3. 基础回顾：运动控制核心——PID控制器原理与调参

聊导航调参之前，咱们得先把运动控制的老底子翻出来晒晒。PID控制器，说白了就是机器人底盘最底层的"肌肉反射"。导航规划层告诉它"往左转30度，跑1米"，但具体怎么让轮子转、转多快、转稳不稳，全是PID在干。

我个人习惯把PID比作一个"纠偏员"。你给它一个目标值，它盯着实际值，一有偏差就动手往回拉。拉得太猛会过头，拉得太慢又跟不上。嗯，调参就是在找那个"刚刚好"的平衡点。

3.1 PID的数学本质：三个"纠偏动作"

先看公式，别怕，就一行：

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

拆开来看，三个分量各管一摊事：

分量	符号	它管什么	我见过的典型问题
比例	Kp	当前偏差有多大，就拉多大力	Kp太小，机器人"懒洋洋"；Kp太大，抖得像筛糠
积分	Ki	把过去的偏差攒起来，消除静差	Ki过大，系统"记仇"过头，来回震荡
微分	Kd	预判偏差的变化趋势，提前刹车	Kd太敏感，噪声一吹就乱跳

比例项是主力。偏差大就猛拉，偏差小就轻拉。但光靠它，系统永远到不了目标——因为到了目标附近，拉动力和阻力刚好抵消，就停在那了。这就是所谓的"静差"。

积分项就是来解决这个问题的。它把过去所有偏差加起来，哪怕偏差很小，时间一长积分值也够大，能推最后一把。但这里有个坑——积分饱和。我在项目里遇到过机器人启动时积分疯狂累积，结果冲过头好几米才刹住。后来加了积分限幅和条件积分，才算稳住。

微分项最有意思。它不看偏差大小，看偏差变化快慢。偏差在快速增大？它提前给反向力。偏差在快速减小？它收力防止过冲。说白了就是个"预见性刹车"。但微分对噪声极其敏感，传感器抖一下，微分项就炸了。所以我一般会在微分通道前加个低通滤波。

3.2 位置式PID vs 增量式PID

写代码的时候，你会遇到两种实现方式。我刚开始做运动控制时也纠结过，后来发现选哪个取决于你的执行器。

• 位置式PID：直接算出一个完整的控制量（比如PWM占空比）。输出和过去所有状态都有关，一旦积分饱和，输出可能飞到天上去。
• 增量式PID：只算当前控制量的变化量（Δu）。输出只和最近几次偏差有关，不会累积历史错误。电机驱动、舵机控制里用得最多。

给你看段我常用的增量式PID代码，简洁实用：

// 增量式PID，适合电机速度环
float pid_incremental(float target, float current) {
    float error = target - current;
    float delta_u = Kp * (error - last_error) 
                  + Ki * error 
                  + Kd * (error - 2*last_error + last_last_error);
    
    last_last_error = last_error;
    last_error = error;
    
    return delta_u;  // 返回的是增量，不是值
}

为什么我喜欢用增量式？因为它的输出天然带限幅保护。你想想看，每次只加一点点变化量，就算参数调得再离谱，输出也不会瞬间爆炸。这对机器人底盘来说太重要了——我可不想看到机器人突然原地起飞。

3.3 调参方法论：从"抖"到"稳"的四个步骤

调参这事儿，网上有各种玄学。什么"先调Kp，再调Kd，最后调Ki"，听起来像菜谱。但实际干活的时候，你得有套路。我总结了一套"四步法"，在AGV和四轮差速底盘上都验证过：

1. 先让系统动起来：Ki和Kd先置零，Kp从0慢慢往上加。加到系统开始出现等幅振荡（持续抖动），记下这个Kp值，叫临界增益Ku。同时记下振荡周期Tu。
2. 引入微分压震荡：把Kp降到Ku的60%左右，然后加Kd。Kd从0开始加，直到系统抖动明显减弱。注意，Kd加太多会引入高频噪声，适得其反。
3. 积分消除静差：Ki从0开始加，每次加一点，观察稳态误差是否消失。Ki加到系统开始出现低频振荡就停下，然后往回退20%。
4. 微调收尾：给系统加个阶跃信号（比如突然给个目标速度），看超调量和调节时间。如果超调太大，加Kd或减Kp；如果响应太慢，加Kp或减Kd。

我曾经在一个差速底盘上遇到过死活调不稳的情况。Kp加到10就开始抖，Kd加到0.5就噪声爆炸。后来发现是编码器分辨率太低，微分项算出来的变化率全是噪声。换了高分辨率编码器，问题迎刃而解。所以调参之前，先确认你的传感器够不够格。

3.4 PID与导航系统的"接口"

导航系统（比如ROS的move_base）输出的是速度指令——线速度v和角速度ω。而PID控制的是电机转速。这中间有个转换关系：

// 差速底盘：从v, ω 到左右轮转速
float v_left  = (v - ω * wheel_base / 2) / wheel_radius;
float v_right = (v + ω * wheel_base / 2) / wheel_radius;

// 然后每个轮子各自跑PID速度环
float pwm_left  = pid_incremental(v_left,  current_left_speed);
float pwm_right = pid_incremental(v_right, current_right_speed);

这里有个容易被忽略的点：导航系统输出的v和ω是"期望值"，但底盘实际能不能跟上，全看PID的响应速度。如果PID调得太慢，导航规划层以为机器人已经转弯了，实际还在直行——路径跟踪就崩了。

我一般要求速度环的响应时间在50ms以内，位置环在100ms以内。这样导航系统的控制周期（通常100ms）才能和底层运动控制合拍。

3.5 一张图看懂PID在导航中的位置

下面这张图是我自己画的，把PID放在整个导航-控制链路里看，你就明白它有多重要了：

从这张图你能看到，PID控制器是连接"导航大脑"和"底盘肌肉"的神经中枢。全局规划画好路线，局部规划算出速度，PID负责把速度指令变成实实在在的电机转动。任何一个环节掉链子，机器人就跑偏。

3.6 几个实战调参技巧

最后分享几个我在项目里摸爬滚打总结出来的技巧，不一定写在教科书上，但很管用：

• 先调空载，再调带载：空载时调好的参数，满载后Kp可能要加20%-30%。因为负载大了，系统惯性变大，同样的Kp拉不动。
• 用示波器看曲线：别光靠耳朵听电机声音。把目标值和实际值通过串口打印出来，画成曲线图。一眼就能看出超调、振荡、静差。
• 积分分离：偏差大的时候关掉积分，等偏差小了再开。这样既避免了积分饱和，又能消除静差。代码实现就一行if判断。
• 微分先行：只对反馈信号做微分，不对目标值做微分。这样目标值突变时，微分项不会产生冲击。我几乎所有项目都这么用。

好了，PID的基础就复习到这儿。记住一句话：PID调好了，导航调参才有意义。底盘不稳，再好的规划算法也是空中楼阁。