，也有一个实际输出 $(y)$，控制器比较两者得到误差 $(e=r-y)$，然后根据误差来调节控制量 $(u)$。如果实际值低了，就把控制量加大；如果实际值高了，就把控制量减小。反馈的优点是稳健，因为它不需要完全知道系统为什么偏离，只要偏离已经体现在输出上，就可以根据误差纠正。但它的天然问题是滞后，因为只有当输出已经变了、误差已经出现了，反馈才开始动作。也就是说，反馈控制本质上是“事后纠偏”。

前馈则是另一条逻辑。它不等误差出现，而是根据目标变化、扰动变化或已知模型，直接计算应该施加多少控制量。例如一个水箱要把水位保持在目标高度，反馈控制会观察水位是否下降，如果水位下降了，就加大进水阀；前馈控制则会提前知道出水阀打开了多少，直接估算“即将流失多少水”，然后提前增加进水量，使水位还没有明显下降时就已经开始补偿。这里的关键区别是，反馈看的是水位误差，前馈看的是导致水位变化的出水扰动。

所以前馈并不是没有控制，也不是没有计算，它只是控制依据不同。反馈的输入主要是输出误差，前馈的输入主要是目标指令、外部扰动或系统模型。写成最简单的形式，反馈控制可以理解为：
$$[u_{\mathrm{fb}}=K(r-y)]$$
这里控制量来自误差 (r-y)。而前馈控制可以理解为：
$$[u_{\mathrm{ff}}=F(r,d)]$$
这里 ® 是目标输入，(d) 是可测扰动，(F(\cdot)) 是根据系统模型或经验规律构造出来的补偿函数。完整控制器常常不是只用反馈，也不是只用前馈，而是二者叠加：
$$[u=u_{\mathrm{ff}}+u_{\mathrm{fb}}]$$
这个式子非常重要，因为工程控制里最常见、也最合理的结构往往就是“前馈负责提前给出主要控制量，反馈负责修正剩余误差”。前馈承担大部分可预测的控制任务，反馈处理模型不准、扰动未知、参数漂移和噪声造成的偏差。

举一个发动机控制的例子。假设要控制共轨压力 §，压力变化大体来自进油和喷油之间的质量流量差。喷油量突然增大时，轨压会下降。反馈控制会等到压力真的下降以后，看到 (p_{\mathrm{ref}}-p) 变大，再增加泵油控制量 (u)。前馈控制则会利用喷油脉宽、转速、目标轨压等信息，提前估算当前工况下需要多少泵油量来平衡喷油消耗。也就是说，当前馈知道喷油需求即将变大时，它可以提前把泵油量抬上去，从而减小轨压下跌幅度。这里反馈看到的是“压力已经低了”，前馈看到的是“喷油需求会让压力变低”。

在这种场景下，前馈的数学本质其实就是“模型逆运算”。如果系统模型近似为：
$$[\dot{p}=Au-B{q}_{\mathrm{inj}}]$$
其中 (u) 是泵油控制量，(q_{\mathrm{inj}}) 表示喷油导致的出流项，那么如果希望压力暂时维持不变，即 (\dot{p}=0)，就可以得到一个理想的前馈控制量：
$$[u_{\mathrm{ff}}=\frac{B}{A}{q}_{\mathrm{inj}}]$$
这就是前馈的典型来源：根据系统物理关系，直接算出“为了抵消某个已知消耗，需要提前给多少输入”。当然实际系统里 (A)、(B)、喷油流量、燃油弹性模量、泵效率都可能不准，所以单靠前馈不够可靠。这时反馈就补上来：
$$[u=\frac{B}{A}{q}_{\mathrm{inj}}+K(p_{\mathrm{ref}}-p)]$$
前一项提前抵消喷油扰动，后一项修正实际压力误差。这样系统既快，又稳健。没有前馈时，控制器必须等压力掉下去再补偿，响应慢；没有反馈时，一旦模型估计错了，前馈可能长期偏高或偏低，造成稳态误差甚至失控。

从控制思想上看，前馈依赖“原因”，反馈依赖“结果”。已知扰动、可测工况、目标轨迹、物理模型、经验标定表，这些都可以成为前馈的信息来源。反馈则不关心这些原因是否完全清楚，它只关心实际输出有没有偏离目标。前馈的优势是动作早、响应快、能够减小滞后；反馈的优势是抗不确定性、能纠正模型误差、能保证闭环稳定性。前馈怕模型错，反馈怕响应慢。两者不是互相替代，而是互相补充。

再换成开车的例子会更直观。你开车上坡时，如果只靠反馈，就是等车速已经掉下来了，发现速度低于目标，再深踩油门。这样车速会先下降，再慢慢恢复。前馈则是你看到前方是上坡，知道上坡会增加负载，于是还没等车速下降就提前加油门。这个提前加油门的动作就是前馈。可是如果坡度判断不准、车上载重变了、风阻变了，仅靠前馈可能加多或加少，所以还需要通过速度表看到实际速度偏差，再用反馈修正。

这也解释了为什么你会感觉神经网络训练里“有点反馈的意思”。严格说，神经网络的前向传播不是控制意义上的前馈补偿，它只是把输入经过网络参数计算成输出，因此常被叫作 feedforward network 或 forward pass。它里面的信息流确实是单向的，从输入到输出，没有输出再回到输入参与当前计算。但训练阶段又会用损失误差来反向更新参数，这个过程在结构上很像反馈：预测值和真实值比较得到误差，误差再影响参数更新。只是它不是实时控制系统里的输出反馈，而是优化意义上的误差信号回传。

因此需要把两个语境分开理解。在神经网络结构里，“前馈网络”通常指没有循环连接、信息从输入层单向流向输出层的网络，比如普通 MLP。这里的“前馈”强调的是计算方向，不强调扰动补偿。在控制系统里，“前馈控制”指根据目标或扰动提前计算控制输入，强调的是不等误差出现就先动作。二者都含有“从原因到结果的单向计算”的意味，但应用对象不同。神经网络里的前向传播是在算预测，控制里的前馈是在算控制量。

如果用一句更凝练的话来区分，反馈是“输出错了再改输入”，前馈是“根据已知原因先给输入，尽量不让输出出错”。反馈需要闭环测量，前馈需要模型或扰动信息。反馈的代表形式是 $(u_{\mathrm{fb}}=K(r-y))$，前馈的代表形式是 $(u_{\mathrm{ff}}=G^{-1}r)或(u_{\mathrm{ff}}=D(d))$。前者从误差出发，后者从目标或扰动出发。

在工程上，前馈最常见的三种来源可以统一理解为“目标前馈”“扰动前馈”和“模型前馈”。目标前馈是根据目标值变化提前给控制量，比如目标转速提高时，直接增加一部分油门，而不是等转速升不上去再补。扰动前馈是根据可测扰动提前补偿，比如负载增大、喷油量增大、坡度增大、流量消耗增大时，提前提高输入。模型前馈是根据系统逆模型计算输入，比如知道某个轨压目标和工况下理论上需要多少泵油量，就先给这个基础控制量，然后再让反馈微调。

前馈的难点也在这里：它必须知道“应该提前补多少”。如果系统模型准确，前馈会非常有效；如果模型不准，前馈就可能补偿不足或过度补偿。比如轨压系统里，如果你低估了喷油出流，前馈给的泵油量就不够，轨压仍然会下降；如果你高估了喷油出流，前馈给得太多，轨压可能上冲。反馈则可以把这种偏差纠正回来。所以实际控制器中，前馈通常负责提供一个接近正确的基础控制量，反馈负责把剩下的误差压下去。

这也是很多控制系统喜欢采用“前馈加反馈”的原因。单独反馈可以工作，但响应慢，尤其在大扰动或明显时滞系统中，输出已经偏离后再修正，往往会造成超调、滞后或振荡。单独前馈也可以很快，但它太依赖模型，面对未知扰动和参数变化时不稳健。前馈加反馈的结构就比较合理：前馈先把主要已知影响抵消掉，让系统一开始就站在比较接近目标的位置；反馈再处理剩下的不确定部分，使最终输出稳定收敛到目标。

所以，真正理解前馈，不要把它看成一个孤立控制器，而要把它看成“基于已知因果关系的提前补偿通道”。反馈的逻辑是从结果追溯输入，前馈的逻辑是从原因推算输入。反馈问的是“现在输出偏了多少”，前馈问的是“按照当前目标和扰动，系统马上需要多少输入”。当这两个问题同时被回答时，控制系统通常就会既快又准：前馈解决速度，反馈解决准确性和鲁棒性。