PID 控制器完整拆解：從連續時間公式到離散實作與抗飽和

問題定義

PID 控制器要解決的是最基本的反饋控制問題：系統目前的量測值（例如關節角度、輪速、無人機高度）跟目標設定值之間有誤差，要根據這個誤差算出一個控制輸出（例如馬達電壓、力矩指令），讓系統盡快、穩定地趨近目標值。誤差定義為：

其中 $r(t)$ 是設定值（reference/setpoint）、$y(t)$ 是量測值。PID 這個名字直接對應控制輸出的三個組成項：

三個項的物理意義

比例項（P）：輸出跟目前誤差成正比。這是最直覺的部分——誤差越大，修正力道越大。但單獨用 P 控制器有個結構性問題：對大多數真實系統（有摩擦力、重力負載等），要讓系統完全停在目標值，需要一個非零的控制輸出去抵消這些常數負載，而純比例控制器在誤差趨近於零時輸出也會趨近於零，兩者矛盾的結果是系統會停在一個穩態誤差（steady-state error）不為零的位置，比例增益 $K_p$ 越大，這個穩態誤差越小，但太大的 $K_p$ 又會讓系統對雜訊敏感、容易震盪甚至不穩定。

積分項（I）：輸出跟誤差的累積量（時間積分）成正比。這一項的作用正是消除比例項留下的穩態誤差——只要誤差沒有完全歸零，積分項就會持續累加，把控制輸出往上（或往下）推，直到累積到剛好能抵消穩態負載為止。代價是積分項在動態響應上會引入額外的相位延遲，容易讓系統的超調（overshoot）變大、甚至造成前面 FAQ 提到的積分飽和問題。

微分項（D）：輸出跟誤差的變化率成正比，本質上是在「預測」誤差接下來的走勢——如果誤差正在快速縮小，微分項會提前施加一個反向的煞車力道，避免系統衝過頭。這一項能有效抑制超調、提升響應的阻尼特性，但因為對誤差做微分，天生對量測雜訊非常敏感（雜訊的高頻成分經過微分會被放大），實務上幾乎都要搭配低通濾波器一起使用。

離散時間實作

真實控制系統是以固定取樣週期 $T_s$ 執行的離散迴圈（例如 ROS2 控制節點以 1 kHz 執行），連續時間公式必須離散化。積分項用累加近似，微分項用差分近似：

實務實作通常寫成遞迴形式（不需要儲存整個誤差歷史，只需要維護一個累積值），並且會刻意避開兩個常見陷阱：

陷阱一：微分突波（Derivative Kick）

當設定值 $r(t)$ 突然階躍改變時（例如使用者突然把目標角度從 30° 改成 90°），誤差 $e(t)$ 會瞬間跳一大步，微分項 $\frac{de}{dt}$ 會在那一瞬間出現一個不合理的巨大尖峰，導致控制輸出瞬間暴衝。標準解法是把微分項改成對量測值微分，而不是對誤差微分：

因為 $e = r - y$，且設定值改變是階躍（不連續），量測值 $y$ 本身是連續變化的物理量，不會有這種瞬間跳變，對 $y$ 微分自然就避開了這個問題，符號取負是因為 $\frac{de}{dt} = \frac{dr}{dt} - \frac{dy}{dt}$，忽略 $r$ 的變化率後剩下 $-\frac{dy}{dt}$。

陷阱二：積分飽和（Integral Windup）與抗飽和

當控制輸出被實際致動器限制（例如馬達電壓上限、PWM 佔空比上限）鉗制在飽和值時，如果誤差持續存在（例如系統物理上暫時無法跟上目標），積分項會不受限制地持續累加，累積出遠超過實際需要的數值。等誤差方向反轉、系統該減速時，膨脹過頭的積分項需要先花時間「退回」合理範圍，這段期間輸出仍然貼著飽和值不放，造成響應嚴重延遲、超調大幅增加。

最常見的抗飽和機制是反算法（back-calculation）：當偵測到輸出已經飽和，額外扣除一項跟飽和量成正比的修正量，主動把積分器往回拉：

最後一項就是反算法的修正：$u_k - u_k^{\text{unsaturated}}$ 是「實際輸出」與「理論上未飽和輸出」之間的差距，$K_{aw}$ 是抗飽和增益，這個修正項會主動把積分器狀態往飽和邊界拉回，而不是任由它無限膨脹。

Ziegler-Nichols 調參法

Ziegler-Nichols 提供了一套從系統實測響應直接算出 PID 三個增益的經驗法則，最常用的是閉迴路臨界增益法：

1. 先把 $K_i = K_d = 0$，只用純比例控制器，逐步調高 $K_p$。
2. 持續加大 $K_p$，直到系統輸出出現等幅、不衰減也不發散的持續震盪，記下這個臨界增益 $K_u$（ultimate gain）與震盪週期 $T_u$（ultimate period）。
3. 依下表公式算出三個增益：

這組參數對應的響應特性是「四分之一衰減比」——每次震盪的振幅衰減到前一次的四分之一，是相對積極、允許一定超調的調參目標，不一定適合對超調敏感的機器人關節應用，實務上通常拿來當起始點，再依實際需求（更保守/更積極）手動微調。

常見於機器人系統的串級控制（Cascade Control）

機械手臂或移動平台的關節控制很少只用單一個 PID 迴圈，常見做法是串級控制：外層是位置迴圈（PID 或 PD），輸出不是直接的力矩指令，而是「目標速度」，這個目標速度再送進內層更高頻率執行的速度迴圈（通常是 PI），由速度迴圈輸出最終的電流/力矩指令。這樣設計的好處是內層迴圈執行頻率高（可以做到 kHz 等級）、對馬達動態的響應更即時，外層迴圈執行頻率可以相對低，同時內層迴圈能提前吸收速度層級的擾動，不用等到位置誤差累積出來才反應。

程式碼範例

class PIDController:
    def __init__(self, kp, ki, kd, output_limits, anti_windup_gain=0.5):
        self.kp, self.ki, self.kd = kp, ki, kd
        self.out_min, self.out_max = output_limits
        self.kaw = anti_windup_gain

        self.integral = 0.0
        self.prev_measurement = None

    def reset(self):
        self.integral = 0.0
        self.prev_measurement = None

    def update(self, setpoint, measurement, dt):
        error = setpoint - measurement

        # 微分項對量測值微分，避免設定值階躍造成的 derivative kick
        if self.prev_measurement is None:
            derivative = 0.0
        else:
            derivative = -(measurement - self.prev_measurement) / dt
        self.prev_measurement = measurement

        unsaturated = (
            self.kp * error
            + self.integral
            + self.kd * derivative
        )
        output = max(self.out_min, min(self.out_max, unsaturated))

        # 反算法抗飽和：用實際輸出與理論輸出的差距修正積分器
        self.integral += self.ki * error * dt + self.kaw * (output - unsaturated)

        return output

常見錯誤

• 對誤差微分而不是對量測值微分：設定值階躍變化時會產生不合理的微分突波，導致控制輸出瞬間暴衝。
• 積分項沒有抗飽和機制：致動器長時間飽和時（例如系統暫時無法跟上大幅度的目標變化），積分器無限累積，反向時響應嚴重延遲、超調暴增。
• 取樣週期不固定卻假設 $T_s$ 是常數：在非即時作業系統上，迴圈執行週期會有抖動（jitter），如果程式碼裡硬編碼一個固定 $T_s$ 而不是實際量測每次迴圈的時間差，積分與微分項的計算會系統性偏差。
• 微分項沒有濾波，直接對雜訊量測值微分：感測器雜訊的高頻成分經過微分放大後會讓控制輸出劇烈抖動，實務上幾乎都需要在微分項前加一階低通濾波器。
• 把 Ziegler-Nichols 算出來的參數直接當最終答案，不做後續微調：這組參數是為特定響應特性（四分之一衰減比）設計的通用起始點，不是針對特定應用最佳化的結果。

延伸閱讀

• 模型預測控制入門：從有限時域最佳化到即時求解