A 一般开环控制系统#

B 前馈控制系统#

简单说，​前馈控制是一种“未卜先知”的高级开环控制。它能预见干扰并将其消灭在萌芽状态，常和PID闭环组成“前馈-反馈”复合系统，达到1+1>2的效果。你PDF第7页提到的“复合控制系统”，指的就是这种结构。

1
扰动量(D) → 前馈控制器(Gf) → 执行器 → 被控对象 → 输出(Y)
2
                              ↑
3
设定值(R) → 控制器(Gc) → 信号叠加处

A 单闭环控制系统#

1
flowchart TD
2
    A[输入/给定值<br>（目标位置）] --> B[比较环节<br>（计算误差）]
3
    B --> C[控制器<br>（PID）]
4
    C --> D[执行器<br>（电机驱动）]
5
    D --> E[被控对象<br>（电机）]
6
    E --> F[输出/被控量<br>（实际位置）]
7
    F -- 反馈环节<br>（传感器） --> B

B 双闭环控制系统#

1
flowchart TD
2
    A[角度给定<br>（目标位置）] --> B[外环控制器<br>（角度环PID）]
3
    B --> C[内环控制器<br>（速度环PID）]
4
    C --> D[执行器<br>（电机驱动）]
5
    D --> E[被控对象<br>（电机）]
6
    E --> F[内环反馈<br>（速度输出）]
7
    E --> G[外环反馈<br>（角度输出）]
8
    F -- 反馈转速 --> C
9
    G -- 反馈角度 --> A

6.1 为什么需要双环？#

单环PID只能对一个物理量做闭环控制。但在很多场景下，我们需要同时控制两个维度的物理量，比如云台既要控制角度也要控制速度。这时就需要将两个PID环路串联——内环（通常是速度环）响应快，先稳定快速变化的物理量；外环（通常是角度/位置环）响应慢，专注于宏观目标的精准跟踪。外环的输出直接作为内环的目标值。

这种结构又叫串级PID或双闭环PID，其核心优势有三点：

1. 抗干扰能力极强：外界干扰（比如云台被撞）首先被快速的内环（速度环）感知并抑制，外环甚至来不及反应，系统就已经恢复了。
2. 调试分层进行，逻辑清晰：先独立调好内环，再调外环，各司其职。
3. 控制精度和响应速度远优于单环：外环专注「要去哪」，内环专注「怎么去」，分工明确。

6.2 双环调参黄金法则#

必须先调内环，再调外环，顺序搞错系统永远无法稳定。

• 第一步：将外环（位置环/角度环）的PID参数全部设为0，手动给内环（速度环）一个固定目标值。
• 第二步：调整内环的Kp、Ki、Kd，直到实际速度能快速、准确地跟随目标速度。此时内环应表现为一个优秀的「速度跟随者」。
• 第三步：锁定内环参数不变，恢复外环控制逻辑，调整外环的Kp、Ki、Kd，直到实际位置/角度能快速、准确、稳定地到达目标。

核心思想：内环的响应速度必须远快于外环。 这样外环发出的任何指令，内环都能迅速完成，外环才能稳定工作。通常内环的控制频率也应高于外环。

一、核心结构：两条通路，各司其职#

它的结构很像双闭环，但内环不是闭环，而是开环的前馈通路。

1
flowchart TD
2
    A[输入/给定值] --> B[比较环节]
3
    B --> C[反馈控制器<br>（PID）]
4
    C --> D[信号叠加处]
5
    D --> E[执行器]
6
    E --> F[被控对象]
7
    F --> G[输出/被控量]
8
    G -- 反馈通路 --> B
9

10
    H[可测量扰动] --> I[前馈控制器]
11
    I --> D

可以看到，控制信号由两部分叠加而成：

• 反馈控制：盯住“输出误差”，负责最终精度。它是“事后补救”。
• 前馈控制：盯住“外部扰动”，不等误差发生就直接补偿。它是“事前预防”。

前馈回路是开环的，他不关心输出结果，只关心“扰动来了，我该额外补多少力气”。

二、与纯反馈、纯前馈的区别#

为了帮你理清，这里做个详细对比：

三、一个RoboMaster的实例：发射对抗中的复合控制#

在比赛中，你的云台既要准确瞄准，又要抵抗发射时的后坐力干扰。这正是复合控制的用武之地。

1. 任务： 控制云台Yaw轴（水平旋转）保持角度，持续瞄准。

2. 纯反馈的困境：
如果只靠我们之前聊的“角速度-角度”双闭环PID。当拨弹轮突然卡死或弹药摩擦剧变时，这种扰动是毫无征兆的，等它造成云台角度变化，PID再去纠偏，云台已经轻微晃动了，影响射击精度。

3. 引入复合控制（前馈-反馈）：

这里可以设计一个好用的前馈通路，去对抗 “发射机构对云台的动态反作用力” 这个可预测的强扰动。

• 扰动来源与测量：
  发射时，拨弹电机在堵转，它的交轴电流 ($I_q$) 几乎就等于其输出扭矩。这个扭矩的反作用力，就是使云台Yaw轴偏航的主要干扰力矩。**不必额外加传感器，直接从电调读取这个反馈电流值(​$I_{feedback}$**​ ) 即可作为对扰动强度的实时测量。

• 前馈通路设计：
  在云台的Yaw轴控制中，添加一个前馈控制器。其输入是拨弹电机的 (I_{feedback})，输出是一个补偿电流直接叠加到Yaw轴电机的控制指令上。

  $I_{Yaw,FF} = K_{FF} \times I_{feedback}$​
  这里 (K_{FF}) 是你通过简单实验确定的固定前馈系数。这种控制也称为“负载转矩观测前馈”，结构简单且有效。

• 系统工作方式：
  发射机构发射瞬间，拨弹电流 ($I_{feedback}$) 骤升，此信号几乎零延迟地驱动Yaw轴电机产生一个反向抗扰扭矩。同时，反馈PID控制回路仅需处理前馈补偿后残留的微小跟踪误差，保证绝对角度的精准。

四、与双闭环的区别#

你可能会觉得它和双闭环有点像，但它们逻辑完全不同。

简单说，串级控制用一个闭环作为另一个闭环的高级执行器；而复合控制则是用开环的前馈，给闭环控制器配了一个能打的辅助。

‍

1.1 P项（比例项）：快速拉近距离#

核心逻辑：偏差越大，输出越大，和偏差完全成正比。

无人机当前高度0米，目标是100米，偏差100米。如果$K_p=1$，P项输出就是100，电机满功率向上飞。飞到95米时，偏差只剩5米，P项输出降到5，电机自然减速。但飞到99米时偏差1米，P项输出只有1，这个输出刚好只能抵消无人机的重力，无人机就永远稳定在99米，再也上不去了。

这就是纯P控制的致命缺点——稳态误差（静差）永远无法消除。

P项的物理直觉：就像一个弹簧，拉得越远弹力越大，但在平衡位置附近弹力太小，没法克服摩擦力到达真正的位置。Kp越大，系统冲得越猛，但过大会导致反复震荡甚至发散。

‍

1.2 I项（积分项）：消除静差#

核心逻辑：对历史所有偏差持续累加，只要偏差存在就不断累加输出，直到偏差彻底为零。

无人机在95米处偏差一直是5米，I项就会不断累加：5+5+5+…。积分值越积越大，电机慢慢加速，最终把高度拉到100米，偏差归零，I项停止累加。

I项是唯一能消除稳态误差的环节。 比例+积分（PI）控制器可以使系统在进入稳态后完全没有静差。但它有一个致命风险——积分饱和（积分风洞） ：如果初始偏差巨大（比如100米），I项在短时间内会累加出极大的数值，即使系统已经到达目标，积分值还没释放完，导致大幅超调（比如冲到120米再拉回来），引发系统震荡甚至失稳。

‍

• 积分项的输出值取决于0 ~ t$$~所有时刻误差的积分，与历史时刻有关。积分项将历史所有时刻的误差累积，乘上积分项系数$K_i$;后作为积分项输出值。
• 积分项用于弥补纯比例项产生的稳态误差，若系统持续产生误差，则积分项会不断累积误差，直到控制器产生动作，让稳态误差消失。
• $K_i$越大，积分项权重越大，稳态误差消失越快，但系统滞后性也会随之增加。

那什么是滞后性呢？就比如你先让电机正转，过了一段时间，积分项累计到了正转这个速度的驱动力，然后你突然又让电机反转，那么积分项不能立刻输出反转的驱动力，他必须负向累计，把正向的驱动力消掉，然后才能反向累加，产生反向的驱动力，这样的话积分项就慢了，就产生了滞后性。

所以我们还要加上比例项，比例项的反应是最快的，且比例项的结果只取决于当前时刻的误差，这就是比例项相比于积分项带来的优势，比例项加积分项组成PI控制器，取长补短，发挥自己的优势。

‍

1.3 D项（微分项）：抑制超调#

核心逻辑：检测偏差的变化率，预判偏差的变化趋势，提前做刹车动作。偏差变化越快，D项的反向抑制力越强。

无人机从0米快速飞向100米，在98米处偏差正急速缩小，D项发现「偏差正在飞速归零，系统马上就要冲过目标了」，于是输出一个反向抑制信号，提前减速，让无人机平稳着陆在100米，而不是冲过去再回头。

D项的核心作用是抑制超调、阻尼震荡。它不看当前偏差多大，而看偏差变化有多快。但它有一个致命的软肋：对传感器噪声极其敏感。如果高度传感器有微小抖动，偏差忽大忽小，微分项就会算出极大的变化率，输出高频尖峰信号，导致电机高频抖动甚至损坏——这就是所谓的「微分炸机」。

‍

• 微分项的输出值取决于当前时刻误差变化的斜率，与当前时刻附近误差变化的趋势有关。当误差急剧变化时，微分项会负反馈输出相反的作用力，阻碍误差急剧变化。
• 斜率一定程度上反映了误差未来的变化趋势，这使得微分项具有“预测未来提前调控”的特性。
• 微分项给系统增加阻尼，可以有效防止系统超调，尤其是惯性比较大的系统。
• $K_d$越大，微分项权重越大，系统阻尼越大，但系统卡顿现象也会随之增加。

说白了我白说了，微分项(D)就是输出相反的力，阻碍误差的急剧变化，微分实际上就是求导，求导就是求当前点切线的斜率，也就是当前误差变化的速度。

到这，我想会有人问那微分项是负的吗？符号怎么确定？那下面一幅图来让你们彻底理解微分项（D）：

误差值=目标值-实际值，由图可知道当我们的实际值增长的越快时，误差的斜率也就越大，这就起到了阻碍误差急剧变化的作用。

‍

‍

‍

2.1 连续信号与离散信号——代码和公式为何不一样？#

很多新手拿到PID公式直接写代码，发现根本跑不通。原因在于：理论公式处理的是连续信号（模拟量，时间轴上连续），但单片机只能处理离散信号（每隔固定时间采集一次的数字量）。

离散化的核心操作只有两步：

• 积分→求和：连续积分 ( $\int_{0}{t} X(t) dt$ ) 在离散域中变成对每次采样值的累加 ( $\sum_{n=0}{N} X(n)$ )。
• 微分→差分：连续微分 ( $\frac{dX(t)}{dt}$ ) 在离散域中变成两次采样值的差值除以采样周期 ( $\frac{X(n)-X(n-1)}{\Delta t}$ )。由于工程中采样周期 ( $\Delta t$ ) 是固定值，通常直接合并到系数 ( $K_d$ ) 中，所以代码里直接简化为 ( $K_d×(e_i−e_{i−1})$ )。

‍

2.2 位置式PID与增量式PID#

离散化之后，PID在数字实现中有两种主流形式：

在RoboMaster应用中，两种形式都有使用，但位置式PID配合积分限幅是最常见的方案，也是PDF讲义中代码采用的形式。

‍

4.1 经典口诀#

工控领域流传几十年的一首整定口诀：

参数整定寻最佳，从大到小顺次查。
先是比例后积分，最后再把微分加。
曲线振荡很频繁，比例度盘要放大。
曲线漂浮绕大弯，比例度盘往小扳。
曲线偏离回复慢，积分时间往下降。
曲线波动周期长，积分时间再加长。
理想曲线两个波，调节过程高质量。

4.2 整定六步法#

严格按照以下顺序操作，绝不可打乱：

第一步：全部归零。 将 ($K_i$) 和 ( $K_d$ ) 设为0，只保留 ( $K_p$ )。

第二步：调P。 将 ( $K_p$ ) 从0慢慢增大，给系统一个阶跃目标（比如目标转速从0跳变到500rpm），观察实际值的响应曲线。系统会经历从「爬不到目标」→「能到但慢」→「快速到达略有超调」→「剧烈震荡」的过程。当出现持续等幅震荡时，记录此时的 ( $K_{p临界}$ )，然后把 ( $K_p$ ) 降到临界值的60%-70%，作为当前的工作值。此时系统应该有一定超调但还能稳定。

第三步：加I。 保持 ( $K_p$ ) 不变，从0慢慢增大 ( $K_i$ )。观察系统是否能消除最后的静差。只要一发现静差消失就不再增大——( $K_i$ ) 过大会导致剧烈超调和长时间震荡。

第四步：加D。 从0慢慢增大 ( $K_d$ )，观察超调量是否在减少、系统是否更快稳定。( $K_d$ ) 一出现高频抖动就要立刻回调——那是微分放大了传感器噪声。

第五步：微调匹配。 三个参数配合得好不好，看阶跃响应曲线：快速上升（第一个波）→略有超调（第二个波）→快速稳定在目标值，波形呈「前高后低4:1衰减比」，就是高质量的控制响应。

第六步：鲁棒性验证。 突加负载、快速切换目标值、长时间运行，确认系统在各种工况下都不发散。

重要提示：增大 ($K_p$ ) 会增大超调和缩短上升时间；增大 ( $K_i$ ) 会消除静差但也增大超调；增大 ( $K_d$ ) 会减小超调但放大噪声。整定的本质是在「快速性」和「稳定性」之间做权衡，没有绝对的最优解，只有最适合当前工程的解。

‍

5.1 积分限幅#

问题：机器卡住或长时间大偏差时，积分项无限累加，导致积分饱和，超调失控。

解决：给积分输出设置一个最大/最小值（上限和下限），一旦超出边界就钳位在边界值上：

1
limit(&(pid->i_out), pid->IntegralLimit);

配合位置式PID使用时，设定合理的限幅值可以有效避免因积分饱和造成的系统超调，同时保持较高的控制精度。

‍

5.2 积分分离#

问题：大偏差阶段不需要积分参与（P项足够快速缩小偏差），此时积分累加只会导致后期超调严重。

解决：设定一个阈值 I_Band，只有当偏差绝对值小于此阈值时才开启积分：

1
if(fabs(pid->e) < I_Band) {
2
    pid->i_out += (int32_t)(pid->Ki * pid->e);
3
} else {
4
    pid->i_out = 0;
5
}

积分分离完美兼顾了「大偏差快速缩小」和「小偏差精准消除」两个目标，是PID工程优化的第一优先项。

‍

5.3 微分先行#

问题：目标值突然跳变（比如云台从0°切换到90°），偏差瞬间剧变，D项输出巨大尖峰（微分冲击），导致电机剧烈抖动。

解决：只对传感器测得的实际值做微分（而不是对误差做微分），直接使用实际值的变化量来计算微分项，并在前面加上负号补偿方向。这样当目标值跳变时，实际值还没变化，D项输出为0，系统平稳过渡。云台角度频繁切换的场景必加此优化。

‍

5.4 其他常用优化#

除了上述三项，工程中常见的优化还包括：

• 变速积分：根据误差大小动态调整积分速度（积分分离的升级版）。
• 不完全微分：给微分项加入一阶惯性环节（低通滤波器），抑制高频噪声。
• 输出偏移：对于存在死区或摩擦力的执行器（如某些电机），对小输出加固定偏移以跳过死区。
• 输入死区：误差极小时停止输出，避免系统在目标附近高频抖动。

‍

1. 前期分析：完整控制链路#

原文明确了RM电机PID的完整闭环链路，所有代码都围绕这个链路展开：
设定目标值→PID计算输出控制量→STM32通过CAN总线发给电调→电调驱动电机转动→电机编码器采集实际转速/角度→通过CAN总线发回STM32→计算误差→进入下一轮PID计算

2. CAN通信协议详解#

RM电机和STM32主控的唯一通信方式是CAN总线，原文给出了标准的收发数据格式，是代码收发的基础：

3. 实战1：M3508电机 速度单环PID#

M3508是RM赛事的底盘专用电机，只需要控制转速，用单闭环速度PID即可，原文给出了完整的控制框图和代码，逐行解释如下：

1
typedef struct{
2
    float target;      // 目标值（目标转速）
3
    float current;     // 当前实际值（实际转速）
4
    float e;           // 当前误差
5
    float last_e;      // 上一次误差（用于微分计算）
6
    float Kp,Ki,Kd;    // PID三个系数
7
    float p_out;       // 比例项输出
8
    float i_out;       // 积分项输出
9
    float d_out;       // 微分项输出
10
    float total_out;   // PID总输出
11
    float IntegralLimit; // 积分限幅值
12
    float MaxOutput;   // 总输出限幅值
13
}_pid;

1
// 1. 设定底盘电机的目标转速，单位rpm（注意M3508减速比1:19，编码器测的是转子转速）
2
chassis_motor_pid[i].SpeedPID.target = 500;
3
// 2. 把CAN总线读到的电机实际转速，赋值给PID的当前值
4
chassis_motor_pid[i].SpeedPID.current = motor_chassis[i].speed_rpm;
5
// 3. 调用PID计算函数，完成一次PID运算
6
pid_calc(&chassis_motor_pid[i].SpeedPID);

1
void pid_calc(_pid* pid)
2
{
3
    // 1. 计算当前误差：目标值 - 实际值
4
    pid->e = pid->target - pid->current;
5
    // 2. 计算比例项输出
6
    pid->p_out = (int32_t)(pid->Kp * pid->e);
7
    // 3. 积分分离：只有偏差小于阈值时，才开启积分累加
8
    if(fabs(pid->e) < I_Band)
9
        pid->i_out += (int32_t)(pid->Ki * pid->e);
10
    else
11
        pid->i_out = 0;
12
    // 4. 积分限幅：防止积分饱和
13
    limit(&(pid->i_out), pid->IntegralLimit);
14
    // 5. 计算微分项输出：当前误差-上一次误差，乘以Kd
15
    pid->d_out = (int32_t)(pid->Kd * (pid->e - pid->last_e));
16
    // 6. 计算总输出：三项相加
17
    pid->total_out = pid->p_out + pid->i_out + pid->d_out;
18
    // 7. 总输出限幅：防止输出超过电机允许的范围，保护硬件
19
    limit(&(pid->total_out), pid->MaxOutput);
20
    // 8. 保存当前误差，供下一次微分计算使用
21
    pid->last_e = pid->e;
22
}

4. 实战2：GM6020电机 角度双环PID#

GM6020是RM赛事的云台专用电机，需要精准控制角度，用角度环（外环）+速度环（内环）的双闭环PID，是原文的重点内容。

1
// 输入：角度结构体指针，编码器原始反馈值angle_fb（0~8191）
2
void update_angle(motor_angle *_angle, uint16_t angle_fb)
3
{
4
    // 1. 保存当前编码器原始值
5
    _angle->encoder = angle_fb;
6
    // 2. 首次上电初始化，记录初始编码器偏移，设置零点
7
    if(!_angle->encoder_is_init)
8
    {
9
        _angle->encoder_offset = _angle->encoder;
10
        _angle->encoder_is_init = 1;
11
    }
12
    // 3. 处理过零，计算圈数：差值超过半圈（4096），说明发生了过零
13
    if(_angle->encoder - _angle->last_encoder > 4096)
14
        _angle->round_cnt --; // 逆时针转一圈，圈数减1
15
    else if(_angle->encoder - _angle->last_encoder < -4096)
16
        _angle->round_cnt ++; // 顺时针转一圈，圈数加1
17
    // 4. 保存当前编码器值，供下一次计算使用
18
    _angle->last_encoder = _angle->encoder;
19
    // 5. 计算总编码器值：圈数*8192 + 当前值 - 初始偏移，得到绝对编码器值
20
    _angle->total_encoder = _angle->round_cnt * 8192 + _angle->encoder - _angle->encoder_offset;
21
    // 6. 转换成绝对角度：8192线对应360°，计算得到单位为度的角度值
22
    _angle->angle = _angle->total_encoder / 8192.0f * 360.0f;
23
}

1
// 1. 设定角度环的目标角度，单位度
2
manipulator_motor_pid[i].AnglePID.target = target_degree;
3
// 2. 调用角度更新函数，更新电机当前的绝对角度
4
update_angle(&manipulator_motor_pid[i]._angle, motor_manipulator[i].angle);
5
// 3. 把更新后的当前角度，赋值给角度环PID的当前值
6
manipulator_motor_pid[i].AnglePID.current = manipulator_motor_pid[i]._angle.angle;
7
// 4. 计算角度环PID，角度环的输出就是速度环的目标转速
8
pid_calc(&manipulator_motor_pid[i].AnglePID);
9
// 5. 把角度环的输出，赋值给速度环的目标值
10
manipulator_motor_pid[i].SpeedPID.target = manipulator_motor_pid[i].AnglePID.total_out;
11
// 6. 把CAN读到的电机实际转速，赋值给速度环的当前值
12
manipulator_motor_pid[i].SpeedPID.current = motor_manipulator[i].speed_rpm;
13
// 7. 计算速度环PID，速度环的输出就是给电机的控制电流，通过CAN发送给电调
14
pid_calc(&manipulator_motor_pid[i].SpeedPID);

三条核心公式#

• 位置式离散PID（直接用于代码实现）：

  $$u_i = K_p \cdot e_i + K_i \sum_{j=1}^{i} e_j + K_d \cdot (e_i - e_{i-1})$$

• 增量式PID（天然抗积分饱和，适合电机速度/位置增量控制）：

  $$\Delta u_i = K_p(e_i - e_{i-1}) + K_i \cdot e_i + K_d(e_i - 2e_{i-1} + e_{i-2})$$

P/I/D作用速查表#

调试流程一览#

1. $K_i、K_d$​置零 → 从0增大Kp至临界震荡 → 取临界值的60%-70%
2. 从0增大$K_i$ → 静差刚好消除即停
3. 从0增大$K_d$ → 超调被抑制即停，出现抖动立即回调
4. 复合调节微调匹配，分别给阶跃输入和突加干扰验证响应
5. 施加扰动（如用手轻拨电机转子）验证抗干扰能力
6. 双环系统：先调好内环，锁定后调外环，绝不可同时调

必加工程优化#

• 积分限幅：限制积分输出的最大/最小值，防止积分饱和。
• 积分分离：大偏差时关闭积分，小偏差时才开启。
• 微分先行：只对实际值做微分，不对目标值做微分，避免目标跳变时的微分冲击。
• 不完全微分：给微分项加低通滤波，抑制传感器高频噪声。
• 输入死区：误差极小时停止输出，避免系统在目标附近高频抖动。

一句话核心：P让你「冲得过去」，I让你「停得精准」，D让你「刹得稳当」；三大优化帮你守住安全边界。

‍

‍

① 高度跟踪曲线#

• 蓝线（实际高度）在约 2.5~3 秒 内平稳到达 100 m，
  ​几乎没有超调，也没有静差，最终完美悬停。
  这说明 PID 参数调得比较合理。

② P、I、D 三项输出（最核心的图形）#

这张图直观展现了 PDF 讲义里说的​三项分工：

• 红绿蓝三根线在不同阶段的“主次切换”，正是 PID 的灵魂。

③ 总控制量#

• 黑线是 P+I+D 的总和，
  开始快速拉满（上升），接近目标时被 D 压下来，最后维持在很小的正值（大约刚好覆盖模型里微小的积分残余）。

① 高度跟踪曲线#

• 蓝线（实际高度）在约 2.5~3 秒 内平稳到达 100 m，
  ​几乎没有超调，也没有静差，最终完美悬停。
  这说明 PID 参数调得比较合理。

② P、I、D 三项输出（最核心的图形）#

这张图直观展现了 PDF 讲义里说的​三项分工：

• 红绿蓝三根线在不同阶段的“主次切换”，正是 PID 的灵魂。

③ 总控制量#

• 黑线是 P+I+D 的总和，
  开始快速拉满（上升），接近目标时被 D 压下来，最后维持在很小的正值（大约刚好覆盖模型里微小的积分残余）。

‍