基本上有接觸過自動控制架構的每個人，幾乎都知道可以透過CPU、FPGA以及PLC來進行複雜伺服馬達的運動控制，例如雙軸插值（Interpolation）、凸輪控制等。但是到目前為止，甚少發現利用PLC來負責這些動作的計算。

這時會有個疑問出現，為什麼不利用PLC來控制？通常來說，這些由PLC進行控制非常不錯，但是PLC大多是負責多工的（multi-tasking）處理，所以幾乎沒有餘力可以再負擔複雜的伺服馬達計算。

因此在進行運動控制時，就需要採單一Tasking處理才能達到高速運算的作業目標。另外，也不適合用PLC來編寫雙軸插值和凸輪控制等複雜的作業，最好將伺服放大器和CPU組合一起作為伺服馬達的專用機制，即使以後進行修改也可以降低成本。

不適合透過PLC單獨對伺服馬達高速控制

因此，透過CPU、FPGA與其他機構的搭配可以減輕PLC程式的負擔，另一方面，CPU具有高速計算能力適用於控制伺服馬達，因此PLC可以專注擔任其他機器控制（感應馬達等）和訊息控制來分配處理負載。

什麼是簡單運動單元（Simple Motion Unit）？簡單運動單元可以執行與CPU相同的控制（雙軸插值、凸輪控制等），並且可以透過來自PLC的命令輕鬆進行操作。

由於它是受限需要於PLC的命令輸出，因此在連續執行伺服馬達時，CPU可以比簡單運動單元更快地完成操作。此外，簡單運動單元還有一個優點就是比CPU便宜，並且可以使用常規MOV命令輕鬆控制PLC的程序。不過卻有一些情況，並不常利用這種廉價而又容易進行操控，簡單運動單元來做為伺服馬達的馬達，而是要使用麻煩的CPU呢？

這是因為在進行高度運動控制時，又可以不受PLC掃描時間影響的一種高速系統架構。PLC的掃描時間會受到程式容量的影響，因此伺服馬達的多軸控制無法避免增加PLC的程式量。如果CPU可以控制伺服馬達的操作模式和時序，就可以大幅減少PLC程序的負載。

運算單元的配置相當重要

運動系統控制的過程包括在設備的智慧化和自動化中，具有離線（Off Line）計算能力以及智慧，並透過線上（On Line）計算實現功能的流程。由於離線計算沒有時間限制，因此即使運算單元的能力不佳也可以利用時間來彌補，但是在即時的On Line計算中，運算單元的配置就變得相當重要。

對於軟性即時（Soft Real Time）處理，可以採用具有高性能OS的CPU，但是當需要FArm/硬性即時（Hard Real Time）處理，或許微處理器或FPGA會更易於使用。因為FPGA除了有高精緻的優點，在需要即時處理的情況下更具有優勢。

舉例來說，圖1是利用FPGA完成的一個採樣頻率為1 MHz的機器人運動控制系統，在這樣的FPGA高精細執行高速訊號處理的架構下，可以獲得的控制性能非常好，可以輕鬆達到精確控制 （使用解析度為10 nm的光學編碼器進行定位，並且誤差在1或2個脈衝之內）。還可以藉由FPGA的高精細度，透過高速訊號處理等方式消除運算系?中的噪訊，提高控制系?的增益。

圖1 : 利用FPGA完成1 MHz採樣頻率運動控制實驗（source：Increments）

這樣一來，就可以不用受到像傳統的H∞最佳化控制理論的限制與約束，可以提高增益，使得系統性能得以大幅度提升。這樣的機制比起費盡心力的設計補償器更容易獲得更好的性能。

CPU與FPGA的互補與優劣勢

就工業控制器的開發與使用而言，所有工程師都希望盡可能地降低控制器成本，微控制器已經大量的使用，例如安川電機和三菱CPLD，由於物聯網的趨勢而被廣泛使用。現今由於缺乏通用介面（尤其是通訊系統）的靈活性，而又回到了採用微控制器，或者導入SoC FPGA來實現Linux on ARM中的高階功能，同時在FPGA中進行控制的例子。

雖說FPGA的優勢性目前正在擴大，如果不能在指令級確保並行性，與CPU相較之下就會顯得遜色，畢竟這樣的FPGA只能當作運算工具，用來執行向量運算的並行ALU。

實際上用於機器人運動控制的命令值生成與數據相關，是循序運算或使用三角函數計算的，因此使用FPGA進行效率非常低。反之，這會使得CPU被採用的頻率更高，即使非常努力的設計FPGA運用架構，相信也無法達到期望值。

另外，因為對於機器人的運動控制，在校正錯誤的反饋（Feedback）這一部分，包括從觀察（計算器輸入）到校正指令輸出（計算器輸出）的過程，當然是愈快愈好。所以希望能獲得高速處理能力，而工程師就需要更高密度的設計I/O系統和電路，這也是FPGA將常被導入架構應用的原因之一。

如同人體的反射動作與思考判斷後動作

為了更容易理解上述的要求，在這裡以模擬的方式來說明該運算單元（圖2）。

圖2 : 訊號判斷的處理與傳輸架構 （source：Increments）

就人體身體的感測機制而言，例如包括眼睛、耳朵和皮膚等生理感測器，從外界的刺激現象獲得感受訊號後，會將這些感受訊號傳遞至入體內相關機制，有一些訊號會進入大腦，有一些訊號會進入脊髓，並對肌肉或骨骼系統等發出命令。

而進入大腦的訊號通過間腦的中繼中心，隨後在顳葉和頂葉進行判別，再透過顳葉和枕葉的感覺部分，在額葉做出決定並在小腦發出動作控制訊號，這些訊號再通過間腦進入肌肉骨骼系統。

這樣的處理機制相當類似於CPU的功能。因為利用FPGA中的平行算術邏輯單元（Arithmetic Logic Unit；ALU）來執行的加速運算，等同於增加頂葉和額葉等結合區的面積並增加計算量。

另一方面，因為脊髓反射動作沒有經過大腦，因此速度很快，這樣的反射中心類似於為FPGA上精心設計的I/O系統電路。由於肌肉骨骼系統是在腦以外勵起作用並反映，就像是效應器，使用筆和紙進行記錄和讀取等使用外部工具。

在使用SoC FPGA的設計中，就像需要利用大腦的訊號處理是透過CPU進行運算，而脊髓所發生的反射動作則是經過FPGA處理。CPU可以進行運算程序來完成許多不同的事情，但是各種過程（中斷和匯流排控制）都需要時間等待，才能在CPU處理。

源於I/O所造成時間的延遲累加

透過以下的例子，就可以了解運算工作分配的重要性，如果不能善用類似脊髓可自發生反射動作的FPGA，解決一些即時性的Feedback或校正錯誤，而是無限度的將計算工作丟給CPU，就會出現不斷累加的計算時間延遲結果。

這個例子是測量每個程序所需的過程時間來了解反應速度的區別。在此項實測中，採用ARM CPU與FPGA搭配，並用AXI4通訊協定來連接，對應在Arm CPU上映射的I /O的寫/讀速度（圖3）。這個測試是執行30000次所需的控制時間，每次讀寫100次所花費的時間除以100，而測量計時器放置在FPGA上。

圖3 : 利用ARM CPU上映射的I /O的寫/讀速度（source：Increments）

執行機器人運動控制所需的代碼，在此是採用了時鐘獲取時間（clock_gettime），由於時鐘獲取時間本身的負荷，會有1us左右的誤差。可以發現進行第10000次之後，在計算三角函數時所需要的計算時間出現了增加的現象。

圖4 : 進行第10000次之後，計算時間出現增加（source：Increments）

從受體到效應器的往返時間

結果是，從FPGA向Arm CPU發送出中斷，並使用FPGA上的計時器，測量了直到從Arm進行I/O寫入為止的時間。同時也考慮到AXI4的速度和Arm計算時間，它花費了很長的時間。從往返時間中減去AXI4通訊時間和Arm操作時間，使用處理器的程序處理時間如下（圖5~6）。

圖5 : 3萬次的封包來回時間（source：Increments）

圖6 : 3萬次的運算處理時間（source：Increments）

從例子可以發現，在處理中斷的過程中，可以發現有延遲的情況出現，由於中斷使用UIO的速度很慢，所以應該利用內和運算來進行處理，相信回應速度會比較快（圖7）。

圖7 : 利用內和運算進行處理，相信回應速度會比較快。（source：Increments）

如果要在短時間內使用Arm處理器進行採樣，就必須管理時程。如果想利用Arm CPU進行短時間採樣時，就不得不認真考慮處理中斷這個動作時所耗費的時間。

而在控制方面，訊號處理系統會受到時間軸的抖動影響，可以對FPGA做精確時間的平均採樣，或許這非常有用。另外，還能透過FPGA本身的高精緻度特性，在電腦程式中建立很多執行緒，每個執行緒都有自己的時鐘，並且嚴格定時，相信這對於在執行各種操作的機器人運動控制系統中是非常有用的。