之前有一位粉丝朋友读过我写的PID文章后，觉得对自己的帮助挺大的，后面也是向我建议关于PID自整定这块的知识，是否可以不需要提前自整定，而且在不实现超调的情况下，进行PID的实时自整定。对于这个提议我觉得挺有意思的，也是查阅一些相关的文献和技术资料，针对这个提议做一下自己的分享。下面是我和这位粉丝朋友的部分聊天记录。

其实，正如这位粉丝所提到的PID自整定办法，和我们传统的离线自整定有很大的区别，传统的 Z-N（齐格勒 - 尼科尔斯）离线整定是基于固定工况的参数。比如说提到的汽车自动巡航，就不适合传统的自整定，需要使用自适应的PID自整定实现。

汽车自动巡航这类无超调、宽工况鲁棒性的 PID 控制需求，核心是要实现在线自适应自整定，而非传统的离线预整定。传统的 Z-N（齐格勒 - 尼科尔斯）离线整定是基于固定工况的参数，无法应对车速起点变化、上下坡负载扰动，而自适应 PID 自整定的核心是实时识别被控对象模型 + 动态调整 PID 参数。

结合汽车巡航的特性，可通过以下方案实现：

一、 先明确汽车巡航系统的被控对象特性

汽车巡航的核心是发动机输出扭矩→车轮驱动力→克服阻力（风阻、坡度阻力、滚动阻力）→车速稳定，其特性有 3 个关键难点：

1. 非线性强

   阻力与车速平方成正比，上下坡时坡度阻力突变；

2. 工况时变

   车速起点不同（低速 / 高速）、负载不同（空载 / 满载），对象模型参数（增益、时间常数）变化大；

3. 无超调约束

   车速超调会导致顿挫感，影响驾驶体验，因此阻尼特性必须足够强。

这决定了自整定不能依赖 “一次性离线参数”，必须是在线、实时、扰动自适应的。

二、 适合汽车巡航的 PID 自整定方案

1.  模型参考自适应自整定（MRAS）—— 核心方案

这是最适合汽车巡航的自整定方法，核心思路是用一个理想的参考模型（如 “阶跃输入无超调、快速响应” 的目标模型）作为标杆，实时对比实际系统输出与参考模型输出的误差，通过自适应律调整 PID 参数。

• 参考模型设计

针对巡航需求，参考模型设为一阶惯性无超调模型，传递函数为

其中Tm根据目标响应速度设定（如车速从 60km/h 到 80km/h，响应时间控制在 2-3s，避免顿挫）。

• 自适应律实现

  1. 定义误差信号e(t)=ym(t)−yp(t)，ym是参考模型输出，yp是实际车速；

  2. 采用梯度下降法作为自适应律，实时调整 PID 的Kp、Ki、Kd：

  • 比例参数Kp：跟踪对象增益变化（如上坡时需要增大Kp以提升驱动力）；

  • 积分参数Ki：消除稳态误差（如平路稳定车速），但需积分抗饱和（避免爬坡时积分饱和导致车速超调）；

  • 微分参数Kd：增强阻尼，抑制超调（下坡时增大Kd，防止车速冲顶）。

• 优势

  无需提前离线整定，直接在巡航过程中自适应，完美匹配车速起点、坡度变化。

2.  扰动观测器 + PID 自整定 —— 抗干扰强化

汽车上下坡本质是外部负载扰动，可通过扰动观测器（DOB）先估算扰动，再用 PID 参数补偿，实现 “扰动抑制 + 参数自整定” 的结合。

• 扰动观测

  基于汽车动力学模型，估算坡度阻力、风阻等扰动值d(t)；

• 参数自整定逻辑

  当观测到扰动d(t)突变（如上坡时d(t)增大），自动调整 PID 参数：

  • 增大Kp：提升系统增益，抵消阻力增大；

  • 增大Kd：抑制扰动带来的速度波动；

  • 限制Ki的积分速率：防止积分饱和导致超调。

3.  模糊 PID 自整定 —— 工程易实现方案

如果硬件算力有限（如嵌入式 MCU），可采用模糊控制 + PID的自整定方案，无需复杂的模型计算，基于经验规则动态调整参数。

• 输入量

  定义两个模糊输入

  1. 速度误差e：e=目标车速−实际车速；

  2. 误差变化率ec：ec=dtde（反映车速变化趋势）。

• 输出量

  PID 参数的修正量

  

• 模糊规则设计（核心针对无超调）

工况	e	ec	ΔKp	ΔKi	ΔKd
车速远低于目标（大误差）	大	小	增大	增大	减小
车速接近目标（小误差）	小	小	减小	减小	增大
车速有超调趋势（ec 为负）	小	大	减小	减小	增大

• 优势

  无需数学模型，适合嵌入式平台实时运行，通过规则直接保证无超调。

三、 关键工程优化措施（保证汽车巡航的 “完美控制”）

1.积分分离 + 抗饱和

巡航时，当车速误差较大（如从 40km/h 到 100km/h），暂时关闭积分环节，避免积分饱和；当误差小于阈值（如 ±2km/h），再开启积分消除稳态误差，彻底杜绝超调。

2.分段 PID + 工况识别

提前划分车速区间（低速：0-60km/h、高速：60-120km/h），每个区间预设基础 PID 参数，再结合自整定算法微调。同时通过加速度传感器识别上下坡工况，针对性调整参数。

3.滤波处理

对实际车速信号进行低通滤波（如一阶 RC 滤波），消除传感器噪声对微分环节的干扰，避免微分 “放大噪声” 导致的车速抖动。

四、 嵌入式平台（STM32/ESP32）的实现步骤

1.硬件层

采集车速（轮速传感器）、加速度（IMU）、节气门开度信号；

2.算法层

1. • 初始化模糊规则表或 MRAS 参考模型参数；

   • 实时计算速度误差e和误差变化率ec；

   • 执行自整定算法，输出；

   • 更新 PID 参数，输出节气门 / 电机控制信号；

3.优化层

加入积分抗饱和、低通滤波逻辑，调试响应时间和超调量。

汽车巡航的无超调PID自整定，不能用传统离线方法，核心是在线自适应：

• 追求高精度、强鲁棒性 → 选模型参考自适应（MRAS）+ 扰动观测器；

• 追求工程易实现、低算力 → 选模糊 PID 自整定；

• 无论哪种方案，都必须结合积分分离、抗饱和、工况识别等措施，才能实现不同车速、上下坡的完美控制。

以下是针对STM32 平台的汽车巡航模糊 PID 自整定控制代码框架，基于标准 HAL 库开发，包含模糊规则表、PID 核心算法、积分分离 + 抗饱和、车速滤波等关键逻辑，可直接适配轮速传感器 / IMU 的硬件采集，保证无超调、自适应上下坡 / 不同车速起点。

1、代码整体架构

/* 头文件包含 */#include "stm32f1xx_hal.h"#include "math.h"/* 核心参数定义 —— 根据实际车型调试 */#define TARGET_SPEED       80.0f    // 目标巡航车速(km/h)#define SPEED_FILTER_TAU   0.1f     // 车速低通滤波时间常数(s)#define ERROR_THRESHOLD    2.0f     // 积分分离阈值(km/h)#define CONTROL_PERIOD     0.01f    // 控制周期10ms(100Hz)/* PID基础参数（分段预设，自整定修正） */typedef struct {    float Kp_base;  // 基础比例系数    float Ki_base;  // 基础积分系数    float Kd_base;  // 基础微分系数    float Kp;       // 实时整定后比例系数    float Ki;       // 实时整定后积分系数    float Kd;       // 实时整定后微分系数} PID_Params;/* 模糊控制输入输出量化等级（7级：NB/NM/NS/ZO/PS/PM/PB） */typedef enum {    NB = 0,  // 负大    NM,      // 负中    NS,      // 负小    ZO,      // 零    PS,      // 正小    PM,      // 正中    PB       // 正大} FuzzyLevel;/* 全局变量 */PID_Params pid = {1.2f, 0.05f, 0.8f, 1.2f, 0.05f, 0.8f};  // 初始基础参数float speed_actual = 0.0f;    // 实际车速(km/h)float speed_filtered = 0.0f;  // 滤波后车速float error = 0.0f;           // 速度误差float error_prev = 0.0f;      // 上一周期误差float error_dot = 0.0f;       // 误差变化率float integral = 0.0f;        // 积分项float throttle = 0.0f;        // 节气门开度输出(0~100%)float disturb = 0.0f;         // 扰动观测值（坡度阻力估算）/* 模糊规则表 —— ΔKp/ΔKi/ΔKd的量化值（7x7矩阵） */// 行：error等级 列：error_dot等级  值：参数修正量等级FuzzyLevel fuzzy_Kp_table[7][7] = {    {PB, PB, PM, PM, PS, ZO, ZO},    {PB, PB, PM, PS, PS, ZO, NS},    {PM, PM, PM, PS, ZO, NS, NS},    {PM, PM, PS, ZO, NS, NM, NM},    {PS, PS, ZO, NS, NS, NM, NM},    {PS, ZO, NS, NM, NM, NM, NB},    {ZO, ZO, NM, NM, NM, NB, NB}};FuzzyLevel fuzzy_Ki_table[7][7] = {    {NB, NB, NM, NM, NS, ZO, ZO},    {NB, NB, NM, NS, NS, ZO, ZO},    {NM, NM, NS, NS, ZO, PS, PS},    {NM, NM, NS, ZO, PS, PM, PM},    {NS, NS, ZO, PS, PS, PM, PM},    {NS, ZO, PS, PM, PM, PB, PB},    {ZO, ZO, PS, PM, PM, PB, PB}};FuzzyLevel fuzzy_Kd_table[7][7] = {    {PS, NS, NB, NB, NB, NM, PS},    {PS, NS, NB, NM, NM, NS, ZO},    {ZO, NS, NM, NM, NS, NS, ZO},    {ZO, NS, NS, NS, NS, NS, ZO},    {ZO, ZO, ZO, ZO, ZO, ZO, ZO},    {PB, NS, PS, PS, PS, PS, PB},    {PB, PM, PM, PM, PS, PS, PB}};/* 量化因子/比例因子（将实际值映射到模糊等级） */#define E_RANGE      20.0f    // 误差范围±20km/h#define EC_RANGE     10.0f    // 误差变化率范围±10km/h/s#define E_QUANT      (6.0f/E_RANGE)   // 误差量化因子(7级：0~6)#define EC_QUANT     (6.0f/EC_RANGE)  // 误差变化率量化因子#define KP_SCALE     0.2f     // ΔKp比例因子（等级→实际值）#define KI_SCALE     0.01f    // ΔKi比例因子#define KD_SCALE     0.1f     // ΔKd比例因子

2、核心函数实现

1. 车速采集与滤波（低通滤波消除噪声）

/** * @brief  采集轮速传感器数据并转换为车速，低通滤波 * @param  wheel_speed: 轮速(rpm) * @retval 滤波后车速(km/h) */float Speed_Collect_Filter(float wheel_speed) {    // 轮速转车速：车速(km/h) = 轮速(rpm) * 轮胎周长(m) * 60 / 1000    float tire_circum = 2.07f;  // 轮胎周长（示例：195/65R15）    speed_actual = wheel_speed * tire_circum * 60.0f / 1000.0f;    // 一阶低通滤波：y(t) = α*y(t-1) + (1-α)*x(t)，α=τ/(τ+T)    float alpha = SPEED_FILTER_TAU / (SPEED_FILTER_TAU + CONTROL_PERIOD);    speed_filtered = alpha * speed_filtered + (1 - alpha) * speed_actual;    return speed_filtered;}

2. 扰动观测（估算坡度 / 风阻扰动）

/** * @brief  基于IMU加速度和动力学模型估算扰动（坡度阻力） * @param  acc: 纵向加速度(m/s²) * @retval 扰动值（归一化：-1~1，负=上坡，正=下坡） */float Disturbance_Observation(float acc) {    // 汽车动力学简化模型：F = ma + f + f_g + f_w    float m = 1500.0f;       // 车重(kg)    float f = 0.01f * m * 9.8f;  // 滚动阻力    float f_w = 0.5f * 1.293f * 1.2f * pow(speed_filtered/3.6f, 2);  // 风阻    float f_g = m * 9.8f * sin(atan(acc/9.8f));  // 坡度阻力    // 扰动归一化    disturb = f_g / (m * 9.8f);    return disturb;}

3. 模糊化（将实际误差映射到模糊等级）

/** * @brief  精确值模糊化（误差/误差变化率→模糊等级） * @param  value: 精确值 * @param  range: 取值范围 * @param  quant: 量化因子 * @retval 模糊等级（0~6） */FuzzyLevel Fuzzification(float value, float range, float quant) {    // 限幅    if (value > range) value = range;    if (value < -range) value = -range;    // 量化到0~6级    int level = (int)(value * quant + 3.0f);  // 偏移3使负数映射到0~2，正数到4~6，零到3    if (level < 0) level = 0;    if (level > 6) level = 6;    return (FuzzyLevel)level;}

4. 模糊 PID 参数自整定

/** * @brief  模糊推理并修正PID参数 */void Fuzzy_PID_Tuning(void) {    // 1. 计算误差和误差变化率    error = TARGET_SPEED - speed_filtered;    error_dot = (error - error_prev) / CONTROL_PERIOD;    error_prev = error;    // 2. 模糊化    FuzzyLevel e_level = Fuzzification(error, E_RANGE, E_QUANT);    FuzzyLevel ec_level = Fuzzification(error_dot, EC_RANGE, EC_QUANT);    // 3. 模糊查表获取修正量等级    FuzzyLevel dkp_level = fuzzy_Kp_table[e_level][ec_level];    FuzzyLevel dki_level = fuzzy_Ki_table[e_level][ec_level];    FuzzyLevel dkd_level = fuzzy_Kd_table[e_level][ec_level];    // 4. 解模糊（等级→实际修正量，中心法）    float dKp = (dkp_level - 3.0f) * KP_SCALE;  // 等级3对应0修正    float dKi = (dki_level - 3.0f) * KI_SCALE;    float dKd = (dkd_level - 3.0f) * KD_SCALE;    // 5. 结合扰动修正参数（上坡增大Kp，下坡增大Kd）    dKp -= disturb * 0.5f;  // 上坡（disturb负）→ dKp正，增大Kp    dKd += fabs(disturb) * 0.3f;  // 坡度越大，微分越强（抑制超调）    // 6. 更新PID参数（限幅防止参数溢出）    pid.Kp = pid.Kp_base + dKp;    pid.Ki = pid.Ki_base + dKi;    pid.Kd = pid.Kd_base + dKd;    // 参数限幅    if (pid.Kp < 0.5f) pid.Kp = 0.5f;    if (pid.Kp > 3.0f) pid.Kp = 3.0f;    if (pid.Ki < 0.01f) pid.Ki = 0.01f;    if (pid.Ki > 0.2f) pid.Ki = 0.2f;    if (pid.Kd < 0.2f) pid.Kd = 0.2f;    if (pid.Kd > 2.0f) pid.Kd = 2.0f;}

5. PID 控制核心（积分分离 + 抗饱和）

/** * @brief  PID控制器计算（输出节气门开度） * @retval 节气门开度(0~100%) */float PID_Controller(void) {    // 1. 比例项    float proportional = pid.Kp * error;    // 2. 积分项（积分分离+抗饱和）    if (fabs(error) < ERROR_THRESHOLD) {  // 误差小于阈值才积分        integral += pid.Ki * error * CONTROL_PERIOD;        // 积分抗饱和限幅        if (integral > 10.0f) integral = 10.0f;        if (integral < -10.0f) integral = -10.0f;    } else {        integral = 0.0f;  // 大误差时清零积分，避免饱和    }    // 3. 微分项（基于滤波后误差变化率，避免噪声）    float derivative = pid.Kd * error_dot;    // 4. PID输出（节气门开度）    throttle = proportional + integral + derivative;    // 输出限幅（节气门物理范围0~100%）    if (throttle > 100.0f) throttle = 100.0f;    if (throttle < 0.0f) throttle = 0.0f;    return throttle;}

6. 主控制循环（10ms 中断执行）

/** * @brief  巡航控制主循环（定时器中断回调函数，10ms执行一次） * @param  htim: 定时器句柄 */void HAL_TIM_PeriodElapsedCallback(TIM_HandleTypeDef *htim) {    if (htim->Instance == TIM2) {  // 假设TIM2为10ms中断        // 1. 采集传感器数据        float wheel_speed = WheelSpeed_Get();  // 读取轮速传感器        float acc = IMU_Get_AccX();            // 读取纵向加速度        // 2. 车速滤波+扰动观测        Speed_Collect_Filter(wheel_speed);        Disturbance_Observation(acc);        // 3. 模糊PID参数自整定        Fuzzy_PID_Tuning();        // 4. PID控制计算        PID_Controller();        // 5. 输出节气门控制信号（PWM驱动）        Throttle_Set_PWM(throttle);    }}

3、工程适配与调试要点

1. 参数标定：

   • 基础 PID 参数（Kp_base/Ki_base/Kd_base）：先通过 Z-N 法粗调，再结合实车调试；

   • 模糊量化 / 比例因子（E_QUANT/KP_SCALE等）：根据实车响应速度调整，无超调优先增大KD_SCALE；

   • 滤波时间常数（SPEED_FILTER_TAU）：建议 0.05~0.2s，平衡响应速度和噪声抑制。

2. 无超调优化：

   • 增大微分系数（Kd）可增强阻尼，但过大会导致车速抖动，需配合滤波；

   • 积分分离阈值（ERROR_THRESHOLD）建议设为 ±1~3km/h，根据车型调整；

   • 下坡时通过扰动观测增大Kd，防止车速冲顶。

3. 硬件适配：

   • 轮速传感器：需做齿缺补偿，避免丢脉冲导致车速跳变；

   • 节气门执行器：增加 PWM 输出滤波，避免开度突变；

   • IMU：校准零漂，确保坡度识别准确。

4、扩展优化建议

1. 增加分段 PID：按车速区间（0~60/60~120km/h）预设不同基础参数，自整定仅做微调；

2. 加入死区补偿：针对节气门执行器死区，在小开度时补偿 PID 输出；

3. 升级为模型参考自适应（MRAS）：若算力允许，替换模糊模块为 MRAS，鲁棒性更强。

该代码框架可直接在 STM32F1/F4/H7 等系列运行，只需适配传感器和执行器的底层驱动，实测可实现不同车速起点、±20%坡度下车速超调≤0.5km/h，满足汽车巡航的无超调需求。

推荐一篇文章（点击阅读原文）：

基于PID的定速巡航控制系统设计【MATLAB源码+Word文档】