1樓：市民王先生
建議題主去查查什麼叫「資料驅動控制」，已經發展了好多年了。
不管pid，mpc,nmpc ，其原理都是對時序關係建模，只不過在模型的適用時間長度和自變數的覆蓋程度上有差異。pid僅僅是對輸出量和控制量之間的關係，在乙個很短的時間長度內，自適應地擬合了乙個單入（控制量）單出（輸出量）模型；和pid一樣，mpc也是在乙個短的時間長度內建模，但是mpc的建模時考慮的因素更多，出了控制量作為輸入以外，還有擾動量等等，由於建模時考慮因素更多，mpc優化得到的控制效能也更好；而nmpc則在乙個很長的時間長度上建模，考慮更多的因素，因此nmpc得到的控制效能最好。
pid,mpc,nmpc裡面包含的模型理論上都可以由機器學習模型替代，然後基於強化架構自適應更新模型引數和控制率。比如，當過程多變，且擾動量不可測的情況下，可以擬合乙個單因素的機器學習模型替代pid中隱含的線性單因素區域性模型，然後採用強化學習架構，邊校正模型引數，邊尋找最優的反饋率。同樣的，可以用神經網路去替代nmpc中的非線性模型，然後採用強化架構尋找最優的反饋控制率。
在控制領域，基於以上思路的強化學習控制演算法，過去一般叫「基於自適應動態規劃的優化控制」，後來又改名字叫「資料驅動控制」。
如果是基於線性機器學習模型，和線性控制率的的資料驅動控制，大部分資料驅動控制演算法的收斂性是易證的。基於淺層神經網路的也有一些可證。至於基於深層神經網路的資料驅動控制演算法，還沒有見過能證明收斂性的
2樓：
來個通俗的.
開門如何聲音小, 節約能量, 門軸受力小?
讓機械人每次開門, 記錄以上資訊, 不斷進行窮舉式搜尋.
得到的控制路徑要比簡單的路徑規劃軟體好,
得到的力控制要比力-位混合控制好.
得到的雜訊, 門軸受力, 機械人速度, 各關節能耗, 各關節壽命損耗, 都可以得到協調的優化.
從ML 選擇DL, 從DL走向GANs, 這幾年的進步很快TensorFlow及其擴充套件模組在行業內的應用是顛覆性的.
原來100萬左右1個教授帶隊團隊1年才能開發完成的工業級視覺識別軟體, 現在10萬2個研究生兩三個月就搞定了. 血洗的架勢, 也是乙個巨大的藍海. --我們在幫助AI教會全球幾億個攝像頭具備智慧型.
語音, 文字, 也都如此.
控制領域才剛剛開始, 大部分控制領域的人還在教學自控原理1PID, 自控原理2多變數矩陣控制, 控制實踐被計算機和網際網路和大資料這一群老司機帶飛了, 眼睛跟不上, 理論跟不上.大量科學問題需要解決, 在解決之前, 需要重新定義.
清華自動化小本一名, 著急.
3樓：Yi Zheng
PID控制是EKF的特例，EKF是RNN的特例，RNN又是LSTM的特例。PID和EKF都是用於控制的，所以RNN和LSTM能用於控制也就不奇怪。這些方法都是對時序關係的刻畫，控制也是屬於對時序關係的刻畫。
PID的時間步之間的關係是簡單線性關係，引數靠經驗設定；EKF稍複雜，時間步之間為物理建模關係，引數也需要靠經驗設定；RNN的時間步之間關係是非線性，引數通過資料學習，且每一步必定有輸出；LSTM的時間步之間關係是非線性，引數通過資料學習，且不一定每一步都有輸出。
P.S. 最近CNN技術有侵襲RNN傳統優勢領域的趨勢，比如語音識別會用到CNN，Facebook的Fairseq完全用CNN來替代LSTM原來的角色[1]。
當然Fairseq用了LSTM的gate技術。反過來LSTM也在開始玩dropout等CNN的傳統技術[2]。刻畫空間關係的CNN和刻畫時間關係的RNN有相互借鑑的趨勢（當然時間和空間兩者本質是高度統一的，何必介意刻畫的是時間還是空間）。
所以哪天如果CNN被用於控制了，也不要驚訝。
[1] 知乎 - 知乎 參考高英愷的回答。
[2] Gaofeng Cheng et al. "An exploration of dropout with LSTMs", INTERSPEECH 2017.
4樓：蔣蔣蔣蔣
中國的認知神經科學研究有兩大特點和優勢：多學科的聯合研究和多層面的研究手段。由於認知神經科學是多學科的綜合體，雖然國外的研究者個人水平相對較高，但學者之間的合作非常少。
國內所推行的「大科學」概念，傾向於結合各個學科解決問題，有利於多層面的研究和學科問題的解決。
5樓：
我覺得大家舉得例子都很好。對比quora上的悲觀言論我覺得我們中國人確實在這個方面更加朝氣蓬勃一些！
雖然我是本科準大四，不過我認為這個方面我還是有一些想法的。
傳統的控制論是由簡至繁，從底層向高層走，從區域性向系統發展。一步歩基於之前堅實的累積。
但可惜的是目前工業界僅用pid就取得了很好的效果，可見解決問題不一定需要事事求精。我認為控制論的路還非常的長。還有很多可以完善的地方。
我所在的學校這個方面的大神有很多，而這個方面對數學和空間的理解要求非常之高。
舉個例子，我們如果model乙個系統，如果它是非線性，有多個未知變數，已經是極其困難的了。從純數學角度出發，我們雖然可以進行解析和理解，但其複雜程度呈幾何增長。
這是從數學和物理角度進行理解和分析，如果我們走形上學的路，不求甚解，而只在已知條件下達到控制要求其複雜程度就大大減少，也大多不會是乙個幾何增長的複雜問題了。
所以我覺得特殊環節採用控制論，而整體則使用機器學習的方式進行控制，將會大大減小問題的複雜程度。
由於如今人工智慧和機器學習尚未發展到真正的智慧型，離理解問題的本質尚有非常遠的路要走，我們不妨不要把事情看得那麼清楚，只要知道多數情況下的多數解即夠用。
我個人認為，機器學習做的再好，有時候也不如將問題本質看清楚來的透徹，精確和好用，所以控制論的研究仍然有不可複製的作用。但機器學習可以讓我們在複雜情況下以較小代價獲得優解的作用，更對實際應用具有巨大意義。
方法沒有高低貴賤，但又好用不好用的區別，用鉛筆多練練也能畫個圓解幾何題，雖然圓規很好，但若是老是造不出來就先用鉛筆吧，把題解決是主要的。
但我覺得控制論這樣走下去博士沒讀完都是很難有巨大貢獻的，所以沒有強烈興趣的人我覺得不要走這個科研方向。向在控制論科研一線奮鬥，為世界貢獻人生理想的的大神們致敬！
6樓：
我最近在做過程控制的專案，用的主要是模糊控制。感覺機器學習在模糊控制的規則提取上可以獲得很好的效果。神經網路、遺傳演算法、支援向量機等與模糊系統的結合也已經有不少研究了，在工廠裡也有成功應用的案例。
機器學習，深度神經網路等方法是否是正確的方向？
陳小小 神經網路只是一種模型，我們要關注的是任務和問題而不是某一種模型，神經網路是解決某些任務的手段罷了。其實除了傳統的幾大任務包括視覺 語音 NLP 博弈論和機械人，還有很多問題值得我們關注。比如intuitive physics，intuitive psychology，compositiona...
神經網路中Belief Net和標準的神經網路有什麼區別？
金天 這個已經深埋地下的問題今天在下挖出來回答一番,拂去歲月的塵埃這個問題還是值得一答,也值得大家一讚.我的思考 1.DBN本質是RBM一層層的堆疊,那麼問題在於RBM與標準傳統簡單的神經網路有毛線區別呢?我們知道RBM可見層與隱藏層之間是全連線的,而hidden和hidden之間是沒有連線的,這個...
神經網路 深度學習 機器學習是什麼？有什麼區別和聯絡？
達觀資料 機器學習是指利用演算法和統計模型，而非規則程式設計，使得計算機系統能在某個特定任務上提高表現。人工神經元是一種運算結構，它接收乙個或多個輸入，通過非線性函式變換，得到乙個輸出，而且該非線性函式是在學習過程中可變的。人工神經網路是一些人工神經元組成的網路，其中一些人工神經元的輸出作為另一些人...