PID调试

Kp: 比例系数 ----- 比例带（比例度）P：输入偏差信号变化的相对值与输出信号变化的相对值之比的百分数表示  （比例系数的倒数）

T：采样时间

Ti: 积分时间

Td: 微分时间

2. PID常用口诀： 
参数整定找最佳，从小到大顺序查 
先是比例后积分，最后再把微分加 
曲线振荡很频繁，比例度盘要放大 
曲线漂浮绕大湾，比例度盘往小扳 
曲线偏离回复慢，积分时间往下降 
曲线波动周期长，积分时间再加长 
曲线振荡频率快，先把微分降下来 
动差大来波动慢。微分时间应加长 
理想曲线两个波，前高后低4比1 
一看二调多分析，调节质量不会低 

一、控制车速快速稳定

这里的车是指智能小车(差速控制)，不是指汽车。控制小车速度由0mm/s到100mm/s，稳定时间需要控制在200ms内。因为死区和摩擦力的原因，车轮的转速有滞后现象。利用位置式PID不能解决问题，准确的说，用一组PID值想小车快速达到稳定是不可能的。快速性，稳定性，准确性是相互制约的，控制车速肯定希望这三个性能都满足，因此三个性能只能相互平衡。

以下讲讲我的方法，我用了分段PID的方法来达到快速稳定的要求。我的分段PID不是指不同的速度对应不同的PID的值，不同于模糊PID的控制方法，我的分段是根据设定值与反馈值得偏差来进行分段控制。

1.快速区

此时的delta_v应大于20mm/s(这里的数值可以根据项目需要去设定)，PID给定值相对较大，主要是Kp比较大，其他两个值我没有改变。因为增加Kp还是会导致超调，在这里我利用了2个策略。

a. 在快速区里，把（设定值-20）作为新的设定值，然后利用反馈的速度加上瞬时加速度和新设定值比较。

b. 瞬时加速度是利用MPC控制的思想，进行提前量控制，因为车速的滞后性比较强，当前的速度为V_now，前一时刻的速度为V_last，则车速的瞬时加速度为a=V_now-V_last。

2. 缓冲区

此时的10mm/s<delta_v<20mm/s，Kp的值小了一点点。这个区段主要是针对第一阶段超调引起的误差，能较快速的稳定到设定速度，另外可以防止速度产生系统震荡；

3. 稳定区

此时的10mm/s>delta_v，Kp的值继续减小。车速能够达到相对稳定的状态，就一直处在稳定区，如果想较大增速，会再进入快速区。

另外讲下原地转弯，控制角速度w的一些心得。PID控制w的效果不怎么好，因此，先作出w与PWM的曲线，求出函数。然后根据函数，当输入w时，进行PWM最大和最小的限幅。原地转弯的时候比较顺畅。

二、PID自整定

目前我了解到的自整定的方法有Z-N法和twiddle法。

1. Z-N法

维基百科上有，大家自己去看，经过证实这个方法是有效的。

https://zh.wikipedia.org/wiki/PID%E6%8E%A7%E5%88%B6%E5%99%A8

2. twiddle法（旋钮法）

这个方法还是直接贴代码吧，成本函数的代码大家根据自己的系统去写，我就不贴自己的代码了。这里面上部分是matlab的代码，下半部分是Python代码。我是偶然看到这位大牛Sebastian Thrun的讲PID控制视频了解到的。觉得很有意思，根据别人的代码修改了下。不得不说，还是有经验的人调的更快，但是这个方法可以给大家指明一个大致的方向，关键是这个思想我觉得很好。
 

clear all, clc, close all
%% Twiddle Algorithmus nach Sebastian Thrun
tic
 
params = [0 0 0];   %Startparameter kp & ki &kd
dparams = [1 1 1];  %Startschrittweite Delta_kp & Delta_ki &Delta_kd
 
it=1;
 
%成本函数计算
[cfzz(it),err(it)] = PIDcontrol(params(1),params(2),params(3),100,500);%偏差为10度
 
%  [cfzz(it),err(it)] = PIDcontrol(1,1,1,100,500);
bestcost = cfzz(it);
 
% 最大化成本函数
while sum(dparams) > 0.01
    for i=1:length(params) % 所有参数
        params(i)=params(i)+dparams(i);
 
        %成本函数计算
        [cfzz(it),err(it)] = PIDcontrol(params(1),params(2),params(3),100,500);
 
        if cfzz(it) < bestcost
            bestcost = cfzz(it);
            dparams(i)= dparams(i)*1.05;
        else
            % 相反方向搜索
            params(i)=params(i)- 2*dparams(i);
            [cfzz(it),err(it)] = PIDcontrol(params(1),params(2),params(3),100,500);
 
            if cfzz(it) < bestcost %如果目前的成本较高（为好）
                bestcost = cfzz(it);
                dparams(i) = dparams(i)*1.05; %更大的一步
            else
                params(i)=params(i)+dparams(i);
                dparams(i)=dparams(i)*0.95; % 更小的一步
            end
        end
 
    it = it+1;
    disp(['Twiddle #' num2str(it-1) 'parameter ' num2str(params,'%2.5f \t') ', FunctionCost: ' num2str(cfzz(it-1),'%2.5f \t') ',Err_now: ' num2str(err(it-1),'%2.5f \t')])
    paramsstore(it,:) = params; % 为支持在随后的变量
 
    end %parameter end
 
end
disp(['Twiddle-Berechnungsdauer ' num2str(toc) 's'])
disp(['                X           Y          Z'])
disp(['Maximum bei ' num2str(params,'%2.5f \t')])
%{
%Write with Python
# Choose an initialization parameter vector
p = [0, 0, 0]
# Define potential changes
dp = [1, 1, 1]
# Calculate the error
best_err = A(p)
 
threshold = 0.001
 
while sum(dp) > threshold:
    for i in range(len(p)):
        p[i] += dp[i]
        err = A(p)
 
        if err < best_err:  # There was some improvement
            best_err = err
            dp[i] *= 1.1
        else:  # There was no improvement
            p[i] -= 2*dp[i]  # Go into the other direction
            err = A(p)
 
            if err < best_err:  # There was an improvement
                best_err = err
                dp[i] *= 1.05
            else  # There was no improvement
                p[i] += dp[i]
                # As there was no improvement, the step size in either
                # direction, the step size might simply be too big.
                dp[i] *= 0.95
%}