Stimulating Higher Order Thinking in Mechatronics by Comparing PID and Fuzzy Control
本文介绍了一个为期一学期的机电一体化项目，在该项目中，学生们对比了用于实现领航-跟随行为的 PID 控制与模糊控制，且没有预设的标准，通过要求他们设计自己的评估方法和实验来解决一个开放式的现实工程问题，成功地培养了他们的高阶思维能力。
原始论文根据 CC0 1.0（http://creativecommons.org/publicdomain/zero/1.0/）发布到公有领域。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在教一群未来的工程师。传统上，你可能会给他们一本食谱：“这是原料，这是步骤，最后你会得到一个完美的蛋糕。”如果他们遵循这些步骤且做出的蛋糕看起来很好，他们就能得到 A。
但在现实世界中，工程师很少能拿到食谱。他们得到的可能是一个问题，比如：“我们需要一种能够安全跟随另一辆车的车辆，但我们并不确切知道该如何实现，而且我们有两种不同的工具可以尝试。”
这篇论文描述了美国军事学院的一门课程，那里的讲师决定停止分发食谱。相反，他们给学生们提出了一个“厨房挑战”，以观察他们是否能学会像真正的工程师一样思考。
挑战：“跟随我”机器人
学生们被要求制造一辆能够自主跟随前车的小车机器人。为了实现这一目标，他们必须编写计算机代码来充当机器人的大脑。他们有两个不同的“大脑”（控制方法）可供选择：
- PID 控制： 可以将其想象成一本严格的数学规则手册。它根据精确的数字来计算应该转弯多少或加速多少。
- 模糊控制（Fuzzy Control）： 可以将其想象为人类驾驶员的直觉。它使用“经验法则”（例如，“如果前车稍微远了一点，就稍微加速一点”）而不是僵化的数学计算。
转折：没有标准答案
在大多数工程课程中，老师会说：“使用 PID，将数值设定为 X 和 Y，然后你就完成了。”
在这门课中，老师们说：“这里有两个工具。这是目标。你们决定哪一个更好，你们决定如何测试它们，也由你们决定如何衡量成功。”
学生们并未被告知：
- 车辆应该跑多快。
- 车辆之间应该保持多远的距离。
- 什么是“良好的性能”。
他们必须发明自己的测试方法。这就像是要求一名学生去评判两辆新型跑车中哪一辆更快，但并没有告诉他们应该是在赛道上比赛、在城市中行驶，还是在山上攀爬。他们必须弄明白，答案完全取决于他们如何定义这场比赛。
历程：在实践中学习
为了迎接这个大挑战，学生们在整个学期里完成了许多个小的“微型项目”。他们学习了如何：
- 使用摄像头识别彩色纸张（就像机器人的眼睛）。
- 编写程序让小车移动。
- 构建既有“严格数学”的大脑（PID），也有“直觉式”的大脑（Fuzzy）。
随后是最终项目。学生们必须进行自己的实验。有些团队意识到，在静止状态下测试小车与在移动状态下测试是不一样的。有些团队则意识到，如果小车起始距离过远，其“大脑”可能会产生恐慌并过度修正。他们必须设计自己的实验来寻找真相。
结果：成长的烦恼与“顿悟时刻”
研究人员发现了三个主要结论：
- 学生喜欢这种真实感： 尽管难度更高，但学生们非常欣赏这种问题带来的真实感，因为它感觉像是一份真实的工作。他们不仅仅是在背诵事实，而是在解决一个谜题。
- 他们学会了深度思考： 因为没有唯一的正确答案，学生们必须运用“高阶思维”。他们不再仅仅是应用一个公式，而是必须分析数据，综合出一个新计划，并评估哪种方法才是真正优越的。他们必须创造属于自己的成功标准。
- 他们发现了工程学的复杂性： 学生们意识到，比较两样东西并不简单。变量太多了（速度、距离、光照、起始位置）。他们学到了在现实世界中，很少有“完美”的解决方案，只有针对特定情况的“最佳适配”。
启示
论文认为，为了培养能够处理复杂、模糊问题的工程师，我们不能仅仅教他们如何遵循指令。我们必须把他们置于一种必须由他们自己编写指令的情境中。
通过迫使学生设计自己的实验并为自己的选择辩护，这门课程将他们从被动的“食谱跟随者”转变为主动的问题解决者，使他们能够像他们渴望成为的专业工程师那样进行批判性思考。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。