当前位置：首页 > news >正文

PID控制算法在两轮小车运动控制中的应用与优化

news 2026/7/16 4:24:10

1. PID控制算法在小车运动中的核心价值

两轮差速驱动的小车要实现精准直线行驶，本质上是要解决两个核心问题：一是如何消除左右轮因电机特性差异、地面摩擦不均等因素导致的速度偏差；二是如何在外部扰动（如地面不平、负载变化）下维持稳定行驶。PID控制算法正是解决这类问题的经典方案。

我曾在多个机器人项目中实测发现，未经PID调校的小车，即使两轮PWM占空比设置完全相同，10米直线行驶后横向偏移普遍超过1.5米。而采用PID控制后，相同条件下偏移可控制在10厘米以内。这种提升源于PID算法独特的"预测-纠正"机制：

比例项（P）：实时响应当前偏差。比如右轮转速比左轮慢时，立即增大右轮输出。但纯P控制会产生稳态误差——就像开车时发现偏离车道才打方向，最终会形成锯齿形路径。
积分项（I）：累计历史偏差消除稳态误差。当P项无法完全消除偏差时（如持续存在的单侧摩擦阻力），I项通过积分作用逐步补偿。但I值过大会引发振荡，就像过度矫正方向盘导致车辆左右摇摆。
微分项（D）：预测未来趋势抑制振荡。通过当前偏差变化率预判运动趋势，提前施加反向控制。相当于老司机凭手感预判车辆走向微调方向。

2. 小车PID控制系统搭建全流程

2.1 硬件选型与信号采集

典型的两轮小车控制系统包含以下关键组件：

graph TD A[微控制器] --> B[电机驱动芯片] B --> C[直流减速电机] C --> D[编码器] D --> A E[电源管理] --> A & B

电机选型建议：

选用带AB相编码器的直流减速电机，编码器线数建议≥13PPR（每转脉冲数）
电机驱动芯片DRV8833或TB6612FNG，支持1A以上持续电流
实测某项目中使用TT马达（6V/200RPM）配合360线编码器，速度控制分辨率可达0.5mm/s

编码器信号处理：

// STM32编码器接口模式配置示例 void Encoder_Init(TIM_HandleTypeDef *htim) { TIM_Encoder_InitTypeDef sConfig = {0}; sConfig.EncoderMode = TIM_ENCODERMODE_TI12; sConfig.IC1Polarity = TIM_ICPOLARITY_RISING; sConfig.IC1Selection = TIM_ICSELECTION_DIRECTTI; sConfig.IC1Prescaler = TIM_ICPSC_DIV1; sConfig.IC1Filter = 6; // 适当滤波消除抖动 // 同理配置IC2... HAL_TIM_Encoder_Init(htim, &sConfig); }

2.2 速度测量算法实现

编码器脉冲计数需转化为实际转速（RPM），常用两种方法：

方法一：固定周期法

def speed_calculate(last_count, current_count, interval_ms): pulses_per_rev = 360 # 编码器线数×4（四倍频） rpm = (current_count - last_count) * 60000 / (pulses_per_rev * interval_ms) return rpm

注意：当interval_ms过小时（<50ms），测量噪声会显著增加

方法二：脉冲间隔法

// 使用输入捕获测量相邻脉冲间隔 uint32_t last_capture = 0; float get_rpm(uint32_t current_capture) { uint32_t period = current_capture - last_capture; last_capture = current_capture; return 60.0f * SystemCoreClock / (encoder_ppr * 4 * period); }

实测对比：

方法	响应速度	低速精度	高速稳定性
固定周期法	中	差	优
脉冲间隔法	快	优	差

建议：20%以下额定转速采用脉冲间隔法，其余用固定周期法，通过加权融合获得全速域准确测量。

2.3 离散PID实现与优化

标准位置式PID公式：

u(k) = Kp*e(k) + Ki*∑e(j) + Kd*[e(k)-e(k-1)]

改进方案一：积分抗饱和

float pid_update(PID *pid, float error) { pid->integral += error; // 积分限幅 if(pid->integral > pid->i_limit) pid->integral = pid->i_limit; else if(pid->integral < -pid->i_limit) pid->integral = -pid->i_limit; float output = pid->kp * error + pid->ki * pid->integral + pid->kd * (error - pid->last_error); pid->last_error = error; return output; }

改进方案二：微分先行

def pid_controller(setpoint, measured): error = setpoint - measured # 只对测量值微分 d_term = -beta * kd * (measured - last_measured) output = kp * error + ki * integral + d_term return output

采样周期选择经验：

电机控制：5-20ms（对应50-200Hz）
温度控制：1-5s
平衡车姿态控制：5-10ms

3. PID参数整定实战技巧

3.1 阶跃响应法调参步骤

初始化：将Ki、Kd设为0，Kp从较小值开始（如0.1）
增大Kp：直到系统出现持续振荡（临界增益Kc）
记录振荡周期Pc：用示波器或日志分析波形
Ziegler-Nichols公式：
- P控制：Kp = 0.5Kc
- PI控制：Kp = 0.45Kc, Ki = 0.54Kc/Pc
- PID控制：Kp = 0.6Kc, Ki = 1.2Kc/Pc, Kd = 0.075Kc*Pc

警告：此方法得到的参数通常攻击性较强，需后续微调

3.2 试凑法调参口诀

先调P：增大Kp直到系统快速响应但不过冲（过冲<10%）
再调D：增大Kd抑制超调，注意高频噪声会被放大
最后调I：小幅增加Ki消除静差，观察系统稳定性

典型参数范围参考（基于STM32小车）：

参数	速度环	位置环
Kp	0.5-2.0	10-30
Ki	0.01-0.1	0.1-0.5
Kd	0.05-0.2	0.5-2.0

3.3 自动整定策略

继电器振荡法实现：

def auto_tune(controller): output = 0 last_output = 0 while not stabilized: error = setpoint - measured # 继电器特性 if error > hysteresis: output = max_output elif error < -hysteresis: output = -max_output else: output = last_output # 记录振荡周期和幅度... last_output = output return calculate_parameters()

4. 典型问题排查与进阶优化

4.1 常见异常现象分析

现象一：电机剧烈抖动

可能原因：微分增益过高放大编码器噪声

解决方案：

增加编码器硬件滤波（如RC低通）

软件滑动平均滤波：

#define FILTER_LEN 5 float speed_filter(float new_speed) { static float buffer[FILTER_LEN]; static int index = 0; buffer[index] = new_speed; index = (index + 1) % FILTER_LEN; float sum = 0; for(int i=0; i<FILTER_LEN; i++) sum += buffer[i]; return sum / FILTER_LEN; }

现象二：直线行驶时周期性偏离

可能原因：轮胎不圆或电机轴偏心
诊断方法：
1. 抬起小车空载运行，观察速度波形是否呈现周期性波动
2. 使用FFT分析速度频谱，找到特征频率：
```
from scipy.fft import fft freq = fft(speed_samples)
```

4.2 双环控制架构

对于要求更高的小车控制，建议采用串级PID：

位置环PID → 速度环PID → 电机驱动

速度环实现要点：

// 定时中断服务函数 void TIM_IRQHandler() { static int target_left = 0; // 位置环计算（外层慢环） if(++position_cnt >= 10) { position_cnt = 0; target_left = position_pid(left_encoder); } // 速度环计算（内层快环） float speed = get_speed(left_encoder); pwm_left = speed_pid(target_left, speed); }

参数协调原则：

内环（速度环）带宽至少是外环（位置环）的5倍
先调好内环再调外环
外环输出限幅对应内环的最大设定值

4.3 自适应PID变种

模糊PID实现框架：

定义误差e和误差变化率ec的模糊集（负大、负小、零、正小、正大）
建立Kp、Ki、Kd的模糊规则表
实时根据e和ec查表调整参数

// 模糊推理简化示例 void fuzzy_adjust(float e, float ec) { if(fabs(e) > 10 && fabs(ec) > 5) { // 大偏差快速响应 pid->kp = 1.2 * base_kp; pid->ki = 0; } else if(fabs(e) < 2 && fabs(ec) < 1) { // 小偏差精细调节 pid->ki = 1.5 * base_ki; } }

在实际小车项目中，采用模糊PID后，不同速度下的路径跟踪误差可降低30%-50%，特别是在变速运动阶段表现优异。但要注意规则表的优化需要大量实测数据支撑。

查看全文

http://www.jsqmd.com/news/1197938/