PID 控制的工程实践：从传递函数到自动调参

ROS>机器人学
6.2k 词

本文基于 rm_pid_tuner 项目的实际开发经验。与大多数讲 PID 的文章不同，这里不满足于”知道三个环节的作用”，而是从数学模型 → 离散化 → 工程实现 → 性能评估 → 自动调参完整链路展开，让你看完能自己写一个带自动调参功能的 PID 控制器。

从传递函数说起：PID 到底在补偿什么

几乎所有”PID 入门”文章都会从三个环节的作用讲起，但很少有人问：为什么这三个环节是完备的？

考虑一个典型的直流电机速度环。忽略电感（电气时间常数远小于机械时间常数），电机模型为：

$$E = IR + K_e\omega$$

$$T = K_t I$$

合并得：

$$T = \frac{K_t(E - K_e\omega)}{R} = \frac{K_t}{R}E - \frac{K_t K_e}{R}\omega$$

注意这里的结构：**输入 E（电压）与输出 ω（转速）之间存在一个负反馈项 $\frac{K_t K_e}{R}\omega$**——电机本身就是一个天然的被控对象加内环反馈。加上负载惯量 J 和粘性阻尼 B：

$$J\frac{d\omega}{dt} + B\omega = T$$

得到从电压到转速的传递函数（一阶惯性环节）：

$$G(s) = \frac{\Omega(s)}{E(s)} = \frac{\frac{K_t}{JR}}{s + \frac{B + K_tK_e/R}{J}} = \frac{K}{\tau s + 1}$$

关键结论：电机速度环是一阶系统。 这意味着：

  • 纯 P 控制下，稳态误差 $e_{ss} = \frac{1}{1+KK_p}$——永远不为零，这正是”只有 P 会留静差”的数学根源
  • 加入积分环节后，开环传递函数在原点增加一个极点，系统变为 I 型系统，阶跃响应稳态误差严格为零
  • D 环节不改变系统型别，但改变闭环极点位置，可以增大阻尼比

所以 PID 三个环节的”完备性”在于：P 提供响应速度，I 消除稳态误差（提升系统型别），D 提供阻尼（抑制超调）。三者在频域上分别对应增益、低频整形、高频整形。

离散化：连续 PID 到单片机上的形式

连续 PID：

$$u(t) = K_p e(t) + K_i\int_0^t e(\tau)d\tau + K_d\frac{de(t)}{dt}$$

在 MCU 上必须以固定周期 T 采样离散化。用一阶向后差分近似积分和微分：

$$\int_0^t e(\tau)d\tau \approx T\sum_{k=0}^{n} e(k), \quad \frac{de(t)}{dt} \approx \frac{e(n) - e(n-1)}{T}$$

得到位置式 PID：

$$u(n) = K_p e(n) + K_i T\sum_{k=0}^{n} e(k) + \frac{K_d}{T}[e(n) - e(n-1)]$$

实际工程中通常把 $K_i T$ 合并为一个系数 $K_i’$，$\frac{K_d}{T}$ 合并为 $K_d’$，写代码时就不用关心采样周期了（但注意：换采样频率必须重新整定参数，这是新手最常踩的坑）。

增量式 PID 是位置式的差分：

$$\Delta u(n) = u(n) - u(n-1) = K_p[e(n)-e(n-1)] + K_i’ e(n) + K_d’[e(n) - 2e(n-1) + e(n-2)]$$

增量式最大的工程优势不是”计算量小”（现代 MCU 无所谓），而是：

  1. 故障安全：输出的是增量，执行机构（如步进电机驱动器）保持上一步位置，不会因计算异常跳变
  2. 无扰动切换：手动/自动切换时只需把 $\Delta u$ 清零，不会产生输出突变
  3. 天然抗积分饱和：u 被限幅时增量累积效应弱

RoboMaster 的电机速度环普遍用增量式，因为裁判系统掉线/串口异常时，增量输出不会让电机飞车。

工程实现：一个生产级的位置式 PID

结合 rm_pid_tuner 的实现，一个生产级 PID 至少要处理：积分分离、抗积分饱和、微分滤波、输出限幅。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
namespace rm_pid_tuner {

struct PidParams {
    double kp, ki, kd;          // 位置式系数（ki,kd 已含采样周期）
    double integral_limit;      // 积分限幅
    double output_limit;        // 输出限幅
    double d_filter_alpha;      // 微分低通滤波系数 0~1
    bool   enable_integral_separation; // 积分分离开关
    double separation_threshold;        // 偏差超过该值则切断积分
};

class PidController {
public:
    explicit PidController(const PidParams& params) : p_(params) {}

    void setTarget(double target) { target_ = target; }
    void setFeedback(double fb)   { feedback_ = fb; }

    double update() {
        double err = target_ - feedback_;

        // 1. 微分：带低通滤波，抑制高频噪声放大
        //    (纯微分对传感器噪声极其敏感，必须滤波)
        double derivative = p_.d_filter_alpha * (err - prev_err_)
                          + (1 - p_.d_filter_alpha) * prev_derivative_;
        prev_derivative_ = derivative;

        // 2. 积分分离：大偏差时禁用积分，防止超调
        bool integral_active = true;
        if (p_.enable_integral_separation &&
            std::fabs(err) > p_.separation_threshold) {
            integral_active = false;
        }

        if (integral_active) {
            integral_ += err;
            // 抗积分饱和：积分也限幅，防止积分项主导输出
            integral_ = std::clamp(integral_, -p_.integral_limit, p_.integral_limit);
        }

        // 3. 合成输出
        double output = p_.kp * err
                      + p_.ki * integral_
                      + p_.kd * derivative;

        // 4. 输出限幅（执行机构物理极限）
        output = std::clamp(output, -p_.output_limit, p_.output_limit);
        prev_err_ = err;
        return output;
    }

    void reset() {
        integral_ = 0.0; prev_err_ = 0.0; prev_derivative_ = 0.0;
    }

private:
    PidParams p_;
    double target_ = 0.0, feedback_ = 0.0;
    double integral_ = 0.0;
    double prev_err_ = 0.0;
    double prev_derivative_ = 0.0;
};

}  // namespace rm_pid_tuner

几个容易被忽略的细节：

微分滤波为什么必须？ 离散微分 $\frac{e(n)-e(n-1)}{T}$ 本质是一个高通滤波器，而传感器噪声正是高频成分。若 D 系数稍大，噪声被放大后会在输出端产生剧烈抖动，听起来就像”电机在发抖”。低通滤波后的微分才是”看趋势”，而不是”看噪声”。

积分限幅和输出限幅的区别？ 输出限幅是物理约束（PWM 最大 100%），积分限幅是逻辑约束。如果不单独限幅积分，会发生：误差持续存在 → 积分持续累加 → 输出到顶 → 误差反向 → 积分需要很长时间才能”消化”掉累积值 → 系统在反向时迟钝，这就是积分饱和的典型症状。

性能评估：怎么量化”调得好不好”

手动调参时”感觉差不多了”很容易，但自动化调参必须把”好不好”变成数字。rm_pid_tuner 中定义了几个核心指标：

1
2
3
4
5
6
struct Metrics {
    double avg_error;      // 平均绝对误差 MAE —— 稳态精度
    double error_stddev;   // 误差标准差 —— 振荡程度
    double max_error;      // 最大误差 —— 超调/瞬态峰值
    double itae;           // 时间乘绝对误差积分 —— 综合响应质量
};

MAE 衡量稳态精度，标准差衡量振荡，max_error 衡量超调，ITAE 则是一个”既要快又要稳”的综合指标——它对后期的小误差惩罚轻、对早期的持续误差惩罚重，因此在工程上比 ISE（平方误差积分）更受青睐：ISE 会放大早期大误差，导致整定结果偏向”压超调”而牺牲响应速度。

评分函数：

1
2
3
4
5
6
7
8
9
double calculatePerformanceScore(const Metrics& m) {
    double score = 100.0;
    score -= std::min(m.avg_error * 10, 30.0);    // 稳态精度
    score -= std::min(m.error_stddev * 5, 30.0);   // 振荡
    score -= std::min(m.max_error * 2, 20.0);      // 超调
    if (m.itae > 0)
        score -= std::min(m.itae * 0.01, 20.0);    // 综合
    return std::max(0.0, std::min(100.0, score));  // clamp 到 [0,100]
}

各指标设了扣分上限（30/30/20/20），保证任何单一指标不会主导评分，这样”某一方面极差但其他方面很好”的系统不会被误判为优良。

规则式自动调参：把试凑法变成状态机

rm_pid_tuner 的核心是一个规则分析器：根据指标组合，决定参数往哪个方向调、调多少。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
AnalysisResult analyze(const Metrics& metrics,
                       double kp, double ki, double kd,
                       bool conservative_mode) {
    // 1. 先判断是否已完成
    if (metrics.avg_error < 0.3 && metrics.error_stddev < 0.5) {
        return {.status = "DONE", .needs_tuning = false};
    }

    // 2. 诊断 + 开药方
    if (metrics.error_stddev > oscillation_threshold_) {
        // 振荡 → 降 Kp，升 Kd（阻尼）
        kp *= conservative_mode ? 0.85 : 0.9;
        kd *= conservative_mode ? 1.3 : 1.2;
    }
    if (metrics.avg_error > slow_response_threshold_) {
        // 响应慢 → 升 Kp
        kp *= conservative_mode ? 1.2 : 1.3;
    } else if (metrics.avg_error > steady_error_threshold_) {
        // 有稳态误差但不振荡 → 升 Ki
        ki *= conservative_mode ? 1.3 : 1.4;
    }
    if (metrics.max_error > 2 * metrics.avg_error && metrics.max_error > 5.0) {
        // 超调 → 降 Kp，升 Kd
        kp *= conservative_mode ? 0.7 : 0.8;
        kd *= conservative_mode ? 1.5 : 1.3;
    }

    // 3. 保守模式：参数变化量减半（防止调参过程本身引发危险）
    if (conservative_mode) {
        kp = kp + (kp - kp_old) * 0.5;  // 实际实现中需保存旧值
    }
    return {.suggested_p = kp, .suggested_i = ki, .suggested_d = kd,
            .needs_tuning = true};
}

这套规则的本质，是把人类调参的经验抽象成可执行逻辑：

症状 处方 背后的控制理论
振荡（stddev 大） 降 Kp、升 Kd 增大阻尼比，压低谐振峰
响应慢（MAE 大） 升 Kp 提高穿越频率
稳态误差（MAE 中等） 升 Ki 提高低频增益，压静差
超调（max_error 大） 降 Kp、升 Kd 减小闭环峰值

自动调参的完整流程是一个状态机：

1
2
3
监听误差数据 → 缓存200个采样点 → 计算指标
    → 评分 < 80? → 是: 按规则调整参数 → 发布新参数 → 冷却60s(等系统稳定) → 重新采样
    → 否: 标记 DONE

注意冷却时间的工程意义：参数调整后系统需要时间过渡，如果立即采样会读到”调整过程中的瞬态”，导致误判。冷却期本质上是给闭环系统留出 3~5 个过渡过程时间。

从 PWM 到扭矩：PID 输出之后的最后一公里

PID 输出的是”控制量”，但对电机而言最终指令是 PWM 占空比 m。反解过程：

$$E = V_d \times m, \quad T = \frac{K_t(E - K_e\omega)}{R}$$

$$m = \frac{T \cdot R + K_e\omega}{K_t \cdot V_d}$$

其中关键参数获取：

  • R（相电阻）：万用表测任意两相电阻，一半为每相电阻
  • K_e（反电动势系数）：示波器测手拨电机产生的正弦波，$K_e = \frac{V_{peak}}{\omega}$
  • K_t（转矩系数）：$K_t = \frac{60}{2\pi \cdot PP} K_e$，PP 为极对数

实际工程中 PWM 频率、死区、续流二极管压降都会造成偏差，所以多数 RoboMaster 队直接做电流环闭环：用电流传感器（如 INA240 + 采样电阻）测实际电流，电流环 PID 输出直接给 PWM，速度环 PID 输出作为电流环目标——两级串联。这样 PWM 非线性被电流环”消化”掉了，速度环面对的是一个近似线性的对象，调参更容易。

总结：工程 PID 的六个认知

  1. 先建模再调参：知道对象是一阶还是二阶，才能预测 P/I/D 的效果
  2. 增量式 ≠ 更高级：位置式和增量式是应用场景的选择，不是水平高低的区别
  3. 微分必须滤波：不滤波的 D 在真实传感器噪声面前是灾难
  4. 积分要限幅：抗饱和不是可选项，是必须项
  5. 用数字说话：MAE / 标准差 / 超调 / ITAE 四个指标，让调参从玄学变科学
  6. 给系统留冷却时间：调参节奏比参数本身更重要