一、PID控制
提到智能车或运动控制，最经典，最常用的就是PID控制，PID算法是一种闭环控制算法，其中PID是比例 (Proportion) 积分 ,(Integral) 微分 ,(Differential coefficient) 的缩写，分别代表了三种控制算法。
这里，使用一个过阻尼的二阶系统作为被控对象，对PID控制进行仿真测试：
由于控制器一般为数字控制器，这里采用离散形式的PID。
单位阶跃相应的时域信号可以利用单片机，DSP,FPGA等主控芯片强大的计算能力，对传统散式PID进行改良。常见的方法有，积分分离，微分先行，模糊PID等。
理工智控路威机器人便使用该算法作为底盘运动控制核心算法。部分代码样例如下：
#include "pid.h"
#define PID_SCALE 0.01f //PID缩放系数
#define PID_INTEGRAL_UP 1000 //积分上限
int16_t ax_motor_kp=200; //电机转速PID-P 比例
int16_t ax_motor_ki=0; //电机转速PID-I 积分
int16_t ax_motor_kd=400; //电机转速PID-D 微分
/**
* @简 述 电机A PID控制函数
* @参 数 spd_target:编码器速度目标值 ,范围（±250）
* spd_current: 编码器速度当前值
* @返回值 电机PWM速度
*/
int16_t AX_PID_MotorVelocityCtlA(int16_t spd_target, int16_t spd_current)
{
static int16_t motor_pwm_out;
static int32_t bias,bias_last,bias_integral = 0;
//获得偏差值
bias = spd_target - spd_current;
//计算偏差累加值
bias_integral += bias;
//抗积分饱和
if(bias_integral>PID_INTEGRAL_UP)bias_integral = PID_INTEGRAL_UP;
if(bias_integral<-PID_INTEGRAL_UP)bias_integral = -PID_INTEGRAL_UP;
//PID计算电机输出PWM值
motor_pwm_out += ax_motor_kp*bias*PID_SCALE + ax_motor_kd*(bias-bias_last)*PID_SCALE + ax_motor_ki*bias_integral*PID_SCALE;
//记录上次偏差
bias_last = bias;
//限制最大输出
if(motor_pwm_out > 1950)
motor_pwm_out = 1950;
if(motor_pwm_out < -1950)
motor_pwm_out = -1950;
//返回PWM控制值
return motor_pwm_out;
}
/**
* @简 述 电机B PID控制函数
* @参 数 spd_target:编码器速度目标值
* spd_target: 编码器速度当前值
* @返回值 电机PWM速度
*/
int16_t AX_PID_MotorVelocityCtlB(int16_t spd_target, int16_t spd_current)
{
static int16_t motor_pwm_out;
static int32_t bias,bias_last,bias_integral = 0;
//获得偏差值
bias = spd_target - spd_current;
//计算偏差累加值
bias_integral += bias;
//抗积分饱和
if(bias_integral>PID_INTEGRAL_UP)bias_integral = PID_INTEGRAL_UP;
if(bias_integral<-PID_INTEGRAL_UP)bias_integral = -PID_INTEGRAL_UP;
//PID计算电机输出PWM值
motor_pwm_out += ax_motor_kp*bias*PID_SCALE + ax_motor_kd*(bias-bias_last)*PID_SCALE + ax_motor_ki*bias_integral*PID_SCALE;
//记录上次偏差
bias_last = bias;
//限制最大输出
if(motor_pwm_out > 1950)
motor_pwm_out = 1950;
if(motor_pwm_out < -1950)
motor_pwm_out = -1950;
//返回PWM控制值
return motor_pwm_out;
}
/**
* @简 述 电机C PID控制函数
* @参 数 spd_target:编码器速度目标值
* spd_target: 编码器速度当前值
* @返回值 电机PWM速度
*/
int16_t AX_PID_MotorVelocityCtlC(int16_t spd_target, int16_t spd_current)
{
static int16_t motor_pwm_out;
static int32_t bias,bias_last,bias_integral = 0;
//获得偏差值
bias = spd_target - spd_current;
//计算偏差累加值
bias_integral += bias;
//抗积分饱和
if(bias_integral>PID_INTEGRAL_UP)bias_integral = PID_INTEGRAL_UP;
if(bias_integral<-PID_INTEGRAL_UP)bias_integral = -PID_INTEGRAL_UP;
//PID计算电机输出PWM值
motor_pwm_out += ax_motor_kp*bias*PID_SCALE + ax_motor_kd*(bias-bias_last)*PID_SCALE + ax_motor_ki*bias_integral*PID_SCALE;
//记录上次偏差
bias_last = bias;
//限制最大输出
if(motor_pwm_out > 1950)
motor_pwm_out = 1950;
if(motor_pwm_out < -1950)
motor_pwm_out = -1950;
//返回PWM控制值
return motor_pwm_out;
}
/**
* @简 述 电机D PID控制函数
* @参 数 spd_target:编码器速度目标值
* spd_target: 编码器速度当前值
* @返回值 电机PWM速度
*/
int16_t AX_PID_MotorVelocityCtlD(int16_t spd_target, int16_t spd_current)
{
static int16_t motor_pwm_out;
static int32_t bias,bias_last,bias_integral = 0;
//获得偏差值
bias = spd_target - spd_current;
//计算偏差累加值
bias_integral += bias;
//抗积分饱和
if(bias_integral>PID_INTEGRAL_UP)bias_integral = PID_INTEGRAL_UP;
if(bias_integral<-PID_INTEGRAL_UP)bias_integral = -PID_INTEGRAL_UP;
//PID计算电机输出PWM值
motor_pwm_out += ax_motor_kp*bias*PID_SCALE + ax_motor_kd*(bias-bias_last)*PID_SCALE + ax_motor_ki*bias_integral*PID_SCALE;
//记录上次偏差
bias_last = bias;
//限制最大输出
if(motor_pwm_out > 1950)
motor_pwm_out = 1950;
if(motor_pwm_out < -1950)
motor_pwm_out = -1950;
//返回PWM控制值
return motor_pwm_out;
}
二、滑模变结构控制
不同于PID控制，滑模变结构控制（Variable Structure Control, VSC）是一种非连续的控制算法，这种系统的输出值只有开关两种状态，系统通过对切换函数进行计算来做出决策，确定系统应该处于那种状态。它其实是一种非线性控制，主要特点是控制的不连续性和控制结构的可变性，这种控制是依据被控对象的状态动态调整，使得系统状态轨迹按照设计好的滑动模态运动，所以得名滑模控制。（所谓“变结构”可以初步理解为在开关两种状态之间切换）
滑模态是预先设计好的，与系统的状态和外界的扰动等都不相关，因此具有参数扰动不灵敏性和实现简单的优点，是一种鲁棒控制方法。
为方便大家理解，这里以路威机器人的电机速度环控制为例，将PID与滑模变结构控制两种控制方式进行类比：
PID算法大家应该都比较熟悉，首先当前计算误差
e[t] = r[t] - c[t]
通过当前误差于上一次误差，计算出输出量为
c[t] = Kp*e[t] + Kd*(e[t]-e[t-1])+Ki*(e[t]+e[t-1]+... +e[1])
最后，再根据M，对c[t]进行限幅即可
首先要计算切换函数，理论上来说，切换函数可以使用:
s[t]= a*e[t]+b*e[t-1]
当s[t]>0时，c[t]=M 当s[t]<0时，c[t]=-M
符号说明：
r[t]:当前系统设定值（给定量）
c[t]:系统输出值（控制量）
e[t]:当前系统设定值与系统输出值的差
e[t-1]:上一个控制周期系统的设定值与系统输出值的差值
Kp:常数，比例系数
Ki:常数，积分系数（积分时间）
Kd:常数，微分系数（微分时间）
s[t]：当前开关函数的计算结果
M:常数,由于智能车一般不会满电压（占空比）跑，M是一个限幅值，输出的电压（或占空比）应该被限制在[-M,M]的范围内。
三、模糊控制
扎德(L.A.Zadeh)教授在1965年提出模糊逻辑，并于1973年提出把模糊逻辑应用于控制理论。模糊控制属于早期智能控制的一种。
模糊控制器（也叫做“模糊逻辑控制器”）的基本结构：
什么是“模糊”？：
我们以电机转速为例，简单理解一下“模糊”的概念：
对于电机的转速度r，我们可以使用r=3600转，r=4800转，这类精确的数值来进行描述。
此外还可以使用“转得快”，“转得慢”，没有转”，“转得非常快“等模糊语言进行描述。
比如，当我们定义4000转为“转得快”，2000，转为“转得慢”，那么，对于r=3800转，时，有a4000+b2000 = 3800( b=a-1)解方程得a=0.9 , b=0.1
我们可以认为，r=3800转九成属于“转得快”，一成属于“转得慢”。
这个过程就是“模糊化”。其中a=0.9称为r关于“转得快”的隶属度，b=0.1称为r关于“转得慢”的隶属度。
模糊化
对于一个变量x，我们可以将其划分为七个等级：
| NB | 负 | 大 |
| NM | 负 | 中等 |
| NS | 负 | 小 |
| ZO | 零 | |
| PS | 正 | 小 |
| PM | 正 | 中等 |
| PB | 正 | 大 |
分别计算x关于NB,NM,NS,ZO,SP,PM,PB的隶属度，得到x的模糊集
X = (a(x),b(x),c(x),d(x),e(x),f(x),g(x))
其中，a(x),b(x),c(x),d(x),e(x),f(x),g(x)分别为NB,NM,NS,ZO,PS,PM,PB的隶属度函数:
一般情况下，隶属度函数满足
a(x)+b(x)+c(x)+d(x)+e(x)+g(x)=1
2．模糊规则表
模糊规则表中包含了人类关于某种控制过程的知识和经验，它是模糊控制的重要组成部分。
而推理机的作用是：将输入变量对应的模糊集通过查表的方式，转换为输出变量的模糊集。
比如一个输入变量的模糊集：
x = (0.1, 0.8, 0.1, 0, 0, 0)
通过查表得到输出变量的模糊集：
y = (0, 0, 0, 0, 0.1, 0.9)
(其中0.9 = 0.8+0.1)。
解模糊
解模糊是模糊化的逆过程:
对于输出变量y,我们也将其划分为七个等级：
NB ,NM,NS,ZO,PS,PM,PB
这些等级分别对应的数值为
y1,y2,y3,y4,y5,y6,y7
从而，对于已知的模糊集
y = (s1,s2,s3,s4,s5,s6,s7)
我们可以计算出y的精确数值：
y = s1*y1+ s2*y2+s3*y3+s4*y4+ s5*y5+ s6*y6+s7*y7
四、自适应控制
前面介绍的几种控制方法，都需要具体的参数，比如PID控制中的kp,ki,kd。只有这些参数调整为合适的数值，才能使控制器工作在最佳状态。而自适应控制器可以自动计算出参数，一方面，减少了调节参数的麻烦；另一方面，一定程度上可以根据环境的变化，灵活地对控制器做出调整。
自适应过程是一个不断逼近目标的过程。它所遵循的途径以数学模型表示，称为自适应算法。通常采用基于梯度的算法，其中最小均方误差算法（即LMS算法）尤为常用。自适应算法可以用硬件(处理电路)或软件（程序控制）两种办法实现。前者依据算法的数学模型设计电路，后者则将算法的数学模型编制成程序并用计算机实现。
自适应控制器的种类和结构有很多种。
五、小结
运动控制算法多种多样，但是最常用的还是PID算法，实际在使用过程中还是需要根据需求和场景去选择算法。