我家AI（自己开发的一个话痨聊天机器人）一直在霸占我的电脑，所以准备给它搞个身体移植过去，打算以arduino来控制舵机，树莓派来当作大脑进行深度学习以及信息处理等，控制舵机总不会偏离的一个算法就是PID算法，名字听起来深奥高级，但其实原理简单地很，下面尽量以例子讲解原理，间接推理下公式，最后，附上我家AI下半身guo照：
下面是正文————————————————
一.定义
百度百科中的定义为：
在过程控制中，按偏差的比例（P）、积分（I）和微分（D）进行控制的PID控制器（亦称PID调节器）是应用最为广泛的一种自动控制器。
二.P（比例）
以我家AI为例：
我打算让AI实现平衡功能，静止的时候可以自己保持站立状态，有外力推它也可以通过自身调节去维持平衡状态，那么理想状态下它应该保持这个姿势不动（侧视图）：
而当有一个外力推它时，它会往力的方向倒去：
按道理来说，AI想要恢复回原来的静止状态，怎么也得知道它和原来相差了多少：
而这个25°，其实就是一个误差值：目标数值 - 当前数值 ，使用公式可以写为: error = 目标数值 - 当前数值 。此时如果单单只考虑用P（比例）来进行控制，则是使用一个参数KP乘以误差值，即输出(U) = KP * error，而这个参数KP，则需要我们自己经过多次调整来寻找出一个最合适的出来。假如KP设定为0.5，那么根据上面公式可以得出输出为:U = 12.5,那么AI就会用12.5的速度用尽全力往左边跑去，试图恢复静止的平衡，而此时由于电机的质量参差不齐，大概率会出现以下两种情况：
1.电机质量不大行，即使用12.5的速度跑还是没有足够的力去恢复平衡，这个时候小车就会一直保持往左倾往左跑的状态，然后越走越远，离你远去，最后离家出走，直到没电为止。
2.电机质量太好，用12.5的速度可以恢复平衡，然而，由于自身惯性的原因，小车到达平衡位置之后并不会立马停下来，而是往右偏了一点，然后重新计算误差，算出角度偏右了，立马开始往右跑，结果又因为跑太快惯性又甩到了左边，永远都停不下来，最后就成为了以下这个样子：
某个粉色网站上看到的一位UP主的视频：https://www.bilibili.com/video/BV1Z4411M7av
三.D（微分）
当电机质量太好的时候，小车出现左右摇摆的情况，有种专业名词可以形容这种情况，叫超调。单纯靠P（比例）来控制已经不能满足我们的需求了，这个时候就加入D（微分）来进行控制，D（微分）在整个算法中起到了类似于减速的作用，当AI往目标角度靠的时候，D（微分）会不断地计算当前地误差值和上一次误差值差了多少，而当这两个误差的差值之间差距越来越小的时候，D（微分）就会被当成一个很大的阻力，阻止AI过快地靠近目标，有效杜绝因惯性或者其他不可抗拒因素导致的左右摇摆。
前面的介绍中已经讲完两个分量，这两个分量在公式中只需要简单地相加就行：
四.I（积分）
当出现了第一种情况，也就是电机质量不大好，AI会一直保持往左倾往左跑，其实造成这中情况地其中一个原因是，AI地重力刚好和电机所施加的力持平了，导致AI一直稳定在这种下又下不去，上又上不来的情况，这种状况有个专业名词叫做“稳态误差/静态误差”
这个时候，I（积分）挺身而出，它靠着将所有的误差全部累加起来，来预算是否一直处于稳态误差的状况，当小车处于稳态误差时，I（积分）会累积地越来越大，最终会打破这种僵持状况，让输出U加上一个 I*累加误差。这个数值一般不大，但也要看你怎么去调整这三个变量的权重。
五.参数调整
在此，已经介绍完三个分量的作用以及用法，献上一个专业版的公式：
公式看起来十分地复杂，但是在实际应用中，P（比例）可以近似地看作是误差值与分量P的相乘，I（积分）可以近似地看作为所有误差的相加再乘以分量I，D（微分）可以近似地看作是当前误差值与上一次误差值的误差乘以分量D，最后再将这三个加在一起，就变成了一个输出值。
而需要我们反复调节的，是Kp,Kd以及Ki这三个分量，具体怎么调整，每个人都有属于自己的一套方法，而我自己的方法分享给大家：
1.先调试P，再调整I，最后是D，单一变量调整，不要三个一起来。
2.先确定好数量级再微调，如在调整P时，可以先尝试0.00001，看看有没有效果，没有效果在试试0.0001，一直到出现效果，然后确定了数量级，开始进行微调，0.0003试试，不明显再0.0005，一直到设备出现较大的反应，再进行减少微调，一直调到自己觉得适合之后，再往下调I、D。
3.如果调试P、I觉得效果可以了，就不用再调D了。