現實中，當然不只是PID。比如過程控制，十幾個以上、乃至幾十幾百個輸入輸出，耦合不可忽略，約束條件比較強，同時又要最佳化一定的效能指標，單用PID幾乎是不可能的，即使用解耦。此時用預測控制比較多。當然，底層還是多為PID。
自適應與魯棒是兩個很大的概念。
自適應控制，工程需要很大，比如很多控制系統不能隨便換掛載的，就是因為換了掛載之後，需要重新調參。而想做出一勞永逸的自適應控制，則非常難調。其實自適應控制沒有clear cut的邊界，什麽意思呢，自適應的控制都等算上自適應控制。而這自適應的可以是時間上的時變造成的，也可以是空間上的非線性造成的，也可以是人為地換掛載等造成的，也可以是故障（這時就多稱為容錯控制了）造成的。所以，隨著情況變而控制率也變的控制，都可稱為自適應控制。最簡單的，分為不同的工況，設計不同控制率，然後檢測出工況變，而控制率變。
魯棒控制的本質，是按照魯棒效能指標來調參（可以是狀態反饋，也可以是PID等等）。而魯棒性分析，工程中到處都是，比魯棒控制本身套用要廣。比如有時候調完PID，還得分析、測試下它的魯棒性。而魯棒控制中的LQR、H無窮等，在比如自動跟蹤陽光的太陽能板、射電望遠鏡、旋翼飛行器等等中有不少套用。其本質是個頻域方法（靈感來源），轉化為時域求解，然後寫成演算法，但一般實行之前要看頻域特性，才敢放行。其實話說回來，魯棒控制也是沒有clear cut的邊界的，從一般意義上說，魯棒的控制都可成為魯棒控制，比如容錯控制也可以作為魯棒的。所以，控制率不變，但至少原則上可以容忍不同情況的控制，都可稱為魯棒控制。其實可以想見，實習生了每種情況的效能的。
其實PID也可以做成自適應的，當然也可以按照魯棒效能指標來調參。其實作實中的PID，很少只是用PID的基本形式的，而是都往往帶有很多小trick。預測控制也可以啊。容錯控制可以是自適應，也可以是魯棒，也可以兩者兼而有之。
其實說到例項，一找一大堆。比如上面提到的某射電望遠鏡，還有某世界巨頭硬碟生產商，還有某世界著名公司的無人駕駛地鐵，比如很多世界著名石油化工類公司，比如風電、太陽能並網的直流轉交流等。都不是論文中的，但也因此不能詳細說。
有句話說，實際中在用的控制器大部份是PID。其實確切的說，是大部份包含PID，但也大部份不只包含PID。運動控制，底層一般是電機，可串級，串級後每級階數不高，都用PID往往就夠了；過控，底層也常用PID就夠了。有時候中、上層也是PID。但另外一方面，PID的局限很多，特別是在中、上層的時候，比如遙操作（時延無關控制），比如負載慢變的系統（自適應），比如相似環境重復動作的系統（叠代學習），比如輸入輸出較多且耦合強硬約束的系統（預測控制）。
現在發展CPS，IoT，但控制演算法/參數大多還是要結合硬件來調(現在主要還是人靠經驗離線調)，是其中一個不小的問題，因為這意味著可延伸性大大受限制，很難往模組化、客製方向發展。
這裏岔開一句，PID用魯棒的效能指標來調參，有人說這還是PID，有人說這就是魯棒控制了。很多時候，爭論源於此。其實究其本源，是沒有什麽可爭的。當然，PID也可用其他方法來調參，比如模糊PID，自適應PID。有人說這還是PID，有人說這就是非線性了，自適應了。這只是名詞的爭論。
其實要說嚴謹，最常用的，PID加上飽和，就是非線性的了。有人說這還是PID，有人說這就是非線性控制了。這些名詞之爭，確實沒必要。因為控制系統是由很多模組組成的。任何單一的模組指代整體，都會以偏概全。
還有個問題，通訊中解決的比較好，就是極限問題。通訊中有消息理論給出極限，然後各種編碼方式趨近極限就行了，有個比較量化的比較。相對而言，控制這方面還有很多欠缺，在給定傳感器與模型誤差時，不知道極限（比如精密控制中的variance）是什麽，也就不知道還能不能改進。
相信有工程經驗的都有類似的疑惑，一個系統用一個方法，控制得不錯。但不能說明別的方法不能控制得更好啊。回到最基本的問題，如何決定選擇哪個控制方法呢？PID上面增增添添，用trick，對系統理解更深（比如一些環節，如發達啟動過程的建模、辨識，也就是旋翼或是閥門等的啟動過程），乃至分工況（專家、模糊、自適應等都能往上用），能改進不少效能；魯棒、自適應調得好，也都不錯。不知道一個框架的極限在什麽地方，也就不知道在現有框架下控制器還能不能改進，還能改進多少，也就不知道什麽時候該換另一個框架。即使一個框架在現有問題上效果不好，也不知道是在這個框架本身不好，還是自己沒調好。甚至連調到什麽程度了都不知道，往往是也許大概差不多了。如此等等，只能靠經驗。但經驗有時也是靠不住的，因為經驗只是對已有的東西的熟悉，往往會阻礙新東西的引進。也許控制還處於地心說時代，之後還有日心說，牛頓三大定律，相對論，量子力學等等呢。其實辨識、濾波（估計）也差不多。比如濾波，對某些環節理解更深，比如去除訊號中的確定分量，只留隨機分量，是個很難的trick。而這個trick可能比調濾波器參數更重要。這更讓人想到了地心說，為了擬合而用trick。一般來說，從物理學的歷史來看，trick代表著背後應該有更‘宏大’的理論。
大家看過最強大腦吧，其中有一期，是兩個盲人比定位，一個是吹氣（要求距離近，精密），一個是透過發出聲音聽反射（距離遠，但不夠精細）。而非盲人則用視力便可以了（距離遠，而且精細）。這說明了什麽？就是不同的傳感器特征，決定了用什麽定位（濾波）方法最優，也決定了效能。控制也一樣啊。假設這三個人去騎單車，他們的最優策略也是不一樣的。現在的控制技術，很多時候往往瓶頸在於傳感技術和建模技術。就傳感技術而言，曲線一般都很差（漂移、雜訊、幹擾等），還不能有效的利用視覺等。而且建模技術也是如此，包括系統建模和外界幹擾建模。系統本身、外界幹擾模型都不精確，傳感器傳回來的數據也不完全可信，那能怪控制麽？有可能，未來的這些技術發展，最適用的控制演算法也就跟著變了。也許PID還是接著用，但同時以前不能用的很多也可以用了，而且說不定會有很多嶄新的框架，乃至新的控制結構。誰知道呢。
跟互聯網相比，工業的器材、演算法的更新換代算是很慢的，而且很不「平」：很可能人家殼牌用某種先進控制很多年了，中國的一些過控的公司還在用default的演算法。但另一方面，因為為了省能源（比如把某個控制指標的variance降低10%就能省很多）的驅動，也為了現在很多更加精密（這方面降低variance的價值就更直觀了，比如精密機床加工、乃至芯片生產、納米級操作positioning等）的需要，等等，現在世界範圍內，很多公司都在慢慢試行先進控制演算法。當然中國也在慢慢追趕。很多時候PID夠用，不代表沒有更好的演算法；而且PID是線性時不變的，且只有三個自由度，在很多系統中的極限還是比較明顯的：比如再怎麽調，也調不出叠代學習控制的效果，當然後者的使用那個範圍非常有限。可是在這非常有限的範圍內，叠代學習控制效果就是比單純的PID好。當然叠代學習控制底層也可有PID這一環節。
現代的先進控制理論先進在哪裏？如何評價在PID控制器份額在95%條件下穩定性遜色的先進控制系統？ - 小心假設的回答---
以下是任性的回答。
如果仔細觀察的話，其實每個人的走路姿勢（演算法？）都不一樣的。刑偵學中，就有如何根據人的腳印來判斷這個人的體態特征、乃至職業等等的方法。
其實我們自己就有這樣的經驗，比如在泥地裏、在潮濕的地面、在冰上，在負重時，在受傷時，在水下，在大風中，乃至在月球上，在加速的列車上，走路姿勢都不一樣。
或者想象，你如果是大象，身體變得沈重，或者你是鴕鳥，或者你是某個機器人，乃至你視力很差，或者是盲人，那步態又不一樣。
再扯遠一點，不僅步態，就連定位方法，在森林裏（方向很重要），在地鐵裏（方向不那麽重要），在城市裏，在鄉下，其實都是不同場景下不同的。
這是自適應，還是魯棒呢？人可以做到，為什麽控制理論做不到？難道控制理論的發展到今天就是盡頭了？畢竟才有一百年左右的歷史，今後的一百年呢？會不會一百年之後會看，現在的自適應只不過是所有自適應中的一小類，魯棒、非線性等也是如此？
還有一個問題，那就是存不存在終極理論？如果存在的話，會是什麽？人類內嵌的控制演算法是什麽？難道是數學？難道是我們現在看到的PID（也許）、魯棒控制、自適應控制等？再比如在人臉辨識方面，難道是SVM？難道是L1 norm、神經網絡（也許）？也許是不同方法的切換？
