一、控制方法

基本需要用到matlab/simulink仿真以及一些控制方法的讲解，可以看一下b站的陈诚视频 Matlab进阶讲解

PID

FuzzyPID

注:学习链接: 模糊PID（自适应模糊PID、fuzzy PID）的基本原理及应用举例
注:学习链接: matlab模糊控制工具箱使用和模糊控制pid实例参考

LQR

注:学习链接: LQR控制器-线性二次型调节器

MPC

滑膜控制

反步控制

阻抗控制/导纳控制

二、基于模型（两关节机械臂/两关节下肢）的控制器

S-Function

S-Funnction主要由6个函数组成包括初始化、连续函数微分、离散函数更新、输出函数、计算下次采样时间以及仿真结束。仿真全部使用S-Function的level1就可以实现。

注:S-Function学习链接: S-Function入门及案例详解1-5

滑膜控制器

首先，我们需要了解滑膜控制是什么？大家可以自己多搜索，多浏览，多理解，滑膜控制器需要用到什么知识。
其次，我们寻找一些案例进行学习，先掌握大体流程。由于滑膜控制器是一种基于模型的一种控制方法，所以我们要进行模型的建立，这里就是我们的二关节机械臂（二关节下肢外骨骼）。所以我们可以将其分成两部分来进行学习，控制器（Controller）的设计以及模型（Plant）的建立。
最后，设计完成控制器（Controller）的S-Function函数、模型（Plant）的S-Function函数并通过搭建Simulink模型完成仿真，通过调整参数，实现理想的控制结果。
推荐一个b站UP主DR_CAN，他的最优控制视频都很优异

控制器（Controller）的S-Function函数
PID控制器：Controller_PIDControl.m
反步控制器：Controller_BackSteppingControl.m
滑膜控制器：Controller_SynovialControl.m
导纳控制器：Controller_AdmittanceControl.m
模型（Plant）的S-Function函数
二自由度模型：Plant_TwoConnectingRod.m

注:书籍为刘金琨的《滑模变结构控制MATLAB仿真》
注:案例1链接: 简单的滑模控制程序及Simulink仿真
注:案例2链接: 基于趋近律的滑模鲁棒控制simulink仿真
注:案例3链接: 二关节机械手PD控制simulink仿真

反步控制算法

这个过程完全通过数学运算来规避掉不确定因素，强行使得Lyapunov函数负定或半负定，而整个过程中需要确定的参量仅仅是a1,a2两个而已。
注:案例1链接: 反步控制实例以及Simulink复现,这个案例中使用的是simulink框图进行搭建，但是由于我是使用的动力学方程作为控制模型，所以直接使用S-Function函数进行搭建。但也可以使用框图搭建，只不过MCG三个矩阵同样需要使用状态变量进行表示。
注:案例2链接: 反步法设计非线性控制器,此案例中使用的是matlab程序进行搭建。
注:案例3链接: 基于反步法backstepping的自适应控制简介，笔者认为，该控制算法“自适应”之处在于，即使对扰动无法建模，依然可以通过一些规律来维持系统稳定。
注:案例4链接: 反步控制理论，反步+反步滑模+鲁棒反步滑模+自适应反步滑模

阻抗控制/导纳控制

注:学习链接: 阻抗/导纳控制最强解析
注:学习链接: 导纳控制 admittance control，matlab程序实现
注:学习链接: 彻底搞懂阻抗控制、导纳控制、力位混合控制

三、Lagrange法动力学建模

高等教育出版社《机器人控制：理论、建模与实现》—赵韩、甄圣超、孙浩、吴其林著

1. 求K动能、P势能，L=K-P
2. T=d/dt…
3. 求M、C、G
4. 结合控制方法，得到控制率
5. matlab+simulink仿真

四、抗干扰控制方法

注:学习链接: 抗干扰控制深度解析

高增益控制方法

高增益控制方法-高增益

对于最简单的一阶惯性环节，在干扰存在时，这种方法无法消除干扰带来的稳态误差，而且为了使得误差尽可能小，需要取高增益控制率以抑制扰动的影响。t趋于无穷时，偏差e=-d/(a+k),d为干扰，a和k为增益。

高增益控制方法-积分控制

PID的调试经验告诉我们积分项可以消除稳态误差，所以考虑带有积分项的控制率。从公式可以看出，当干扰为常值干扰时，干扰项的导数为零，且A矩阵是Hurwitz的，此时系统渐进稳定，无穷时刻的偏差为零。考虑如果干扰的导数非零，但是其有界的情况，积分控制能消除常值干扰，但是对于变化的干扰稳态误差依然存在。

基于干扰观测器的控制

基本思路是先构造干扰观测器将干扰量测出来，用估计干扰补偿实际干扰，如果模型估计得很准确（很难很难），那么系统将简化成一个不受干扰影响的纯净系统，再在这基础上设计反馈控制器就比较简单了。
基于干扰观测器的补偿控制能施加更精准的控制，从能量输出角度讲它也更加经济。但是这种方法对模型的要求要更高，通常需要花很多工夫在辨识上。如果模型不太准确，有可能干扰的补偿没起到作用，反而还产生了更坏的影响。

基于干扰观测器的控制-DOB

基于干扰观测器的控制-ESO