PID#

数学原理剖析 📐 假设我们要控制一个系统的输出值 $y(t)$ （比如无人机的高度），使其达到目标值 $r(t)$ 。那么误差就是 $e(t) = r(t) - y(t)$ 。 PID 的输出控制量 $u(t)$ 是由三部分加权相加组成的：
$u(t) = K_p e(t) + K_i \int_{0}^{t} e(\tau) d\tau + K_d \frac{de(t)}{dt}$
我们来拆解这三个项：

1.P (Proportional) 比例项 ⚖️： $K_p \cdot e(t)$
- 原理：当前的误差越大，控制力度就越大。就像弹簧一样，拉得越长，回弹力越大。
- 缺点：仅有 P 会产生“静差”（即永远达不到目标点，差那么一点点力）。
2.I (Integral) 积分项 ⏳： $K_i \cdot \int e(t) dt$
- 原理：它会把过去所有的误差“累加”起来。只要误差不为零，积分项就会不断增大，直到消除静差。
- 缺点：积分太强会导致系统反应过慢或产生大幅度震荡。
3.D (Derivative) 微分项 📉： $K_d \cdot \frac{de}{dt}$
- 原理：它测量误差变化的“速度”。如果发现误差正在快速减小，D 项会产生一个反向阻力，防止系统“冲过头”。它起到了预测和阻尼的作用。

Python 项目示例：模拟恒温热水器 ♨️ 为了帮你理解，我们可以用 Python 写一个简单的类。想象你在控制一个热水器，目标是将水温维持在 50°C。

1
class PIDController:def __init__(self, Kp, Ki, Kd):
2
        self.Kp = Kp
3
        self.Ki = Ki
4
        self.Kd = Kd
5
        self.prev_error = 0
6
        self.integral = 0
7
        def update(self, setpoint, measured_value, dt):# 1. 计算误差
8
        error = setpoint - measured_value
9

10
        # 2. P 项
11
        P = self.Kp * error
12

13
        # 3. I 项 (积分累加)
14
        self.integral += error * dt
15
        I = self.Ki * self.integral
16

17
        # 4. D 项 (变化率)
18
        derivative = (error - self.prev_error) / dt
19
        D = self.Kd * derivative
20

21
        # 保存误差供下次使用
22
        self.prev_error = error
23

24
        # 输出总控制量return P + I + D

MPC#

💡 迈向 MPC (模型预测控制) PID 就像是在看后视镜开车：它根据“刚才”和“现在”的偏差来修正。而 MPC 则是看挡风玻璃开车：它拥有一个“车辆模型”，能预测未来 5 秒的轨迹并提前规划。

系统模型 (The Model) 🏎️：MPC 是如何通过数学公式“预知未来”的？（比如：给定现在的油门，1秒后车在哪？）
目标(代价)函数 (Cost Function) 🎯：MPC 怎么定义“什么是好”？（比如：又要快，又要省油，还要乘客坐得舒服，怎么权衡？）
滚动优化 (Receding Horizon) 🔄：为什么 MPC 每一步都要重新计算一次未来的计划，而不是一次跑完？要理解 MPC（模型预测控制），最核心的支柱就是系统模型 (The Model)。如果说 PID 是凭借“直觉”和“经验”在开车，那么 MPC 就是在脑海里装了一个物理仿真器 🏎️。在采取任何行动之前，它都会先在模型里“演练”一遍。什么是系统模型？在控制理论中，模型通常是一组数学方程，它描述了系统的“状态”如何随时间变化。最常用的表达方式是状态空间方程（State-Space Equation）： $x(k+1) = Ax(k) + Bu(k)$ 我们可以把这个公式拆解成通俗的语言：

$x(k+1)$ (未来状态)：下一时刻系统的样子（比如：下一秒车的位置和速度）。
$x(k)$ (当前状态)：现在系统的样子。
$u(k)$ (控制输入)：你现在做的动作（比如：踩了多少油门，转了多少度方向盘）。
$A$ 和 $B$ (系统参数)：这是模型的“灵魂”，它们代表了物理规律（比如：惯性有多大、摩擦力是多少）。

为什么模型能“预知未来”？有了这个方程，MPC 就可以进行多步预测。想象你在控制一个无人机：

已知：当前的坐标和速度 $x(0)$ 。
假设：接下来的 3 秒钟，我一直保持 50% 的推力 $u$ 。
推算：模型会连续计算：

第 1 秒： $x(1) = Ax(0) + Bu$
第 2 秒： $x(2) = Ax(1) + Bu$
第 3 秒： $x(3) = Ax(2) + Bu$ 通过这种方式，MPC 能够看到一段预测时域 (Prediction Horizon) 内的轨迹。