PID，MPC，LQR优缺点

学的乱七八糟的白小杨

已于 2023-09-27 10:47:28 修改

阅读量5.4k

点赞数 8

分类专栏：自动驾驶文章标签：算法人工智能

于 2023-09-09 15:14:17 首次发布

本文链接：https://blog.csdn.net/weixin_49155137/article/details/132777497

版权

自动驾驶专栏收录该内容

7 篇文章 2 订阅

订阅专栏

PID控制器是非常经典的一种控制算法，是不需要知道系统的模型，仅仅根据期望与现状的偏差调节，使之能够到达期望的一种线性控制器。

优点：使用简单，灵活，调节方便。
由于不需要知道系统的模型，仅仅根据反馈量进行调节，新手能够很好地上手。根据反馈量的不同，可以设计出不同的PID控制器，控制的也是反馈量，也就是偏差，使之偏差为零，这个反馈，可以是速度，可以是位置等。调节参数也是只有三个，调节起来还算简单。

缺点：调节精度不高，不够精准
由于PID控制器是线性控制器，而现实中，大多是非线性的。用线性近似非线性，精度会有所下降。

PID的三个参数
P参数的优缺点
优点：加快调节速度，使之更快到达期望位置，存在静态误差（也就是永远不能达到期望目标，总是差一个值）

缺点：P值增大的时候，曲线震荡幅度增大，震荡更加频繁，增大超调量，系统不够稳定。

D参数的优缺点
优点：减少调节时间，使之更快到达期望位置，减少超调量。

缺点：容易受到干扰，当受到干扰时，D值越大，曲线系统越不稳定。

I参数的优缺点
优点：减少静态误差，使曲线达到期望目标

缺点：增加调节时间，增大超调量。

三个参数总结
这三个参数各有优缺点，对于不同的系统可以根据系统的特征使用不同的参数组合，PD，PI，PID。

例如:
对于干扰比较强的系统，不使用D参数比较好。
对于系统响应速度没有很高要求，适用PI控制比较好。
速度控制使用：PI控制
转向控制使用：PD控制

这些只是经验，可能与实际不符，需要根据实际情况选择和根据实际试错。

周期
采样周期
采样周期是读取信息耗费的时间。比如读取传感器值所需要的时间。

采样周期的确定
综合考虑的因素：

变化频率

变化频率越高的控制对象，采样周期应相应缩短，以实现更好地控制。

采样周期缩短，系统的抗干扰能力也会得到增强。

采样周期太小，积分和微分的调节作用会削弱，因为采样时间过短，前后两次采样的误差反应不出来。

采样周期要与执行机构的动作惯性相适应。惯性大的，采样周期要适当缩短。

采样周期越短，计算的负荷也就越大。要在系统不影响其他控制回路的计算下，缩短采样周期。

一般来说，缩短采样周期，可以使控制性能得到改善，但是也会增加计算的负担。对于变化快速的对象，采样周期需要缩短。

控制周期
控制周期是经过计算，进行的一次的控制时间。比如PID控制器进行对系统进行一次偏差调节。系统的控制周期一般越短越好，越短也就以意味着计算的负担也就越重。

一般来说，采样周期<=控制周期。不然会出现下面情况，变化已经出现了，需要控制了，而控制时间还未到，造成控制的延后。

采样周期和控制周期需要综合考虑。

MPC控制算法，即模型预测控制算法，是一种用于解决复杂系统控制问题的有效工具。

MPC控制算法具有准确性高、控制性能好、实时性强、容错性强等优点，有效地解决了复杂系统控制问题。但是MPC控制算法也存在一些缺点，比如在模型设计方面，MPC控制算法需要将系统模型和参数估计分离，这需要大量的实验数据，并且容易造成过度拟合，导致模型不准确;另外，在控制优化的过程中，MPC控制算法缺乏有效的规则，容易造成控制失败。

2 模型预测控制与最优控制

最优控制强调的是“最优”，一般最优控制需要在整个时间域上进行求优化（这样才能保证最优性）。最优控制常用的几类解法有 1变分法，2极大值原理，3动态规划。变分法和极大值原理一般来说只能处理线性的模型并且不能含有复杂一点的约束，而动态规划我们知道实际上在求解最优控制问题中是一种比较聪明的穷举法，其计算复杂度往往非常高。最优控制由于过于强调最优性，而暴露出两个问题 1是对于非线性的包含复杂约束的情况难以求解；2是需要对系统的模型精确的知道。

模型预测控制退而求其次仅仅去考虑未来几个时间步，一定程度上牺牲了最优性。举个例子来说如下图所示，我们在开车，前面路口有一个弯道。如果想要平稳的过弯，我们就需要在进入弯道之前（考虑未来几个时间步）就开始控制车辆的方向和速度。与之相对的一种控制方式就是只看现在的情况，也就是贪婪的方法，那可以想象如果等到车辆行驶到弯道再做动作的话势必会晚了一些。