做控制的人一定绕不开PID，但这两年搞运动控制、机器人、电力电子的人，开始越来越多地讨论另一个缩写——LADRC。我最早接触LADRC（线性自抗扰控制）是在做伺服电机位置环的时候，项目要求高响应低超调，还得扛得住负载突变，传统PID调来调去总差口气，后来对着Simulink把LADRC搭起来一比，才真正理解这东西为什么在工业界和学术界同时火起来。
这篇内容不是教科书式的理论推导，也不打算把韩京清先生的原始论文再复述一遍。我基于自己的实际仿真经验，带你把LADRC和PID放进同一个Simulink模型里，从原理、建模、调参到结果对比走一遍完整流程。无论你是在校学生做课程设计，还是工程师评估控制方案，这篇指南都能帮你降低入门门槛，快速建立对两种算法的直观认知。
1. 控制方案对比：为什么偏偏是LADRC和PID放在一起比
1.1 从PID说起：误差驱动的直觉与控制局限
PID控制器的逻辑极其朴素且有效，它完全围绕“误差”做文章。把期望值和你实测值之间的差值算出来，对这个差值做比例、积分、微分三种运算，然后加权求和作为控制量。这个思路直观到几乎不需要数学模型，你只需要知道“偏了多少”和“偏差怎么变化的”，就能拼出一个能用的控制器。
正是因为这种简单和通用性，PID在工业现场统治了几十年。温度控制、流量调节、电机调速，大到发电机组，小到加热棒，到处都有它的身影。调试一套PID参数，有临界比例度法、衰减曲线法，再有经验丰富的工程师拿着上位机软件看趋势曲线手动微调，基本都能取得可以接受的效果。
但PID的局限也很明显。首先它是一个“被动”的控制器，必须先出现误差，控制器才有动作依据，所以被控对象本身的滞后或惯性常常导致超调和振荡。其次，PID对“总扰动”没有主动抑制能力。所谓总扰动，是内部参数变化、外部负载突变、未建模动态的总和，PID只能靠积分项慢慢去磨，遇到强扰动时动态性能会变得很拉胯。第三，PID参数之间相互耦合，P大了超调增加，D大了噪声放大，I大了容易积分饱和，调参很多时候是在多个相互冲突的目标之间妥协。
1.2 LADRC的破局思路：观测并补偿总扰动
LADRC的本质思路是，与其被动地等误差出现再纠正，不如主动估计出系统当前受到的“总扰动”，然后把这个估计值直接补偿掉。核心部件叫扩张状态观测器（ESO），它把系统的内部动态和外部扰动统一看作一个“扩张状态”，通过被控对象的输入输出数据实时观测出来。
这句话听起来有点绕，我用一个生活类比来讲。你开车上坡，如果不知道是上坡，还是按照平路的油门开度踩，车速就会掉下来。PID的做法是看到车速降了，再加大油门追回来，属于事后补偿。LADRC的做法是，ESO就像你坐在副驾上实时感觉车身倾斜，然后告诉你“现在在上坡，斜率大约5%”，你直接提前把油门加上去，速度几乎不掉。这个“坐在副驾上实时感觉”的过程，就是观测器在起作用。
LADRC把一个复杂的、不确定的受控对象，通过总扰动的估计和补偿，强行拉回一个简单的“线性积分串联型”结构，然后再用简单的PD控制器去控制这个被“净化”后的对象。这样一来，它不需要精确的数学模型，却能把模型失配和外部扰动统统当作扰动处理掉。这正是它和PID放在一起对比时最有意思的地方：两者的信息利用方式完全不在一个层次上。
1.3 入门学习者能从这份对比中获得什么
对刚接触控制理论的读者来说，做LADRC和PID的仿真对比，价值不止是“看看谁更好”这么简单。它至少能帮你在几个维度建立起控制系统的工程直觉。
第一，你会直观理解“反馈”和“观测/补偿”这两种对抗扰动的不同哲学。第二，你会亲眼看到同一个被控对象在面对阶跃给定、负载突变、模型失配时，两种算法的动态响应差异。第三，你会通过亲手搭建Simulink模型，掌握现代控制算法从公式到仿真的转化能力。这个能力比单纯背会几个控制算法的公式有用得多，因为实际工作中你面对的绝大多数问题，都是“能不能快速验证一个想法”的问题。
我在带新人做控制算法入门时，一直推荐用这个方法：先选一个难度适中的被控对象，然后分别实现PID和LADRC，最后通过仿真对比体会差异。这篇文章就是照着这个思路来安排的。
2. Simulink仿真环境搭建与核心模型实现
2.1 被控对象与仿真参数设定
做对比仿真的第一步，是选一个难度适中、又足够有代表性的被控对象。难度太低体现不出LADRC的优势，难度太高又会让初学者的注意力全放在调参而非理解算法上。我常用的选择是一个带惯性的二阶系统，这种结构在电机、机械传动、热工对象里非常普遍，既有二阶振荡特性，又有纯滞后环节可以模拟现实系统的延迟。
我用一个直流电机速度控制模型来作为示范对象，它的传递函数是一个典型的一阶惯性加积分结构：
G(s) = K / (s(Ts + 1))
其中K是增益常数，T是机电时间常数。为了模拟实际系统中的非线性，我还会在反馈通道加入量测噪声，并在模型输入端加入一个可开关的负载扰动信号。这样搭建出来的被控对象，既有代表性，又不会复杂到让读者失去耐心。
仿真步长这里我特别提醒一下：我使用定步长求解器，步长设为0.001秒，仿真时长设为10秒。定步长求解器更贴近实际嵌入式控制系统运行的离散节奏，避免使用变步长求解器时由于步长自动缩小而出现的“仿真收敛但实测定发散”的假象。这一点对初学者来说是很容易忽略却至关重要的细节。如果计划后续做代码生成或硬件在环测试，仿真步长从一开始就要按目标硬件实际控制周期来设置。
2.2 PID控制器的实现与参数初值设定
PID控制器在Simulink里的搭建方式很多，最基础的方式是从Simulink库中拖入“PID Controller”模块。但为了对比实验的公平性，我建议使用标准公式的子系统模型：
u(t) = Kp * e(t) + Ki * ∫e(t)dt + Kd * de(t)/dt
在这个公式里，Kp决定响应速度，Ki负责消除稳态误差，Kd抑制超调和振荡。三个参数既相互配合又相互制约，这是PID调参的艺术所在。
为了贴近实际工程，我在PID子系统中加入了三个细节处理：输出限幅（防止积分饱和）、微分项滤波（防止高频噪声被微分放大）、积分分离（在偏差较大时暂时禁用积分作用）。这三个细节在理论推导中通常被跳过，但在实际系统中它们是PID能正常工作的关键保障。很多学生仿真的PID在理想环境下表现得很好，一旦加入噪声或限幅就发散，问题往往出在这几处。
PID参数的初始值我采用经验法设定：先令Ki和Kd为零，只保留比例环节，从小到大增加Kp直到系统产生等幅振荡，记录此时Kp和振荡周期，再根据Ziegler-Nichols经验公式计算 Ki 和 Kd 的初始值。这种整定流程保证后续对比实验中的PID参数不是一个随意拍的“凑数”值，而是一个经过调试、具备合理基准的参数集。
2.3 LADRC控制器的核心实现：ESO与被控对象的模型化
LADRC的实现没有像PID那样方便的现成模块，需要自己动手搭建，但步骤并不复杂。最核心的部分是扩张状态观测器（ESO），它负责实时估计系统的状态和总扰动。
LADRC的一个关键优势是它不需要精确的被控对象模型，但需要知道对象的“相对阶”。所谓相对阶，简单理解就是“控制量要经过多少层积分才能到达输出量”。对于二阶系统，输入需要经过两次积分才能影响输出，因此我们可以把被控对象近似看作一个二阶积分串联型系统。
基于这个二阶假设，我搭建一个三阶ESO（两个系统状态+一个扩张状态）：
e = z1 - y
dz1/dt = z2 - β1 * e
dz2/dt = z3 - β2 * e + b0 * u
dz3/dt = -β3 * e
其中z1、z2是系统状态（比如速度和加速度）的估计值，z3是总扰动的估计值，u是控制器的输出，b0是控制增益的估计值，β1、β2、β3是观测器的增益。
这三个观测器增益的确定有个经典方法，就是带宽参数化。把观测器增益配置到以观测器带宽ωo为唯一参数的期望极点位置：
β1 = 3 * ωo
β2 = 3 * ωo²
β3 = ωo³
这样的参数化方法把三个增益的整定问题简化为一个参数ωo的整定问题，工程上极其方便。控制器部分则采用一个简单的PD控制器：u0 = Kp * (r - z1) - Kd * z2，然后再把ESO估计出的总扰动z3补偿掉：u = (u0 - z3) / b0。
Kp和Kd根据控制器带宽ωc来设计：
Kp = ωc²
Kd = 2 * ωc
通过这个“带宽法”，整个LADRC也只需要整定两个参数：观测器带宽ωo和控制器带宽ωc。对比PID的三个参数，LADRC在参数整定难度上反而更简单。我用Simulink中的“MATLAB Function”模块完成了ESO和PD控制器的实现，这样既能保持模型的清晰度，又便于后续修改带宽参数做对比实验。
3. 参数整定方法与调参实操记录
3.1 基于临界比例度法的PID参数整定完整流程
PID参数整定的第一步是先得到一组合理的初始参数。我用的临界比例度法流程如下：在纯比例作用下，从较小的Kp开始逐渐增大。当系统输出曲线出现等幅振荡时，记录临界比例度Kp,crit和振荡周期Tcrit，然后根据Ziegler-Nichols整定公式得到P、I、D参数：Kp = 0.6 * Kp,crit，Ki = Kp / (0.5 * Tcrit)，Kd = Kp * (0.125 * Tcrit)。
我在仿真中测得的临界参数为Kp,crit = 8.5，Tcrit = 0.45秒，计算得到初始PID参数为Kp = 5.1，Ki = 22.7，Kd = 0.57。
拿到初始值后在Simulink中运行，观察阶跃响应曲线，根据趋势做微调：超调量过大优先减小Kp或增大Kd，稳态误差久调不掉则增大Ki，响应速度过慢则增大Kp。经过几轮试凑，最终确定三组PID参数分别对应“保守”“平衡”“激进”三种性能表现。这三组参数对理解PID的特性非常有帮助，你可以在仿真中切换查看不同参数组合对系统指标的影响。调试时注意一个规律：Kp增大会加快响应但会增加超调，Ki增大会消除稳态误差但可能增加振荡，Kd增大会抑制超调但会将高频噪声放大。三者之间的权衡曲线，亲自拉一下比看十篇教程都管用。
3.2 LADRC带宽参数化的调参逻辑与实操
LADRC的整定比PID更符合“直觉”：它的两个参数分工明确。控制器带宽ωc决定了闭环回路的响应速度，ωc越大响应越快，但超调也会增加。观测器带宽ωo决定了ESO估计扰动的速度和精度，ωo越大估计越快、越准，但同时对噪声越敏感。
整定的顺序有讲究，我建议先整定ωc，再整定ωo，最后两个人配合微调。先设置ωo为ωc的5至10倍，再从小到大增加ωc直到阶跃响应接近期望的速度。然后固定ωc，从小到大调整ωo，观察扰动抑制效果。当系统受到阶跃扰动时，ESO估计出的z3能否快速跟踪真实扰动，是判断ωo是否合适的直观标准。
我最终确定的参数为ωc = 8，ωo = 40，b0 = 12.5。之所以让ωo远大于ωc，是为了保证观测器的收敛速度远快于控制回路，否则ESO对扰动的估计滞后，补偿效果会大打折扣。这个5至10倍的经验比例，在大多数控制周期为1ms至10ms的系统里都能作为起步参考。
3.3 调参中容易踩的坑与个人经验
调参过程中，我遇到过几个典型问题，在这里提前给你打个预防针。
第一个坑是观测器带宽ωo取得过大。初学时容易想当然地认为，观测器带宽越大越好，其实不然。当ωo过大时，ESO会把测量噪声也当成了系统的真实状态，表面上z3的曲线很“灵敏”，实际上控制量u在剧烈抖动，执行机构会非常受伤。我习惯用控制量曲线来判断ωo是否过大的，如果控制量出现高频抖动而系统输出没有明显改善，大概率是ωo过大了，需要降下来。
第二个坑是b0的取值与物理实际相差太远。b0是控制器对“控制输入对被控量的影响程度”的估计值，它并不要求精确等于真实值，但偏差过大会让ESO的补偿量出现稳态偏置，导致系统输出存在残差。一个简便的判定标准是，在仿真开头给控制量u一个阶跃，记录被控量y的变化率，用这个变化率作为b0的参考值，实测一般偏差在正负30%以内问题不大。
第三个坑是仿真步长与系统带宽不匹配。LADRC的ESO天然是高带宽的，如果仿真步长取得太大，会出现ESO计算发散的假象。当发现仿真的数值振荡与步长相关时，检查是否有足够的时间分辨率和数值精度，而不是急着去调参。
4. 仿真结果对比与性能差异分析
4.1 阶跃响应对比：超调量、调节时间与稳态误差
完成参数整定后，进入最关键的对比环节。我首先给系统施加一个单位阶跃给定信号，观察两种控制器的闭环响应曲线，统计三个关键指标：超调量、调节时间（进入稳态值正负5%范围所需时间）和稳态误差。
从仿真结果来看，PID的阶跃响应有约18%的超调量，调节时间约为0.62秒，稳态误差基本为零。LADRC的超调量明显更小，约为4%，调节时间约为0.35秒，稳态误差同样为零。在响应速度上，LADRC领先了将近一倍，而超调量只有PID的五分之一左右。
超调量减小和响应速度提升同时实现，这在PID框架下是很难做到的，但在LADRC中却很自然。原因在于PID本质上是“误差驱动”的，误差大时控制器拼命加大输出，惯性系统又来不及停下来，于是就只能眼睁睁看着超调发生。而LADRC中的ESO会同时估计当前的系统状态和扰动，提前感知到系统的“冲劲”，反馈控制环节会把这种冲劲提前收住。
有一点值得一提，PID也不是完全处于劣势。如果把PID调得特别保守，比如大幅降低Kp，也能得到很小的超调量，但代价是调节时间会拖慢到1秒以上。也就是说，PID必须在超调量和调节时间之间做取舍，而LADRC由于补偿机制的存在，同时把两个指标都照顾得更好，这才是真正的差距所在。
4.2 抗扰动性能对比：负载突变时的系统表现
控制系统的优劣，关键看它面对扰动时的表现。我在仿真进行到4秒时，在控制器的输出端叠加一个大小为2的阶跃负载扰动，模拟电机突然加载的场景，观察两种控制器的抗扰动能力。
对比结果十分明显：PID需要约0.8秒才能把速度拉回到给定值，期间最大速度跌落达到11%。LADRC的恢复时间只有不到0.2秒，最大速度跌落只有3%。在抗扰动能力上，LADRC全面碾压PID，这不是参数调得好不好的问题，而是两种控制器对抗扰动的工作原理存在本质差异。
PID面对扰动时，唯一的“感知渠道”是误差信号，只有在速度确实掉下来之后，控制器才能得知扰动发生了。LADRC则不同，ESO的扰动估计通道会以远高于系统动态的频率持续监视输入输出数据，扰动发生后极短时间内就能在z3状态中反映出扰动的大小，然后通过前馈补偿直接把扰动抵消掉。你可以把它理解成一个是“被打了一拳才发现还手”，另一个是“对方刚抬手就知道要出拳”。
4.3 鲁棒性对比：被控对象参数改变后两种算法的表现
前面两组对比中，被控对象模型是固定的，参数也是按这个模型整定的。但实际系统中，对象参数可能会因为温度、磨损、工况变化而改变。为了检验两种算法对模型失配的容忍度，我把被控对象的增益K从原始值调大了40%，时间常数T调大了20%，保持控制器的参数不变，重新运行仿真。
实验结果显示，PID的超调量从此前的18%增加到接近35%，调节时间拉长到1秒以上，出现了明显的振荡倾向。LADRC虽然也出现性能退化，但整体仍保持稳定，超调量为9%，调节时间约0.5秒。
这种鲁棒性上的差异，同样源于两种控制器的“世界观”不同。PID把被控对象当作“固定的、已知的”，对象变了系统性能变差是必然的。LADRC则默认被控对象是“不确定的”，任何模型偏差和外部变化都视为总扰动的一部分，通过ESO实时估计并补偿掉。我可以这么说，对象的真实参数变得越多，LADRC的相对优势就越明显。但在系统稳定的前提下，它的表现依旧可以接受。
4.4 噪声敏感性对比：测量噪声下的公平对决
完美的传感器是不存在的，为了对比的公平性，我给反馈回路加入了幅值为0.05的高斯白噪声，模拟真实的量测环境。这一项对比的结果很有意思，也最能体现LADRC调参时“高带宽双刃剑”的特性。
PID在噪声影响下，控制量出现小幅的高频波动，但系统输出曲线依旧平稳，因为默认情况下的PID微分项已经带滤波，对噪声不太敏感。LADRC在ωo = 40的配置下，控制量的高频抖动比PID更明显，这是因为ESO的高增益把一部分量测噪声带进了状态估计中，进而反映在控制器的输出上。
这里不是要得出“LADRC不如PID”的结论，而是要给各位提个醒：在实际工程中，LADRC需要通过适当降低ωo、增加量测滤波或采用级联的滤波结构来抑制噪声影响。那些在纯仿真环境中把LADRC吹得神乎其神的案例，往往没有认真考虑噪声因素。如果不考虑这项对比，直接把仿真模型用于实物系统，ESO的带宽不重新设计，系统大概率一上电就开始振荡，这是我实际踩过的坑。
5. 常见问题与仿真排查技巧实录
5.1 仿真发散与数值振荡问题
我在调试Simulink模型时，遇到过不少仿真发散的情况，处理这些问题的经验对初学者来说极有价值。
最常见的问题是代数环报警。当Simulink模型中存在直通路径时，输出会直接影响同一采样步内的输入，形成代数环。解决办法是在反馈通道串联一个“Memory”模块或“Unit Delay”模块，打破这种直接回路。控制系统里最常见的代数环位置，是ESO的输出经过控制器后直接作用于同一个ESO的状态计算，这种情况下一个“Unit Delay”就能解决。
另一个常见问题是观测器增益β值过大导致的数值发散。当你把ωo设置得很大时，ESO的增益矩阵中会出现ωo²和ωo³项，在定步长仿真中极易出现数值刚性，表现为仿真在中途报错或出现NaN。遇到这种情况时，先降低ωo到原先的三分之一，确认系统稳定后再逐步往上加，这是最简单的排查方法。
5.2 参数整定中的典型误区
调参阶段的典型误区，主要集中在几个地方：
一是忽视了输出限幅。实际的执行机构都有物理极限，如果仿真模型中不加入限幅环节，控制量可以无限增大，参数调出来在仿真里表现得很好，移植到实际系统后立刻失效。我建议从一开始就在控制器输出端加Saturation模块，把控制量限制在合理范围内，这样仿真结果才具有工程参考价值。
二是只看系统输出曲线，不看控制量曲线。控制量是系统“累不累”最直观的体现，一个看似完美的输出曲线，如果控制量在高频剧烈抖动，说明系统实际上处于不健康的运行状态。在对比两种算法时，一定要把控制量曲线也拉出来看，这往往是发现问题的关键。
三是忽略了初始条件的设置。ESO的初始状态应该和被控对象的实际初始状态对齐，否则仿真初期会有一段不短的“动态误差调整期”，这段时间的数据会对性能指标统计产生污染。我在仿真中把ESO的初始状态设置为被控对象的初始输出值，可以让曲线开头就处于正常状态。
5.3 仿真与实物差距的经验心得
用Simulink做仿真对比，最终的目的是要指导实际应用。仿真和实物之间存在天然差距，有几点体会我想单独拎出来聊一聊。
第一，仿真的信号是理想的，没有传感器延迟、通信延迟以及量化误差。在搭建模型时，不妨在反馈通道加入Transport Delay模块，用20到50毫秒的延迟模拟真实系统的信号传输延时。加了延迟之后你会发现，控制系统的相角裕度会显著下降，实际感受完全不同。这一点对评估LADRC时特别重要，因为ESO依赖高质量的即时输出反馈，延迟会直接影响观测器的收敛速度和稳定性边界。
第二，Simulink中搭建的控制算法最终要跑在MCU或DSP上，用C代码生成才能部署。我现在做算法方案验证时，从一开始就以“能否生成高效C代码”为标准来选择模型结构。具体来说，优先用基本运算模块而非复杂的封装模块，避免使用需要大量动态内存分配的高级函数，注意数据类型的统一。这样在需要做产品化开发时，可以省掉大量的代码移植时间，这个习惯我现在强烈推荐大家尽早养成。
第三，如果要进行更接近实物的验证，可以试试Simulink的外部模式实时仿真，把实际硬件连到Simulink模型里进行硬件在环测试。外部模式可以让模型与硬件实时交互，调整参数无需重新编译，极大缩短开发周期。我在一个温控项目中就用过外部模式对参数进行硬件在线调整，效果很好。如果后续要进一步做联合仿真，还可以考虑与Carsim、Amesim等专业软件进行联合仿真，把车辆动力学模型或液压模型引入控制系统的验证中。
6. 总结与扩展：这套对比方案的后续延展方向
如果你跟着本文完成了这个仿真对比实验，我可以确信，你对LADRC和PID的理解已经不再停留在公式层面，而是建立起了真实的工程直觉。接下来你可以按自己的方向做进一步延展，这里有几个我强烈推荐的扩展方向。
如果你想深入控制算法领域，可以在LADRC的基础上做改进：把控制器带宽ωo和ωc做成自适应调节的形式，根据误差大小动态调整参数；或者引入模糊逻辑，让参数整定过程自动化。模糊PID和模糊LADRC结合这几年比较热门，热度词里也有人搜索“模糊PID控制”，沿着这个方向做既能发论文，也有实际工程参考价值。
如果你想贴近工程应用，可以尝试用LADRC替换实际系统中某个常规PID回路，比如无人机的高度控制或车辆的纵向速度控制。先把本文的仿真模型与被控对象耦合起来，再通过外部模式与实物进行对接。不过要提醒的是，从仿真到实物的过程中，务必关注控制量限幅、故障保护、观测器初值处理等工程需求，这些细节决定系统能否安全切换。
如果你对代码生成本身感兴趣，可以研究一下如何从本文的Simulink模型生成嵌入式C代码，配合自动代码生成工具部署到真实的MCU上。这个方向能把算法能力转化为产品能力，对职业发展大有帮助。做代码生成时注意模型配置中的硬件实现设置、代码生成优化级别、以及在目标MCU上验证数值精度，每一步都值得单独写一篇长文展开讨论。
最后我再分享一个实际使用过程中的小技巧：在做对比仿真时，建议把两种控制器的所有参数放在一个模型工作区中，并使用Simulink的“参数扫描”功能一次性运行多组参数组合。这样可以大幅提升参数寻优的效率，也能让你通过一次运行看清楚整个参数空间内的性能分布。我在调参时就是用这种方式，把PID参数从“一组能用的数值”升级为“一个能理解参数空间的地图”，对算法理解的帮助是巨大的。
