PD与PI的取舍之道——从平衡小车看控制器的精准选择
1. PD与PI控制器的本质区别
第一次做平衡小车时，我也被PD和PI的选择问题困扰过。直到亲眼看见小车因为选错控制器类型而疯狂抖动，才真正理解它们的差异。PD（比例-微分）就像个急性子的体育老师，看到学生站歪了会立即纠正，还能预判下一个动作；PI（比例-积分）则像耐心的数学老师，不仅纠正当前错误，还会持续关注长期积累的偏差。
微分项D的预测能力在平衡小车中表现惊艳。测试时故意让小车倾斜15度，纯P控制下小车会像喝醉酒一样来回摆动3-4次才能站稳，加入D控制后，基本一次回正。但这个优点也是把双刃剑——我的第一版电路没加滤波电容时，电机PWM噪声被微分项放大后，导致小车像触电般高频震颤。
积分项I的特性更值得玩味。在速度控制环测试中，纯P控制时小车始终有约0.2m/s的恒定偏移，加入I项后，这个偏差会像沙漏里的沙子一样慢慢被消除。不过要注意，I项对突发干扰的反应很"固执"，有次我用手突然阻挡车轮，积分量累积导致电机持续暴冲，差点烧毁驱动芯片。
2. 平衡小车的控制需求解剖
2.1 直立环的动力学特性
平衡小车的直立控制本质上是个倒立摆问题。通过实测数据发现：当倾角超过8度时，系统响应呈现明显的非线性。这个发现让我重新理解了PD的适用场景——在5度以内的调节范围内，微分项的预测补偿效果最佳，就像骑自行车时的微调把稳。
噪声敏感度测试结果更令人意外。用示波器观察MPU6050原始数据时，即便在静止状态下也有±0.3度的随机波动。当微分系数Kd设为0.5时，这些噪声被放大成电机明显的"呼吸式"抖动。后来改用滑动平均滤波+一阶低通滤波才解决，这解释了为什么多数开源项目都建议直立环用PD而非完整PID。
2.2 速度环的特殊约束
速度控制环有个容易被忽视的特性：它的误差信号本质上是直立环的输出。这意味着速度误差具有强相关性噪声，就像试图在颠簸的车上读纸质书。实测数据显示，电机编码器读数的瞬时波动可达±15%，但10ms周期内的趋势信号才是有效信息。
这个发现直接影响了我的PI参数整定策略：
- 将积分时间常数设为100ms量级（远大于噪声周期）
- 采用带死区的积分分离算法
- 对速度误差信号进行5点中值滤波
3. 工程实践中的选择策略
3.1 PD控制的黄金组合
经过20多次迭代测试，总结出PD控制的最佳应用场景：
- 快速响应需求：如直立环的倾倒恢复，200ms内的响应速度
- 适度噪声环境：传感器噪声＜1%量级时可放心使用
- 容许静差存在：像平衡小车5度内的静态偏差可接受
有个取巧的参数整定方法：先调P使系统出现等幅振荡，此时振荡周期T就是理想的微分时间常数。比如我的小车振荡周期0.5s，最终采用的Kd=0.8KpT效果最佳。
3.2 PI控制的适用法则
在以下场景PI控制展现优势：
- 速度环：需要消除长期累积误差
- 带负载调节：当小车需要承载可变重量时
- 抗干扰场景：如电机齿槽转矩造成的周期性波动
特别提醒：积分饱和问题必须重视。我的解决方案是：
// 积分抗饱和算法示例 if(fabs(error) > threshold){ integral = 0.9 * integral; }else{ integral += error * dt; }4. 混合架构的创新实践
4.1 串级控制架构
最终采用的方案是PD-PI串级控制：
- 内环（直立）：PD控制，采样周期2ms
- 外环（速度）：PI控制，采样周期10ms
- 两环之间加入限幅保护
这种架构既保留了PD的快速响应，又具备PI的稳态精度。实测表明，在相同硬件条件下，相比单一PID控制，串级方案将平衡持续时间从3分钟提升到15分钟以上。
4.2 参数自整定技巧
分享几个实测有效的调参经验：
- 温度补偿：陀螺仪零漂会随温度变化，建议每5分钟做一次零偏校准
- 动态调整：根据倾角大小自动切换控制模式
- 安全保护：当检测到持续振荡时，自动降低P增益20%
有一次调试时发现，早晨和傍晚的小车性能差异明显，后来发现是实验室空调导致的环境温度变化影响了传感器精度。这个教训让我在代码中增加了自动温漂补偿：
void TempCompensation(float currentTemp){ static float lastTemp = 25.0; gyroOffset += (currentTemp - lastTemp) * 0.1; lastTemp = currentTemp; }平衡小车的调试过程就像教小朋友骑自行车，既要及时纠正（P），又要预判趋势（D），还得关注长期习惯（I）。经过三个版本的迭代，最大的体会是：没有最好的控制器，只有最懂系统的工程师。下次当你面对PD/PI的选择困境时，不妨先问自己：这个环节最不能容忍的是什么？是0.1秒的延迟，还是1%的稳态误差？答案自然就清晰了。