PD与PI控制器在平衡小车中的角色分工——从直立环到速度环的实战解析-拓冰建站

1. 平衡小车的控制核心：直立环与速度环

第一次做平衡小车的时候，我盯着电路板上的MPU6050传感器发呆了半天——这玩意儿真的能让两个轮子的小车站稳吗？后来才明白，关键在于两个核心控制回路：直立环和速度环。这就好比学骑自行车，既要保持身体不倒（直立控制），又要控制前进速度（速度控制），两者缺一不可。

直立环就像人体的前庭系统，通过MPU6050实时监测车身倾角和角速度。当小车前倾时，系统会立即计算需要给电机多大的力才能拉回平衡状态。而速度环则像我们的肌肉记忆，通过编码器检测轮子转速，防止小车因为持续加速而失控。这两个环路的配合，就像杂技演员走钢丝时，既要调整重心又要控制步伐。

有趣的是，这两个环路对控制器的需求完全不同。直立环需要PD（比例-微分）控制器，就像突然失去平衡时，你会快速做出反应并预测摔倒趋势；速度环则需要PI（比例-积分）控制器，如同长途骑行时，你会保持稳定节奏并修正累积的速度偏差。这种分工让我想起第一次调试时的场景：只用了PD控制的小车虽然能站稳，但会像喝醉酒一样慢慢漂移，直到加上PI控制才真正定在原地。

2. PD控制器：直立环的"快速反应部队"

2.1 为什么直立环偏爱PD控制

记得第一次看到PD公式时，我觉得微分项像个预言家。实际调试中发现，当小车接近平衡位置时，单纯的比例控制(P)会认为"任务完成"而停止出力，但车身其实还带着惯性在移动。这就好比推秋千到最高点时，虽然瞬时速度为零，但下一秒就会加速下落。微分项D就是来解决这个问题的——它通过角速度预测未来趋势，提前施加反向力。

具体到代码实现，直立环的控制量可以这样计算：

float balance_PD(float angle, float gyro) { float angle_error = target_angle - angle; // 角度偏差 float output = KP * angle_error + KD * gyro; // PD控制 return output; }

其中KP决定了"推回去"的力度，KD则控制"刹车"的强度。实测发现，KP过大会导致小车剧烈振荡，就像不断过冲的弹簧；而KD不足时，小车会像不倒翁一样来回摇摆多次才能稳定。

2.2 微分项的噪声放大难题

去年给学生演示时，我们故意把KD参数调大，小车立刻开始"抽风"——电机发出刺耳的噪音，车身高频抖动。这是因为编码器信号中的微小噪声被微分项放大，就像用显微镜看手掌，连毛孔都变成坑洞。解决方法有三个：

对陀螺仪数据做低通滤波（类似给显微镜加柔光镜）
优化硬件布局减少电磁干扰
采用滑动平均等软件算法

这里有个实用技巧：先用示波器看原始信号，确定噪声频率后再设计滤波器。我们曾用二阶巴特沃斯滤波器，把控制稳定性提升了40%。

3. PI控制器：速度环的"精准调节师"

3.1 积分项消除静差的魔法

速度环最让人头疼的是静差问题。有次比赛，小车明明站着却缓慢移动，检查半天发现是P控制导致的——就像用刻度不准的温度计调控烤箱，永远差那么几度。加入积分项后，系统会累积误差并持续修正，类似不断微调旋钮直到完全对准。

速度环的典型实现如下：

float velocity_PI(int encoder) { static float integral = 0; float error = target_speed - encoder; integral += error; // 误差累积 integral = constrain(integral, -1000, 1000); // 防饱和 return KP * error + KI * integral; }

但积分项是把双刃剑。有次调试时，小车突然"暴走"，原因是积分累积过大。后来我们加入了抗饱和机制：当电机输出达到极限时暂停积分，就像给水桶加个溢流口。