智能循迹小车PID控制全解析：从原理到调参实战

1. 智能循迹小车到底难在哪里

很多朋友入手智能小车项目，第一反应是"不就是沿黑线跑吗，写个if判断不就行了"。等你真的把车放到赛道上，面对连续弯道、十字路口、发夹弯，就会发现原来的想法太天真了。

循迹小车真正的难点在于：它本身是一个典型的非线性、时变、强耦合的物理系统。车体的重心分布、电机响应速度、轮胎材质、电池电压、赛道摩擦系数，这些因素全都在动态变化。你上一次调试测出的完美参数，换块电池可能就完全不适用了。

PID控制算法在这里的价值，就是用一套统一的理论框架，把"传感器读到偏差"到"驱动电机修正"这个闭环过程量化、稳定化、可调参化。它不是在某个特定赛道上跑出来的wild hack，而是一个能够适配不同赛道、不同车型、不同传感器方案的通用控制框架。这也是为什么不管是做电磁三轮、红外两轮、还是摄像头四轮，最终大家都会走到PID这条路上来。

本文适合正在准备智能车竞赛的学生、自学的嵌入式爱好者，以及已经实现"能跑"但想优化"跑得稳、跑得快"的开发者。我会结合电磁三轮智能小车这个比较典型的平台，把PID的拆解、实现、整定、踩坑一路讲透，尽量用大白话把控制原理讲明白，文章里给到的参数、步骤都是可以直接抄作业的。

2. 为什么是PID而不是其他控制方式

2.1 开关控制的局限

先看最基础的方案。传感器检测到偏左，就右转；偏右，就左转。这叫开关控制（bang-bang control）。它最大的问题有两个：一是输出量只有"全速左转/全速右转"两个状态，小车在赛道上来回横摆，跑起来像喝醉了酒；二是执行机构的惯性会带来严重超调，尤其是速度稍快一点，车身就会冲出赛道。

我做第一版循迹车的时候就用的这种方式，入弯还算勉强，出弯必然画龙。原因是开关控制根本没有"误差有多大就修正多少"的概念，它只有一个定性的判断，没有定量的程度。

2.2 开环控制的瓶颈

另一种思路是开环控制：提前设定好电机PWM值，直线给固定值，弯道给另一个固定值。这种方式的缺陷更明显——它无法感知实际脱离理想轨迹的程度。电机老化、地面湿滑、电池电压波动，任何一个扰动都会让实际路径和预期路径越偏越远，而控制器对此一无所知。

开环控制适合"环境绝对稳定"的场合，但循迹小车恰恰相反，它面对的是一个充满随机扰动的真实环境。

2.3 闭环PID凭什么胜出

PID的全称是比例-积分-微分控制，它属于闭环控制，核心逻辑是不断比较"目标值"与"当前值"的偏差，然后根据偏差的大小、历史累积、变化趋势三个维度，计算出一个连续的控制量。

把它和前面两种方式对比一下，差距就很明显了：

实际上温度控制、无人机姿态稳定、四轴飞行器、云台增稳这类工业和生活场景里大量用到PID，原理完全一样，只是被控对象从"小车的位置"换成了"温度的数值"或者"飞行器的角度"。理解了循迹小车里的PID，其他领域的PID你也能触类旁通。

3. PID三个环节在循迹场景里分别扮演什么角色

PID公式长这样：

[ u(t) = K_p \cdot e(t) + K_i \cdot \int_0^t e(\tau)d\tau + K_d \cdot \frac{de(t)}{dt} ]

看着数学符号多，拆成白话就好理解了。

3.1 P（比例）：现在偏了多少，就修多少

比例项的输出是当前误差乘以比例系数Kp。误差越大，修正力度越强，这是整个PID的"主力输出"。

电磁三轮小车里，误差一般定义为小车偏离赛道中心线的程度。假设你用电感采集电磁场强度，计算出当前位置偏差是-30（偏左），P项就会给出一个正的控制量，让车向右修正。Kp调得越大，对偏差的反应越猛。

但P有个天生的毛病：它需要"先有误差，才有输出"。也就是说，小车从直道冲进弯道时，一定是在已经偏离了一小段之后才开始被拉回来，这就是响应滞后的来源。Kp调太高，又会在目标位置附近来回震荡，就像你开车打方向盘打得太多，不停在车道里蛇形。

3.2 I（积分）：历史欠账，慢慢还清

积分项把过去所有误差累积起来，再乘以积分系数Ki。它解决的是稳态误差问题——这是循迹里最容易被新手忽略的环节。

什么叫稳态误差？举个例子：小车在过一个大弧弯时，如果只靠P项，车会始终偏向弯道外侧，保持一个"持续的偏差角度"，因为只有存在这个偏差，P项才能产生足够的转向力维持过弯。这个"维持性偏差"就是稳态误差。

这时候积分项就有用了：误差一直存在，积分项慢慢累积，输出逐渐加大，把车往内侧多拉一把，直到误差归零。打个比方：P是"队长看到有人迟到就批评"，I是"队长记考勤，迟到的次数越积越多，处罚也越重"。

但在循迹小车上，I项要非常谨慎地使用。因为赛道一圈跑下来，如果某段全是同一个方向的弯道，积分可能会积累出一个很大的值，导致出弯后车突然向内猛打方向。一般要么把I限幅，要么只在低速场景下用。

3.3 D（微分）：提前预判，刹车减速

微分项关注的是误差的变化趋势——误差变化越快，输出越大。它是"阻尼器"，作用是抑制震荡、减小超调。

继续用开车类比：P是你看到车偏了往右打方向盘，D是你同时感受到"车正在快速往右偏转"，于是提前收一点方向，避免车冲到右边去。D项相当于给系统加了一个"预见性"，它不是在误差变大之后去追，而是在误差刚开始变大的时候就出手压制。

在电磁循迹里，D项尤其重要。因为电磁传感器的采集频率、车体的惯性都决定了系统天然存在滞后，D项可以在误差还没发展到很严重的时候提前介入修正。这也是为什么很多人调完PID之后发现：P和I调了半天还是振荡，一旦加上合适的D，车一下子就稳了。

但D项的副作用是放大了传感器噪声。电磁信号本身有波动，计算出的误差值会抖动，微分项对这些高频抖动特别敏感，输出会变得毛躁。所以实际代码里通常都会对微分项做滤波处理，或者用"不完全微分"结构。

3.4 位置式PID和增量式PID选哪个

循迹小车里常用的是增量式PID。它输出的是"本次应该在上一次基础上调整多少"，而不是"这次该给多大控制量"。

增量式的优点是：

• 输出只依赖最近几次误差，不需要累加绝对误差，积分饱和问题天然减轻
• 即使算出的增量有问题，也只是在原有基础上小幅抖动，不会导致输出瞬间跳变

具体实现时，增量式PID的离散化公式（采样周期T固定）为：

[ \Delta u(k) = K_p [e(k) - e(k-1)] + K_i e(k) + K_d [e(k) - 2e(k-1) + e(k-2)] ]

实际输出为：

[ u(k) = u(k-1) + \Delta u(k) ]

用代码翻译一下就是：

#include <stdint.h> typedef struct { float Kp; float Ki; float Kd; float target; float last_error; float prev_error; float output; } PID_TypeDef; float PID_Calc(PID_TypeDef *pid, float feedback) { float error = pid->target - feedback; float delta_u = pid->Kp * (error - pid->last_error) + pid->Ki * error + pid->Kd * (error - 2.0f * pid->last_error + pid->prev_error); pid->output += delta_u; // 输出限幅 if (pid->output > 100.0f) pid->output = 100.0f; if (pid->output < -100.0f) pid->output = -100.0f; // 误差更新 pid->prev_error = pid->last_error; pid->last_error = error; return pid->output; }

注意这个写法里Ki对应的是误差的即时项，而不是传统位置式的累加项，这是因为增量式推导后Ki项直接乘了当前误差。实际用的时候根据自己的公式配合好就行，关键是三个系数的物理含义要清楚。

4. 从传感器信号到转向指令的完整闭环

4.1 电磁传感器的信号链路

电磁循迹的核心部件是电感线圈。赛道中心线埋有通有20kHz交变电流的导线，产生电磁场。小车上的水平电感感应到磁场后，会产生一个与距离相关的电压信号。

这个信号非常微弱，通常只有几毫伏到几十毫伏，需要经过放大、检波、滤波之后才能给单片机ADC采集。大致链路是：

电感线圈 -> 谐振电路 -> 运放放大 -> 二极管检波 -> RC滤波 -> 单片机ADC

谐振电路的作用是让电感对20kHz的特定频率信号有最大响应，抑制环境中的其他电磁干扰。运放把信号放大到ADC量程内，二极管检波把交流信号整流成直流电平，RC滤波再把高频纹波滤掉，最后得到一个平滑的、大小随距离变化的电压值。

ADC采集到的是左右两个（或更多）电感的电压值。电压越大说明电感离导线越近。将左右电压归一化后，可以用加权平均法计算车身相对于赛道的横向偏差：

[ error = \frac{V_R - V_L}{V_R + V_L} ]

这个公式妙在它是归一化的：不管信号整体强弱（比如电池电压变化导致磁场强度变化），只要左右对称，误差就是0；一旦车身偏向一侧，对应的电感电压升高，误差方向立刻体现出来。

4.2 三轮结构的转向特性

电磁三轮小车通常是前轮转向舵机 + 后轮驱动电机的结构，和差速转向的两轮车不一样。三轮结构的转向由舵机直接控制前轮偏角，响应快、模型简单，和小轿车类似。

转向控制量就是前轮的期望转角，映射到舵机PWM占空比。舵机的PWM范围一般是1000us到2000us的高电平脉宽，对应左右极限角度。PID输出的是"是否需要向左或向右打多少角度的量"，最终要换算成PWM脉冲宽度。

举个例子，舵机中位是1500us，左右极限分别是1250us和1750us，PID输出范围为-100到100，那么映射关系就是：

uint16_t pwm_width = 1500 + (int)(pid_output * 250 / 100);

限幅一定要做，否则PID输出超出范围后，舵机会打死或者发出嗡嗡的堵转声，长期工作会损坏舵机。

4.3 编码器闭环与速度控制

转向有了PID，速度同样需要PID闭环。后轮电机上安装编码器，实时测量实际转速，与目标速度比较，通过PID调节PWM占空比。这就是双闭环结构：内环是速度环，外环是转向环。

比赛实践中，速度环的输出直接影响电机驱动器的PWM，转向环的输出影响舵机角度。两者互相影响：高速过弯时，如果速度环响应太慢，车身会在弯中减速不足，导致转向跟不上。

我调试时习惯先调速度环，再调转向环。速度环调好之后，给转向环一个固定的测试速度，逐步优化转向参数。如果两个环一起调，出问题了根本分不清是速度没跟上还是转向不合适。

5. 参数整定：从瞎调到有章法

5.1 手动整定的顺序和原则

PID参数整定是个实践性很强的工作，不同车的理想参数差异很大，但有一套大致通用的流程。

我的建议顺序是：先P、再D、后I（I多数情况下可以不启用）。整个过程搭配赛道调试，Step by step来做。

第一步，把Ki和Kd都设为0，只留Kp。从一个比较小的值开始，比如电磁三轮车舵机控制，Kp可以先从10左右起跳。把小车放上赛道，观察它的响应。如果小车"迟钝"、明显追不上赛道变化，加大Kp；如果小车在直道上左右抖动、蛇形前进，说明Kp太大，需要回调。

第二步，加上Kd。Kd从小值开始加，比如Kp的1/10到1/5。观察目标：蛇形和振荡是否明显减小？过弯是否比原来紧凑？

第三步，如果直道存在持续单侧偏置（排除机械、传感器问题后），再加Ki。Ki同样从很小的值起跳，而且一定要给积分项输出限幅，否则积分饱和能把车带出赛道。

一个比较典型的电磁三轮参数范围（舵机控制量归一化为-100到100）是：

5.2 临界比例度法

如果你不想完全瞎试，可以试试经典的临界比例度法（Ziegler-Nichols整定法的简化版）。步骤是：

1. 把Ki和Kd设为0
2. 逐步增大Kp，直到系统输出出现等幅振荡
3. 记下此时的临界增益Ku和振荡周期Tu
4. 按经验公式计算初值：Kp = 0.5Ku，Ki = 0.5Kp/Tu，Kd = 0.125Kp*Tu

这个方法在工业温度控制上很经典，放在小车上同样有效，只是等幅震荡不太好观察。我的建议是把小车放在直道上，让它在道上跑，观察它是否开始在道中心两侧有规律地来回摆。如果摆动幅度稳定、节奏均匀，就说明接近临界状态了。

不过要注意，临界比例度法得到的参数只是起点，实际赛道上还需要微调。而且电磁循迹车系统的响应比温度控制系统快得多，采样周期一般是10ms~20ms，震荡周期很小，观察时要用电脑上位机把误差曲线实时画出来，单靠肉眼看车摆起来往往已经太晚了。

5.3 我用上位机曲线调参的经验

有条件的话，强烈建议把误差数据和PID输出数据通过蓝牙或串口发到上位机，画出实时曲线。这样能清楚地看到：

• 直道上的误差是否在零线附近小幅波动
• 弯道入口处误差的变化斜率是否过陡
• PID输出是否有明显的过冲
• 是否存在周期性的振荡

我第一次调的时候没有上位机，全凭肉眼追着车看，结果只看到车甩尾，完全不知道误差曲线长什么样。后来把数据发到串口，用匿名上位机或者简单的Python脚本绘图，一目了然。

我自己用Python写了个简单的串口绘图脚本，用的是pyserial加matplotlib，适合现场快速分析：

import serial import matplotlib.pyplot as plt import matplotlib.animation as animation ser = serial.Serial('COM5', 115200, timeout=1) fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(10, 6)) error_series, output_series = [], [] time_series, t = [], 0 def update_frame(frame): global t line = ser.readline().decode(errors='ignore').strip() parts = line.split(',') if len(parts) == 3: try: error, output, speed = float(parts[0]), float(parts[1]), float(parts[2]) except ValueError: return time_series.append(t) error_series.append(error) output_series.append(output) t += 0.01 if len(time_series) > 300: time_series.pop(0) error_series.pop(0) output_series.pop(0) ax1.clear() ax2.clear() ax1.plot(time_series, error_series, 'b-', label='error') ax1.axhline(0, color='r', linestyle='--', linewidth=0.8) ax1.legend() ax1.set_ylabel('error') ax2.plot(time_series, output_series, 'g-', label='pid output') ax2.axhline(0, color='r', linestyle='--', linewidth=0.8) ax2.legend() ax2.set_ylabel('output') ax2.set_xlabel('time (s)') ani = animation.FuncAnimation(fig, update_frame, interval=50) plt.show()

对应单片机上每隔10ms发送一行数据：

printf("%.1f,%.1f,%.1f\r\n", error, pid_output, speed_measured);

看到曲线之后，调参效率能提升好几倍。P大不大、D够不够、有没有积分饱和，曲线上一眼就能看出来。

5.4 赛道分段与速度自适应

进阶一点的玩法是速度自适应。既然小车在直道可以跑高速，在弯道必须减速，那就可以根据当前误差的绝对值或者误差变化率来动态调整目标速度。

我的实现策略是：

• 误差绝对值小于阈值（比如0.15），认为是直道，目标速度设为高速值
• 误差绝对值较大（比如大于0.5），近似的认为正在过急弯，目标速度降为低速值
• 中间区域线性插值，避免速度突变

代码如下：

float compute_target_speed(float error) { float abs_error = fabsf(error); float high_speed = 2000.0f; // 编码器目标值 float low_speed = 1200.0f; float threshold_high = 0.5f; float threshold_low = 0.15f; if (abs_error >= threshold_high) { return low_speed; } else if (abs_error <= threshold_low) { return high_speed; } else { float k = (abs_error - threshold_low) / (threshold_high - threshold_low); return high_speed - k * (high_speed - low_speed); } }

这套逻辑配合双闭环PID，是我测试下来稳定性最高的方案。比起全程固定一个速度跑，这套方案在综合弯道赛道上通常能快出2到3秒。

6. 实战中的常见问题排查

6.1 高频问题速查表

6.2 高速发飘问题

这个基本是每个做电磁小车的人都会遇到的坑。速度上来之后，车在弯道外侧飘出去。一开始我以为单纯是打滑，后来发现根本不是轮胎抓地力不够，而是转向PID的输出饱和了。

车速快的时候，过弯需要的向心力随速度平方增长，转向角必须很大。但舵机的极限角度是有限的，PID输出超过映射范围后直接被限幅截断，车就只能以最大转角过弯。最大转角还不足以提供足够向心力，车自然就飘了。

这种问题的解药不在PID公式里，而在系统层面上：要么入弯前提前减速（速度自适应），要么在转向环里加入误差变化率前馈，在真正进入弯道前预打一点方向。我后来在转向环里加了一项前馈：误差变化率越大，提前给一个基础转角。这能显著减少高速入弯时的响应滞后。

6.3 电磁信号漂移

电磁信号受环境影响会出现漂移，尤其是周围有金属物体或者电机产生强磁场干扰时。一个典型的坑是：电机大电流通断瞬间，左右电感电压同时跳变，导致归一化后的error值出现毛刺，转向舵机跟着猛抖一下。

处理方法：

• 信号链路加硬件RC滤波，截止频率放在500Hz到1kHz左右
• 软件上对ADC值做滑动平均滤波或一阶低通滤波
• 对最终error值做限幅变化率处理，限制两次采样间误差值的最大变化幅度

一阶低通滤波的代码很简单：

#define ALPHA 0.3f float lowpass_filter(float input, float last_output) { return ALPHA * input + (1.0f - ALPHA) * last_output; }

ALPHA越小，滤波越强，但同时滞后也越大。循迹车通常取0.2到0.4之间的值比较合适，具体看你的赛道环境和采样频率。

6.4 温度变化导致的参数漂移

最后聊个有趣的现象。我有一次在实验室暖风环境下把参数调到完美，第二天到室外冷风环境试车，发现车完全变了个手感。原因是温度影响了电池内阻、电机的机械阻尼、轮胎的硬度，系统整体模型发生了偏移。

这个问题很难完全消除，但有缓解手段：

• 电池尽量用稳压模块供电，减少电压变化对系统的直接影响
• 开跑之前先让车在赛道上跑两圈热身，让电机和轮胎达到工作温度再调参
• 条件允许的情况下，在比赛场地现场微调参数

这就是为什么比赛车队通常都有一本"调参记录"，记录每次调参时的温度、湿度、电池电压、轮胎状态，方便复现当天的最佳参数。

7. 我的几个实操心得

写到最后，分享几条我踩过很多次坑之后总结出来的经验。

PID参数不是"越大越好"或者"越小越好"，它是一个匹配问题。Kp、Ki、Kd要和系统的采样周期、执行机构响应速度、传感器噪声水平匹配。你在网上抄来的参数跑得再好，换一套采集频率、换一个舵机型号，都得重新调。

每次只改一个参数，改完记录效果。很多新手喜欢同时调Kp和Kd，发现车跑得不错，但完全不知道是哪个改动起了作用，下次遇到类似问题依然两眼一抹黑。我的习惯是写一个调参记录表，每次只动一个参数，跑一圈之后把表现写下来。

软件限幅一定要做。不管是PID输出的限幅、误差变化率的限幅，还是速度目标值的限幅，都要在代码里明确写出来。没有限幅的PID，一旦某个传感器瞬间跳变，输出可能直接拉满，舵机、电机驱动器都有损坏风险。

能加前馈就不要全靠反馈。PID再好，它本质上是在"出错之后"才做出反应。如果赛道信息可以在传感器上提前预判（比如前方是急弯），用前馈提前动作，控制效果会有质的提升。

最后是一条通用法则：**基础机械结构决定了上限，控制算法只是让你逼近这个上限。**电感安装不对称、轮胎磨损不均匀、底盘重心偏置，这些问题再怎么调PID也救不回来。先把机械问题解决掉，再谈参数优化。这一点无论在智能车竞赛还是工业调试中都是通用的。