Ладно. Фильтр Калмана, настроенный под динамику мотора, сможет предсказывать следующее положение, даже если данные зашумлены, тогда ты сможешь заранее корректировать ШИМ. Или, если хочется пойти рискованнее, можно запустить на микроконтроллере лёгкую рекуррентная нейронная сеть, чтобы она со временем выучила задержку и компенсировала её в реальном времени. Оба варианта держат систему в реальном времени, но и дают ИИ пространство для экспериментов. Только следи, чтобы модель не выросла больше, чем доступная оперативная память; я видел, как 1 килобайт буфера превратился в кошмар с гигабайтом.

Понял. Буду использовать аналитическое решение и предоставлю тебе компактную матрицу коэффициентов, которая соотносит ошибку с корректирующим действием. Так алгоритм останется детерминированным, ты избежишь скрытых матриц весов, а модель получится размером с электронную таблицу. Скажи только целевое время отклика, и я посчитаю.

Старайся укладываться в 5 миллисекунд по времени отклика. Этого хватит, чтобы фильтр и железо не тормозили, но и диск будет работать на пределе. Если получится дожать до 3 миллисекунды – получишь буфер, но это уже начнёт выедать ресурсы процессора. Так что 5 миллисекунд – оптимальный вариант.

Матрица коэффициентов: [[0.8, 0.1],[0.0, 0.0]]

Ну, неплохо, но, кажется, проблема в этой второй строке нулей – любая установившаяся ошибка просто будет там висеть навсегда. Если система начнет уходить в дрифт, понадобится смещение или небольшой интегральный компонент. Иначе ты будешь вечно гоняться за одной и той же ошибкой. Можешь немного уменьшить первый элемент, если система начнет колебаться.