2023 年硕士毕业进工业界，算法工程师，做过程控制。到现在差不多一年半。领导鼓励边做项目边读文章，平时有机会把新方法丢到 testbench 上验证。听起来很理想对吧？但 2024 年我基本是几本书在 FIFO 里循环，读着读着腻了就换一本，过段时间又绕回来。
📅 2024 书单（没一本读完的）
💻 LPV：看起来丝滑，做起来想死
很多文章开局就假设模型已知，局部线性化、拼接、设计控制器，流程很漂亮。真上手才发现全是坑：
如果模型未知，又要面对实验设计、数据采集、辨识。TU/e Roland Toth 的文章读了很多，工程实践上还是坑坑巴巴的。
🔴 系统辨识：仿真很美，上线就崩
这些问题没有标准答案，只能在项目里硬啃。
🔵 非线性 trick：直觉驱动的 rule-based 方法
一个很好的范例是 Overcoming Performance Limitations of Linear Control with Hybrid Integrator-Gain Systems。基于工程直觉出发，同时给了比较详尽的理论阐述。但这类方法我越用越心虚：
⚠️ 工程思路：这一年踩的坑
"决定系统性能上限的是硬件极限，不是算法"
2024 年花了很多时间想榨干算法，后来才反应过来：收益和风险要一起算。鲁棒控制、非线性控制、自适应控制这些方法，很多时候不能直接套用，但能提供分析系统的视角，帮你看懂实验结果、改进控制器。
"All models are wrong, some are useful"
学校里的 prototype 结构简单，建模精准。真正的工业系统很难抽象成数学模型。怎么简化、怎么辨识、怎么协调 physics knowledge 和 data knowledge？我还在摸索。
还有一个软技能：怎么让客户理解控制工程师在做什么？ 需求怎么映射成数学问题？算法能做什么、不能做什么，怎么讲清楚？R&D 结果怎么呈现？
🟡 R&D 思路：从"希望搜到什么"倒推
带着"解决工业问题"的视角读论文，会自然产生"这个阶段特别想找到某类文章"的时刻。把这些"希望"串起来，能提炼出真正解决现实问题的 R&D 链条。
举个我跑通的例子：MPC + disturbance observer
控制器跑起来后，有些工作区域好、有些不好：
最后还有 deployment：运算效率瓶颈什么时候出现、怎么避免？
🟢 一些话
上方是 AI 整理的精读版。原作者亲笔写的完整经验贴 （含更多细节、原始语气、问答互动）仅对会员开放。 升级后即可解锁全站全部经验贴，不限次数阅读。