PID巡线算法在三光电巡线小车上的运用-八个南瓜

PID巡线算法是一种非常适合用于巡线的算法，使用PID巡线算法可以使小车的巡线稳定性大大增强，并且小车速度可以得到明显的提升。但是学习PID算法是一个漫长的过程，并且一个失误可以导致整个小车出现问题和故障，所以在这里记录一下PID算法的学习经验以便我以后再次掌握。

这里主要是记录PID算法在小车上的运用

一.PID算法是什么

PID算法是一种广泛应用于工业控制系统的反馈控制策略，它通过比例（P）、积分（I）和微分（D）三个基本环节的组合来调节控制系统的输出，以达到期望的控制效果。PID算法的核心在于根据当前的误差和过去的误差累积，以及未来误差的预测，来计算控制输出。

二.PID算法怎么在小车上使用

PID算法有三个核心值，比例（P）、积分（I）、微分（D）。

PID算法还需要有三个关键数据：现在的值、预期的值、误差的值。

现在的值：指的是当前的一种状态值，在小车上体现的就是小车各个光电传感器的值。
误差的值：指的就是现在的值和目标的值的差值，在小车上一般都是线的左右两个光电的差值。
预期的值：指的就是目标值哦，小车上的目标值是什么？是左右光电的差值是0，即两个光电识别到的值近似相同，这代表了小车中心已经沿着线前进。如果以左光电-右光电的值作为误差值，寻黑线为例子，如果差值>0，说明小车左偏，反而反之。

在读取小车的光电值时，我们需要的不是0和1，因为他只能代表光电传感器的光值是否达到设定的阈值，我们需要的是光电的模拟光值，只有这样误差值才是一个有效值。

但是我们不同的光电传感器，所能读取到的数据并不一样，有些光电传感器可以读取模拟光值（0-？），有一些又只能读取模拟颜色值（0-255），并且在不同的环境，光照、场地地图的平整度或者地图材料都会影响误差值的计算，这样我们PID的值在同一车上却不能在不同环境和器材上使用，此时我们需要使用数据归一化算法。

数据归一化算法

使用不同的数据归一化算法可以实现不同的误差消除效果，例如消除掉光线、传感器的影响，或者放大误差、缩小误差甚至规范误差的作用。

现在我普遍使用的归一化算法是：误差值=(s2-s4)/[(s2+s3+s4)+0.001]*2

使用这个归一化算法，可以让误差值在[-2,2]的范围之内，-2和2分别代表了极右偏和极左偏，+0.001的目的是防止除0，x2的目的是放大误差。

至于如果对这个归一化算法不理解，可以进行如下假设：

数据归一化在实际运算中的假设

假设现在在室内或者一个光线较为正常的环境下：你的小车s2=1000,s3=3000,s4=1200

不使用归一化算法：error=s2-s4error得到-200，你的车左偏。

使用归一化算法：error=(s2-s4)/(s2+s3+s4+0.001)*2这时误差值得到-0.7，你的车依旧可以得到左偏的结果。

但是如果新的光电传感器只能读0-255呢？或者换了一个环境等情况，第一种算法得到的error值就会出现相同偏角但是误差不同，而归一化算法后就不会出现这种情况。并且第一种算法在更换器械之后必须要调整PID的值，并且你的PID值需要根据光电传感器读值返回写。如果光电传感器的值范围大，你的PID值普遍都要写成小数，或者反过来，你的PID值就需要写的很大，对于这些情况可能你会觉得没有什么，但是对于小车控制器，会有计算精度问题，导致你的PID算法不够稳定、好用。

PID算法的具体变量意义

通过读取光电值并经过数据归一化处理之后，我们的误差值稳定在了一个固定的范围。

这时候就要调试PID的值去使小车稳定巡线，但在此之前需要知道P、I、D值的各个意义。

比例P：通过直接与误差相乘获取小车应该变化的速度值。
积分I：通过与误差的持续累积值相乘，来进行微小修正。
微分D：通过与上次误差-这次误差的值进行抵抗比例算法带来的震荡。

比例P算法会造成一种震荡，具体表现在小车在线左右不断抽搐抖动，这是由于比例P直接与误差相乘带来的问题，使用微分D算法可以进行对比例P的震荡消除效果，在这之后，小车会处于一种误差一直趋于0但无法结接近的状态，这时候通过积分I算法，通过对误差的无限累加至一个变量内，然后乘以积分指数进行系统性的微调，此时小车完全达到稳定状态。

如果难以理解，这里有一段伪代码：

func line():
    kp = 4
    ki = 1
    kd = 2

    error = (s2-s4)/(s2+s3+s4+0.001)*2
    differ = error - last_error
    inter += error
    
    base_speed = 80
    change_speed = error * kp + inter * ki + differ * kd
    spl = base_speed - change_speed
    spr = base_speed + change_speed

    setMotor(spl,spr)
    sleep(0.001) // s
end

总的来说，P是对实时误差的控制，I是对历史误差的控制，D是对未来误差的预测控制，通过此算法可以有效的对小车巡线的控制。

这里之所以我们是计算变化值而不是输出值，是因为PID算法输出的值实际上属于一种加速度类的变化值，而不是最终的结果值。

线程等待0.001s的目的是降低持续高强度的信息获取和计算造成的系统耦合，即抽风。