因为最近在做智能车,百度人工智能创意组,团队用到了PID对小车底层进行调节,所以学习并记录一下。
PID控制算法
控制流程图
- E为当前值与期望值的差值,即偏差值,即
E = Sv - Pv
- Kp是指比例系数值(P)
- OUT为经过PID计算后的输出控制信号
PID公式
比例(proportion)控制
比例是指将当前偏差乘以一个常数,用来将差值信号放大或放小。
比例控制是指OUT = Kp * E
比例控制主要考虑当前偏差的大小,通过当前的偏差值进行调节,如果当前误差为20,Kp为0.5,且系统存在动态的误差10,以水箱为例,即每秒漏10cm的水,而当前和满水状态相差20cm,则调节作用为OUT = 20 * 0.5 = 10
,即每秒补10cm的水,此时漏水和补水的速率相同,导致系统达到动态平衡,但是和预期值始终会相差20cm,为避免静态误差的影响,可以加入一个常数out1
进行调节,OUT = Kp * E + out1
,在这里,如果out1为10,则可以有效对冲环境(漏水)带来的静态误差。
积分(integral)控制
积分本质就是偏差求和,积分控制是指OUT = Ki * Sk
偏差求和:Sk = E1 + E2 +E3 + ..... + Ek
积分控制主要考虑到偏差的历史情况,如果历史情况偏差大小都有,导致Sk = 0,则偏差求和为0,输出为0,系统处于失控状态。
缺点:
- 会在第一次达到设定值时产生过冲现象,然后在设定值两端震荡达到稳定。
避免过冲现象的解决方案:
- 积分分离:在系统的当前值达到设定值的70%或者80%时加入积分项,不让积分项过早的累计误差。
微分(differential)控制
微分的本质就是前一次偏差与当前偏差相减,微分控制是指OUT = Kd * Dk
两次偏差之差:Dk = Ek - Ek-1
微分控制主要考察偏差的最近变化趋势,比如t1时刻偏差为30,t2时刻偏差为28,t3时刻偏差为26,则t2偏差 - t1偏差 = 2,t3偏差 - t2偏差 = 2,此时两次偏差之差为0,所以当单独使用微分控制时,OUT = Kd * 0 = 0
,输出为0,系统处于失控状态。
位置式PID
误差量累计较大,所以一般在应用时将P、D值调大,P值大可以较快回到设定值,但同时会带来较大的震荡,D值大可以削减P带来的震荡,稳定调节过程;同时,使I较小,防止震荡过大。
增量式PID
误差量累计小,积分项只和前一时刻的量有关,所以增量一般较小,不易产生较大的震荡。所以在使用增量PID时,一般使P值较大,可以使系统较快地达到设定值,使I值较小,使得增量惯性小,减缓震荡。
基于python的PID算法
class PID_Param_init:
def __init__(self):
self.Kp = 0 #P
self.Ki = 0 #I
self.Kd = 0 #D
self.set_val = 0 #设定值
self.error_last = 0 #上一时刻的差值
self.error_prev = 0 #上上一时刻的差值
self.error_sum = 0 #所有时刻的差值总和
self.error_In = [2]
# 增量计算公式:
# Pout=Kp*[e(t) - e(t-1)] + Ki*e(t) + Kd*[e(t) - 2*e(t-1) +e(t-2)]
def PID_Controller_Increa(pid,val_in): # val_in当前时刻的输入量
error = pid.set_val - val_in
pid.error_In.append(error)
#系统刚开始时
t = len(pid.error_In)
print(t)
if t > 2:
pid.error_last = pid.error_In[t-1]
pid.error_prev = pid.error_In[t-2]
else:
pid.error_last = 0
pid.error_prev = 0
Res = pid.Kp*(error-pid.error_last) + pid.Ki*error + pid.Kd*(error-2*pid.error_last+pid.error_prev)
print(pid.error_last)
pid.error_prev = pid.error_last
pid.error_last = error
return Res
#初始化参数
PID_Param = PID_Param_init()
#参数定义
PID_Param.Kp = 1
PID_Param.Ki = 2
PID_Param.Kd = 3
val_in = 0
#计算得出输出
res = PID_Controller_Increa(PID_Param, val_in)
参考视频:
参考文章: