不巧，我也是做纯运动控制的。控制是为了实现动力学系统最终呈现出期望状态的方法。控制的尴尬也在于它能否优化整个系统的特性要取决于很多因素，不是控制方法好就能最终效果好的。
1、感知与规划等研究领域代码开源程度高，很多算法包可能一个博士读完也做不出来，现在开源了，可以踏在前人的肩膀上往前走。运动控制领域的研究基本不开源，你想要复现人家论文的研究内容需要花很多时间，你得不断研究各种相关理论，看懂公式，再自己码代码来复现。
2、感知与规划由于有很多算法包可供调用，变现快，做出来的效果又很容易让人觉得高大上。运动控制要做到高大上的效果，需要机械结构、硬件系统，装配工艺，运动规划，动力学特性，控制方法等等来共同保证，而在大多数时候，是不具备这种条件的，控制效果出不来，会让人觉得控制无用，毕竟能具备波士顿动力那种条件的公司寥寥无几。
3、国外的机器人控制积累了很多年，经历了各种工艺需求的洗礼，他们的「控制」已经是一个与机器人其他方面磨合地很好的一个系统了，想要去探究里面的控制算法比较困难；国内这块刚刚起步，大家还是以市场为导向，且不少伺服驱动器性能优于，控制器这块只需规划即可，控制都交给伺服去做。
4、感知规划属于比较新的领域，可以允许试错成本去让各家公司找寻好的解决方案；运动控制比较成熟，市面上有很多成熟的方案，试错压力大。幸运地是，在一些人机交互场合，比如外骨骼机器人、手术机器人等，成熟度较低，相信运动控制会有越来越大的机会。
运动控制是系统里非常重要非常基础的一环，能把它做好，系统的门槛会越高，不用担心谷歌哪天公开了源码。
