彻底搞懂PID｜控制算法详解，附工程实践要点

为了将算法知识真正转化为解决问题的能力，我们开设了《算法详解》专栏。每一期我们都会深度拆解一个核心算法，不只讲公式，更讲原理、局限，以及它们在真实系统里怎么落地。

PID 的连续形式为：

右侧三项最终都要落到同一种控制量上，才能相加。

无人机刚离开地面时，误差很大，P项会给出较强的向上修正；越接近目标，P项越“温柔”。说白了，当前差多少，就按一定比例纠正多少。

 增大后，系统通常会响应得更快，但控制动作也会更激进。真实系统存在惯性和延迟，控制器看到误差变小的时候，无人机可能还在继续向上运动。 过大，结果往往不是更快停在 10 m，而是超调甚至振荡。

但有些系统维持目标状态本身就需要额外控制量。假设持续向下的风需要增加 5 N 推力才能抵消，而 P 只有在存在高度误差时才会给出这 5 N。结果可能是无人机停在 9.8 m：0.2 m 的误差刚好换来抵消风力的推力，误差却不再继续缩小。这就是稳态误差。

I 项单看公式不太直观，继续看刚才那阵风。如果无人机长期停在 9.8 m，每个控制周期都有 0.2 m 的正误差。⼀次不大，但它连续存在 1s、2s、3s，积分值就会不断增加，直到补偿足以把无人机推回10m。

所以 I 不只是模糊地“记住过去”，它是在算⼀笔账：

这份没有被解决的误差，累计起来到底有多少？

当误差回到 0 时，P 项输出也会回到 0；I 项此前积累的控制量却可以保留下来，用于抵消持续风力。这正是积分能够消除稳态误差的原因。

积分也可能记得太多。例如电机已经达到最⼤推力，无人机仍然无法上升，误差就会持续存在。如果积分器还在累加，等外部限制消失后，过⼤的控制量会把无人机猛地推过目标。这就是积分饱和，也叫 windup。

⼯程里常用条件积分、积分限幅、积分分离和反计算等⽅法处理它。

注意：简单粗暴地给积分项限幅有时能用，但不等于所有 anti-windup 方法都只是“加⼀个限幅”。

如果误差仍定义为 ，并且目标值在这一小段时间内不变，那么：

因此，对测量值求微分时要带负号：

前馈利用已知信息提前动作，反馈负责收拾模型不准、外部扰动和执行误差。

至于调参，我不太赞成只记“先 P、再 D、最后 I”这一类口诀。

它可以作为某些系统的起点，却不是通用流程。至少要先弄清输入输出、量纲、控制周期、执行器范围和评价指标，再决定观察什么曲线、增加哪一项。 否则参数调了半天，最后可能只是用 PID 在补偿错误的符号、延迟的信号，甚至一张不准确的标定表。

实际程序以控制周期  运行。用最直观的前向差分写法，PID 可以离散成：

这只是便于理解的一种写法。真实代码可能用梯形积分、带滤波的微分，还要对  和  做 anti-windup 与限幅。

位置外环先计算纵向位置误差：

它的输出不是油门，而是速度修正量：

这里先用最简单的P位置环说明。更完整的实现也可以是PI、PID，或者带限幅和增益调度的控制器。车辆落后2 m时，如果外环比例增益取，便得到的速度修正：

注意：这里不是PID把“米”神奇地变成了“米每秒”，也不是对位置误差求了一次导数，而是控制器增益承担了量纲和时间尺度的映射。

速度修正量与规划参考速度相加，形成新的目标速度：

速度内环再计算目标速度与实际速度的误差：

经过速度控制器后得到反馈加速度：

这里同样先写成最简单的 P 形式。如果速度环采用 PI 或 PID，还要加上速度误差的积分项和微分项。在本文定义的“速度误差输入、加速度修正输出”下，比例增益  的单位为 ，因此可以把  的速度误差映射成  的加速度修正：