到了这一篇，你手里应该已经有一辆能跑的车了：电机听话转、编码器能测速、串级 PID 调好以后能稳稳跟线、过弯也不冲出去。这时候很多同学会开始心痒——网上铺天盖地的”模糊 PID””卡尔曼滤波””前馈控制””自抗扰 ADRC”，名字一个比一个唬人，是不是把这些都堆上去，车就能从”能跑”变成”封神”？

先把话撂在这儿：90% 的省赛小车，把基础 PID 加串级双环调扎实，就足够拿奖了。 这一篇要讲的进阶算法，定位是”锦上添花 + 报告亮点”，不是”不上就完蛋”的必需品。本篇的真正价值，不是教你把每个算法都写一遍，而是帮你判断：哪个算法解决什么问题、什么时候才值得上、性价比到底高不高——免得你把宝贵的四天三夜耗在调一个收益微薄的高级算法上，最后基础反而没跑稳。

先认清这条”逐级升级”的路线

进阶算法不是平行摆在货架上让你随便挑的，它们有明显的”性价比梯度”：越往后，调试成本越高、边际收益越小。一个稳妥的升级顺序长这样：

为什么是这个顺序？因为越靠左的，改动小、收益直接、不容易引入新 bug；越靠右的（尤其模糊 PID、卡尔曼），自由度多、调试耗时，稍有不慎反而把好不容易调稳的车搞乱。省赛时间紧，跑不稳就果断回退到上一级。 下面我们一个一个拆。

变速积分 / 积分分离：性价比最高，优先上

这是进阶项里性价比最高的一个：简单、收益直接，建议第一个上。

普通 PID 的积分系数是恒定的，全程积分增量都一样。但实际需求是矛盾的——误差大的时候，积分项疯狂累加，等误差快归零时这股劲儿泄不掉，造成严重超调；误差小的时候又需要积分稳稳消掉静差。

最直接的办法是三段式积分分离：

误差大小	积分系数	含义
$\lvert e\rvert > 50$	0	误差大，切断积分
$30 < \lvert e\rvert < 50$	0.6	过渡区，弱化积分
$\lvert e\rvert < 30$	1.0	误差小，全额积分

但阶跃式分段在临界点会有突变。更平滑的是变速积分，用一个线性过渡系数：

if (pid->errABS > lErr) {            // 误差大: 不积分
    kiIndex = 0.000f;
} else if (pid->errABS < sErr) {     // 误差小: 全额积分
    kiIndex = 1.000f;
} else {                             // 中间: 线性过渡
    kiIndex = (lErr - pid->errABS) / (lErr - sErr);
}
pid->outPut = pid->outPutP + pid->outPutI * kiIndex + pid->outPutD;

经验取值 lErr ≈ 50、sErr ≈ 30。

怎么选？ 匀速车选变速积分（积分主导稳态精度，平滑过渡最好）；有明显加减速的车，更该重视下面这个”遇限削弱积分”。

Bang-Bang + PID：电机弱的车靠它”榨提速”

思路：大误差全力冲，小误差精细停

Bang-Bang（起停 / 砰砰控制）让输出在两个极端之间切换——要么全速，要么全刹。控制理论里有个结论：当哈密顿量对控制量是线性的时候，Bang-Bang 就是最短时间最优解。说人话就是：想在最短时间内从 A 跑到 B，”地板油加速 + 急刹”往往就是最快的。

但纯 Bang-Bang 在目标附近会疯狂抖动，所以智能车里用的是组合拳——用 Bang-Bang 控力度、用 PID 控精度：

if (e >  eps)       u = Umax;       // 大正偏差: 全速
else if (e < -eps)  u = -Umax;      // 大负偏差: 全刹/反向
else                u = PID(e);     // 阈值内: 切 PID 精调
// eps(阈值)务必带迟滞, 避免阈值附近来回抖动(chattering)

它的坑：抖动（chattering）

Bang-Bang 最大的毛病是切换不连续。如果阈值 $\varepsilon$ 不带迟滞，误差在阈值附近来回时，输出就在两个极值之间高频跳变——既伤电机，又让车发抖。

解决办法是给阈值加一个迟滞带（施密特触发器的思路）：进入用一个阈值、退出用另一个略小的阈值，中间留一段缓冲。

前馈控制：从”亡羊补牢”到”未雨绸缪”

它到底解决什么问题

PID 是典型的反馈控制——它盯着”已经发生的偏差”去纠正。问题是，等偏差出现了你才动作，永远慢半拍。高速过弯的时候，等你看到车已经偏出赛道（误差变大）才猛打方向，往往已经来不及了。

前馈（feedforward）反过来：它不等误差出现，而是根据已知的扰动或模型提前补偿。

它的威力在于：在扰动影响输出之前就预补偿，响应能快很多，动态误差明显减小，能耗和磨损也更低。但它有三个硬性前提：

• 必须有一个比较准的被控对象模型（前馈控制器本质上就是被控对象模型的”倒数”）；
• 扰动必须可测 / 可预知——对没料到的扰动它无能为力；
• 每个系统的前馈控制器都不一样，是专用的，换车、换赛道就得重算。

所以前馈不能单用，铁律是和 PID 复合：

$$U(k) = U_{pid}(k) + U_{ff}(k)$$

智能车里前馈的两个典型落地

第一个：曲率前馈打舵。 侧向控制量 = 前馈 + 反馈。前馈那一份由参考路径的曲率和车辆动力学模型直接算出来（舵机转角公式里含轮距 $L$、曲率 $\rho$、不足转向梯度）。曲率怎么求？一个实用做法是用赛道上连续三个点：曲率等于这三点外接圆半径的倒数，而拐向用三点的叉乘面积判——右拐为负、左拐为正。高速时舵机响应慢，在输出里提前加入这个”路径趋势分量”，舵机就能预先打舵，而不是等偏差累积。

第二个：速度突变前馈 PWM。 速度环里，当目标速度突然变化（比如起步、出弯加速）时，光靠 PID 慢慢追会有明显滞后。这时候直接前馈一段 PWM，电机响应立刻跟上。一个常见的离散前馈实现，是对设定值做一阶 + 二阶差分加权：

前馈输出: result = α*(rin - lastRin) + β*(rin - 2*lastRin + prevRin)
         其中 α = A/(B*T), β = 1/(B*T^2)   (A、B 为对象模型参数, T 为采样周期)
复合控制: U(k) = Upid(k) + Uff(k)   // 位置式或增量式 PID 都行

第一项是”速度前馈”（设定值变化的快慢），第二项是”加速度前馈”（设定值变化的变化）。$\alpha$、$\beta$ 由你的电机模型参数和采样周期决定，没有万能值，得自己标。

死区补偿：一个不起眼但特别实用的小补丁

这个严格说属于《PID 进阶》里的”工程补丁”，但太常用、又特别容易被漏掉，这里单独点一下。

直流电机有个”死区电压”：大约是额定的 10%~15%（比如一个 12V 电机，低于约 1.5~2V 根本不转）。PID 算出来的小 PWM 如果落在死区里，电机纹丝不动——结果就是低速爬行、静差死活消不掉、起步迟滞。

解决办法很简单，输出非零时叠加一个死区偏置，把电机直接推出静摩擦区：

// 输出不为零时, 补一个死区偏置, 把电机踹出死区
if (pwm_out > 0)      pwm_out += PWM_DEADZONE;
else if (pwm_out < 0) pwm_out -= PWM_DEADZONE;

模糊 PID：报告里的”高级感”，赛场上的”性价比陷阱”

它解决”一套参数不够用”

普通 PID 全程就一套 Kp/Ki/Kd。但智能车是个时变、非线性的系统——高速时需要一套参数，低速时需要另一套，直道和急弯的需求完全不同。一套死参数顾此失彼。

模糊 PID 的做法是：输入当前偏差 $e$ 和偏差变化率 $ec$，经过模糊化（量化因子 $K_e = N/e_{max}$ 把 $e$ 映射到论域）→ 查一张 7×7 的模糊规则表（模糊子集 NB/NM/NS/ZO/PS/PM/PB）→ 模糊推理 → 解模糊（缩放因子 $K_u = u_{max}/N$）→ 在线输出 $\Delta K_p / \Delta K_i / \Delta K_d$，实时微调 PID 三个参数。

残酷的现实：省赛性价比偏低

模糊 PID 听起来很美，但它的调试自由度多得吓人——规则表、隶属度函数、量化因子、缩放因子，每一个都要调。

所以建议很明确：车先用普通 / 串级 PID 跑稳，确实有余力了再上模糊 PID，并且一定要在报告里给出对比曲线——”加了模糊 PID 之后，过弯误差从 X 降到 Y”，这种带数据的论证，比光堆一个”我们用了模糊 PID”的名词强一百倍。想找现成起点的话，FlameAlpha/fuzzy-pid（纯 C 实现）和 the-fenrir/Fuzzy-PID（直接面向 STM32 电机控制）都可以拿来改。

卡尔曼 vs 互补滤波：姿态融合该选哪个

这一节主要是给做直立车 / 平衡车的同学——姿态解算是直立车的命根子。四轮循迹车其实多数时候用陀螺 Z 轴 + 简单滤波锁航向就够了。

为什么要融合

MPU6050 这类 6 轴 IMU 有两个传感器，各有各的毛病：

• 加速度计算出的 Pitch/Roll 是绝对的（长期不漂），但噪声大、一晃就乱跳；
• 陀螺仪积分出的角度平滑（短期准），但会随时间漂移。

一阶互补滤波的公式和代码，《感知：灰度/电磁/编码器/IMU》一篇已经给过（$angle = a\cdot(angle + gyro\cdot dt) + (1-a)\cdot acc$，$a$ 取 0.98）。这里不重复推导，只把”两条路线怎么选”讲清楚。

互补滤波：简单、够用，省赛首选

互补滤波就一行核心公式，优点是计算量小、易于嵌入式实现，平衡车直立环完全够用。它的两个系数 $a$ 与 $1-a$ 之和必须等于 1，$a$ 的物理含义是 $a = \tau/(\tau+dt)$，$\tau$ 越大越信陀螺仪、跟随越慢。

它的局限是对陀螺仪零漂的抑制有限、初始收敛慢。

卡尔曼滤波：精度更高，但要交”学费”

卡尔曼把陀螺仪角速度（当先验/预测）和加速度计倾角（当观测）做最优融合，还能在线估计陀螺零偏，精度比互补滤波更高。代价是：计算量大、要懂点统计、还得调那两个噪声参数 $Q$ 和 $R$。

$Q$/$R$ 这两个参数的方向特别容易记反，这里给准确说法：

• $Q$（过程噪声）：越小越信模型/预测，越大越信测量。
• $R$（测量噪声）：越大响应越慢、越信预测；越小收敛越快，但过小会震荡。

调法：$R$ 的初值可以这样估——让陀螺仪静止采一段数据（近似正态分布），按 $3\sigma$ 原则取 $(3\sigma)^2$ 作 $R$ 初值；然后 $Q$ 由小到大、$R$ 由大到小慢慢试。平衡车常用的一套经典参数（TKJ 版）是 Q_angle=0.001, Q_bias=0.003, R_measure=0.03, dt=0.005~0.01。

结论：省赛优先互补，精度敏感再上卡尔曼

如果你做的是多轴/全姿态（不只直立环单轴），还有两条比手写卡尔曼更省心的路：带零偏在线估计的二阶互补滤波（专治一阶互补”零漂抑制有限”的毛病），以及无人机/AHRS 圈广泛用的 Madgwick/Mahony 四元数互补滤波（计算量介于一阶互补和卡尔曼之间）。想直接抄卡尔曼的，Mattral/Kalman-Filter-mpu6050 是即拿即用的姿态卡尔曼实现。

一张表：到底什么时候该上什么

把上面这些拢成一张决策表，照着对号入座就行：

算法	解决什么	何时值得上	性价比	调试成本
变速积分/积分分离	积分饱和、超调	匀速车，几乎都该上	很高	低
抗积分饱和(遇限削弱)	饱和退不掉→大超调	凡带积分的环必做	很高	低
死区补偿	低速爬行、静差消不掉	电机有明显死区	高	很低
Bang-Bang+PID	电机弱、想提速	扭矩不足、追用时	高	中
前馈	响应慢半拍、动态误差	高速过弯、目标突变	中高	中(要模型)
模糊 PID	一套参数不够用	余力 + 想要报告亮点	低(赛场)/高(报告)	高
卡尔曼	姿态精度/漂移	直立车且互补不够	中	高

几条压箱底的忠告

进阶算法这块，翻车的往往不是”算法没学会”，而是”用错了地方”。最后几条，记牢：

• 别本末倒置。 机械中值没找准、编码器测速不稳、PWM 频率/控制周期没固定，就急着堆模糊 PID/卡尔曼——地基不稳，高级算法只会放大问题、引入更多 bug。
• 控制周期必须固定且已知。 Ki、Kd、互补滤波的 $a$、卡尔曼的 $Q$/$R$，全都隐含依赖采样周期 $T$。一定要用硬件定时器中断跑控制环来保证周期恒定，把打印、无线发送这些放低优先级或降频。有队伍踩过坑：调 PID 时发现效果不只受 PID 数值影响，还明显受无线发数间隔、编码器测速间隔的影响——控制周期不稳是隐形杀手。
• 逐级加、留对比数据。 先用基础/串级 PID 跑稳跑完整圈，再按”变速积分 → Bang-Bang → 前馈 → 模糊 PID”逐级加，每加一个都留一份对比曲线。这既是科学的工程方法，也是答辩时最有说服力的素材。
• 报告别只堆名词。 论文/答辩里只写”我们用了模糊 PID/卡尔曼”却不讲”为什么需要 + 对比数据”，反而显得为用而用。把一个算法讲透 + 给曲线，远比罗列一堆名词加分。

讲到这里，电控的”控制”部分基本拼齐了。但小车要真正变聪明——看得懂赛道、认得出数字和色块、和主控对得上话——还差一双”眼睛”。下一篇我们就来聊 K230 视觉模块怎么用、怎么设计一套稳的通信协议，把视觉结论稳稳喂给主控。