4、PID控制入门：比例-积分-微分控制原理、在轨迹跟踪中的应用、优缺点分析

各位同学，今天我们聊点实在的——PID控制。

说实话，在强化学习里，很多人一上来就搞各种花哨的算法。但我个人习惯，先看看经典控制理论能解决什么问题。PID，就是那个你绕不开的经典。它简单、有效，而且你想想看，工业现场90%以上的回路还在用PID。所以，搞轨迹跟踪，不懂PID，说不过去。

4.1 比例-积分-微分控制原理

PID，说白了就是三个字：P、I、D。它们分别代表比例、积分、微分。这三个家伙各司其职，配合好了，能把你的系统调得服服帖帖。

先看公式，这是核心：

u(t) = Kp * e(t) + Ki * ∫e(τ)dτ + Kd * de(t)/dt

其中：

u(t)：控制器的输出，比如你给电机的电压。
e(t)：误差，也就是目标值减去当前值。比如你想让小车走到位置1，它现在在位置0.5，那误差就是0.5。
Kp：比例增益。
Ki：积分增益。
Kd：微分增益。

咱们一个一个拆开看。

4.1.1 比例控制（P）—— 最直接的反馈

比例控制，就是误差越大，你给的力越大。这很符合直觉吧？

比如你开车，离目标还有100米，你猛踩油门；离目标还有1米，你轻点油门。这就是比例控制。

但比例控制有个毛病——它会产生稳态误差。什么意思？就是系统最后会停在离目标还有一点点距离的地方，就是过不去。我在项目中遇到过，调一个温度控制系统，Kp给大了，系统震荡；给小了，温度永远差2度。嗯，这就是比例控制的局限性。

4.1.2 积分控制（I）—— 消除稳态误差

积分控制，就是看误差的“历史账”。它把过去所有的误差累加起来，只要还有误差，积分项就会一直增长，直到把误差彻底消除。

你想想看，比例控制搞不定的那2度温差，积分项会慢慢累积，最终输出一个额外的控制量，把温度顶上去。

但积分也有坑。我记得有一次做无人机悬停，积分项调得太大了，结果无人机开始“低频振荡”，就是那种慢慢晃悠的感觉。后来我把积分限幅加上，才稳住。所以，积分不是越大越好。

4.1.3 微分控制（D）—— 预测未来

微分控制，看的是误差的变化趋势。误差在快速增大？微分项会给出一个反向的力，阻止它继续变大。这就像你开车看到前面红灯，提前松油门一样。

微分项能增加系统的阻尼，让系统更快稳定下来。但它对噪声特别敏感。为什么？因为微分本质上是求导，噪声一进来，导数会变得非常大，控制器就乱跳了。

我曾经在一条生产线上，传感器信号有点毛刺，微分项一加上去，执行器就开始高频抖动。后来加了个低通滤波器，才把问题解决。所以，用微分之前，先看看你的信号干不干净。

核心总结：

P：解决“现在”的问题，但会有稳态误差。
I：解决“过去”的问题，消除稳态误差。
D：解决“未来”的问题，抑制超调和振荡。

4.2 在轨迹跟踪中的应用

好了，理论讲完了，咱们看看PID在轨迹跟踪里怎么用。

轨迹跟踪，说白了就是让机器人沿着一条预设的路径走。比如让小车走一个“8”字形，或者让机械臂画一个圆。

在轨迹跟踪中，我们通常把PID用在两个层面：

位置环：控制机器人到达目标位置。
速度环：控制机器人以期望的速度运动。

举个例子，让小车沿着直线走。我们给小车一个目标位置序列，比如每隔0.1秒更新一次。PID控制器根据当前位置与目标位置的误差，计算出控制量（比如电机的PWM值），驱动小车前进。

代码实现其实很简单，下面是一个离散化的PID控制器：

class PID:
    def __init__(self, Kp, Ki, Kd, dt):
        self.Kp = Kp
        self.Ki = Ki
        self.Kd = Kd
        self.dt = dt
        self.integral = 0
        self.prev_error = 0

    def update(self, target, current):
        error = target - current
        self.integral += error * self.dt
        derivative = (error - self.prev_error) / self.dt
        output = self.Kp * error + self.Ki * self.integral + self.Kd * derivative
        self.prev_error = error
        return output

你看，就这么几行代码。但在实际项目中，你还需要考虑：

积分限幅：防止积分项无限增长，导致“积分饱和”。
输出限幅：控制器的输出不能超过执行器的物理极限。
微分滤波：对微分项做一阶低通滤波，抑制噪声。

避坑指南：

我曾经在调一个四轮小车的轨迹跟踪时，发现小车总是走“蛇形”。后来发现是微分项没加滤波，轮子上的编码器噪声被放大了。加了个截止频率为10Hz的低通滤波器，问题就解决了。所以，微分项一定要配合滤波使用。

4.3 优缺点分析

聊了这么多，咱们客观地看看PID的优缺点。

优点	缺点
结构简单，易于理解和实现	对非线性系统效果不佳
不需要系统的精确数学模型	参数整定需要经验，耗时
鲁棒性较好，对模型误差不敏感	无法处理时变系统和强耦合系统
工业应用广泛，资料丰富	对于复杂轨迹跟踪，精度有限

我个人觉得，PID最大的优点是“够用”。在很多场景下，你不需要复杂的算法，一个调好的PID就能解决80%的问题。但它的缺点也很明显——它本质上是一个线性控制器，对于非线性、时变、强耦合的系统，比如四足机器人、无人机特技飞行，PID就有点力不从心了。

这时候，强化学习就派上用场了。但那是后面章节的内容。今天，先把PID吃透。

注意：

不要迷信PID，也不要轻视PID。它是一个工具，关键看你怎么用。我见过有人用PID做倒立摆，也见过有人用PID做卫星姿态控制。工具本身没有好坏，只有合不合适。

4.4 本章知识体系

下面这张图，帮你理清本章的核心逻辑：

这张图很直观。PID的三个分支各司其职，组合起来就能完成基本的轨迹跟踪任务。但记住，这只是入门。后面我们会看到，当轨迹变得复杂，或者系统存在强非线性时，PID就不够用了。那时候，强化学习会登场。

好了，今天的内容就到这里。PID不难，但想调好，需要耐心和经验。多动手，多试错，你会有感觉的。

可可精品资料库