經(jīng)常有人會問，我們自動化的出國應(yīng)該申請什么系？或者我們到底在美國屬于什么專業(yè)？由于中國專業(yè)設(shè)置的特殊性，控制或者說自動化專業(yè)在美國并沒有正好對應(yīng)的院系。
      一般說來，和控制理論研究、機(jī)器人相關(guān)的在EE，和過程控制、過程優(yōu)化等相關(guān)的在ChE，和運(yùn)籌學(xué)、后勤學(xué)相關(guān)的在IE，和機(jī)械控制相關(guān)的在ME，和航天航空器控制相關(guān)的在AE。當(dāng)然，各個學(xué)科是交叉的，劃分不會像上述所說的這么精確，比如robotic在EE/ME都有人在做，控制理論則EE/MATH做的多。而且有些學(xué)校有些特殊的學(xué)院，比如System Engineering，也是control guys的好去處。

       因此，在選校過程中，花比CS或者ChE的人更多的精力，每個學(xué)?？?、4個系，是正常的也是需要的。不要把目光僅僅局限在EE。

      在國內(nèi)CS/EE是熱門，控制系開課的時候大家對面向化工過程控制的課非常有意見。在IT全球降溫以后，至少在美國，ChE和ME的工作形勢優(yōu)勢明顯。

      先說機(jī)械自動：

      Biomechatronic：直譯就是生物醫(yī)學(xué)機(jī)械電子，也就是一個大雜燴。比較exciting的方向倒也基本和電結(jié)合的很多，比如說為殘疾人設(shè)計(jì)輔助系統(tǒng)（輔助康復(fù)，輔助練習(xí)）。如果你學(xué)的機(jī)械design比較多，在這個方向里，你可以設(shè)計(jì)假肢等。

      Robot：這個范圍就廣了，主要還是機(jī)械設(shè)計(jì)方面的，上肢范圍的（Haptic，適用于工業(yè)生產(chǎn)線，無人化工廠），下肢范圍的（行走機(jī)器人，適用于救援，星球探測）

      電力能源自動化：

      很多人覺得電力電子比較枯燥，特別不喜歡。其實(shí)能源這種問題是不能和你作一個機(jī)器人什么的擺在一個臺面上的，它絕對是國家級和戰(zhàn)略級的。長三角的限電，還有三峽工程。電能直接決定中國這個大國的工業(yè)發(fā)展和城市發(fā)展。將來能源會不會不只握在國家手里，這個是不知道的，但是不管是握在誰手里，對于我們這么大的一個國家，這里面的賺頭都不會少的。

      光電，檢測自動化：

      這個方向，從低到高都是非常的pratical，所以也有錢賺的。

      誰都知道傳感器就是相當(dāng)于人的手腳耳眼（沒有鼻子，哪天有人能作出嗅覺傳感器，有那么一天，說不定能作出閉環(huán)feedback control的“做飯機(jī)”出來。比較低端的，就是常用的工業(yè)傳感器，安設(shè)，電路設(shè)計(jì)等等。高端的，精密的那種，核電站的，多了去了。還有就是視覺方面的傳感器，相當(dāng)于image processing和pattern recognition的前期工作，很熱的。這個主要是復(fù)雜的對象，比如我們這里有的一些項(xiàng)目，例如，衛(wèi)星太陽能板幾千塊小鏡面需要以最快速度找到陽光最強(qiáng)的方向，這幾千個小塊都能各自以一定自由度旋轉(zhuǎn)。

      還有就是有些控制系統(tǒng)是用比較特殊傳感器的，比如視覺的，要從看到景物的移動中，計(jì)算速度和深度（2D-3D），自由度怎么建。這個就是正牌的control了，主要是作算法，就是相當(dāng)于人的腦子。作為算法，具體問題具體分析，控制對象不同也不同。

       這些算法可以用到平常如工業(yè)機(jī)床，化工高爐，也可以用到機(jī)器人，生產(chǎn)機(jī)械手，還可以用到航空航天，導(dǎo)彈衛(wèi)星。我的認(rèn)識就是給機(jī)械灌入了靈魂和智慧。個人感覺分為3塊：其實(shí)控制發(fā)展到現(xiàn)在，有模型的系統(tǒng)，那些控制算法已經(jīng)很多了，屬于經(jīng)典控制的范疇。

      現(xiàn)在還能有進(jìn)展的可能就是optimization和model-predictive還有hybrid了。個人感覺數(shù)學(xué)的東西特別多。如果投身如此，屬于經(jīng)典領(lǐng)域，重要的是你作project的能力了。

      不過個人看到這里面的一些新動向，就是和經(jīng)濟(jì)學(xué)有關(guān)。作練習(xí)的時候經(jīng)常用一些經(jīng)濟(jì)學(xué)的例子，做到最后發(fā)現(xiàn)居然是control的問題。

      其實(shí)抽象的看，在有模型的控制方法來看，模型就是一個式子，至于這個式子在實(shí)際系統(tǒng)中的意義，不是那么重要了。

      個人感覺在model-base control里面，多是針對linear model，對于nonlinear model，方法不是特別多，還有一定的挖掘潛力。

      說道了nonlinear model就不能不提knowledge base control，說得具體點(diǎn)就是所謂的專家系統(tǒng)，模糊控制，神經(jīng)元什么的，這是一條新路。

      這些一部分是算法：不管你模型是什么，把專業(yè)技術(shù)工人的知識拿過來作為機(jī)械自己的知識，完成相應(yīng)的控制目標(biāo)。

      一部分是建模：曾經(jīng)做過的assignment是用神經(jīng)網(wǎng)絡(luò)建模的，每個神經(jīng)元都是線性的，但是卻比任何一個線性模型都要準(zhǔn)確擬合非線性的行為。更關(guān)鍵的，這種控制器可以實(shí)現(xiàn)adaptive和learning的功能，就是他能從控制的失敗中自己學(xué)習(xí)怎么更好的控制。

      我現(xiàn)在還不知道這個是怎么干得，但是將來和AI結(jié)合，是很有可能的。投身如此的人，必要耐得住寂寞，主要研究魯棒，LMI(linear matrix inequality)，既枯燥有很難，理論性很強(qiáng)，現(xiàn)在又時興起probalistic的魯棒了。