PID控制
这次是结合百度的Apollo自动驾驶课程和代码对PID进行学习～
control的作用
control（控制）在Apollo的自动驾驶框架中的作用：
- 位于localplan的后面，获取localplan生成的局部规划图（目标值）和车辆当前的定位、车速、航线角等实际值，生成合适的、可直接发到汽车执行器的油门刹车踏板开度和方向盘转角
控制中的频率
控制求解频率会影响到指令执行的效率，例如，在被控制量要求变化很快时，如果控制的速度跟不上，那么就达不到效果了
Apollo课程中还有提到共振的问题，目前还不明白控制中的共振是如何发生的
控制中的开环和闭环
一个小猫喂食机，如果我们设定每天出粮多少份，喂食机就只管库库出，那么这个喂食机系统是一个开环系统
我们一般都会设置喂食机多出一点粮，避免小猫饿到，但是小猫有时候胃口不好，有些日子吃得少，或者有天你煮了一盘鸡胸肉，小猫吃了鸡胸肉就不会想吃猫粮了，这样就造成了猫粮堆积—很容易受潮坏掉
现在市面上很多喂食机都有防余粮堆积功能了，一般是用摄像头或者称重装置，判断碗里是不是粮挺多的，是的话就自动暂停出粮，这就相当于一个闭环系统
这样看下来闭环系统的优势就很大了，闭环控制需要增加一些系统的复杂度，但是可以实现更精确的控制
在自动驾驶的控制部分，车速和车的方向都可以用到闭环控制，来实现更精准的巡航。在百度的Apollo项目中，车速控制用的就是经典的PID
实车自动驾驶控制部分常用算法
- 纵向控制（难度低）：常用PID
- 横向控制（难度高）：常用现代控制 Pure Pursuit、Stanley、LQR、MPC（多）
PID
如图，PID的流程是在每个控制周期读取当前误差，立即计算PID三项误差修正结果并输出为本周期的控制指令。图中为下发给车辆的指令，为planner下发，为车辆反馈，为车速差（实际与规划）
- P：(proportional controller) 与速度误差成正比，可以理解为比目标车速小就加上，比目标车速多就减去
Kp太小：响应时间较长，控制不够灵敏
Kp太大：容易加的或者减的太多，超调较严重（振荡） - I：(Intergral controller) 关于时间积分，修正响应时间长的问题，且可消除稳态误差：当系统误差很小时，P控制难以推进，I控制的累积效果会累积放大稳态误差，进而消除
- D：(derivative controller) 关于时间微分，根据误差的变化速度提前加大或减小控制，能改善跟随快速目标的能力，适用对瞬态响应要求大的情况
PID本身的输入和输出没有单位，实际上输出的是什么量，全看参数调完后所实现的效果，在自动驾驶的control中，PID的输入是速度差，输出是加速度
PID控制由于其形式简单、计算量小，在现实世界中使用很多，我查阅ai得知，很多汽车底层控制用的都是PID，例如节气门控制、电机中的电流环等。但是PID也有一个特点，就是model free，也就是不需要被控者的数学模型，只根据表现进行修正，这会带来以下问题：
- 执行器有延迟：油门、刹车、转向都有响应时间。误差已经变小了，之前的控制量才生效，容易超调或振荡。
- 执行器有上限：油门最多 100%，方向盘转角有限。PID 算出再大的值也达不到目标。
- 执行器有变化率限制：方向盘不能瞬间从左打满到右打满。
- 系统存在外部扰动：坡度、风阻、载荷变化会让同样的指令产生不同效果。
- 目标本身不可达：例如要求车辆在很短距离内从高速完全刹停，再好的 PID 也做不到。
使用时经常会配合输出限幅、积分微分限幅等方法来应对这些问题