{
 "byKey": {
  "cover": [
   { "say": "大家好,歡迎回到從無到有打造 A I 機器人。這一章是 P I D 控制。上一章的 bang-bang 循線會左右搖擺,這一章我們要學 P I D,讓循線和直行都更平穩。", "item": 0 }
  ],
  "原理:PID 三項各自在做什麼#1": [
   { "say": "我們先從原理開始,P I D 三項各自在做什麼。", "item": 0 },
   { "say": "想像你用方向盤,把車開回車道中央。P 是現在偏多遠,就打多少。I 是長期一直偏右,就慢慢加一點往左的力。D 是看到車正快速回到中央,就先回正方向盤,免得過頭。", "item": 1 },
   { "say": "三種反應同時存在,才開得又準又穩。", "item": 1 }
  ],
  "原理:PID 三項各自在做什麼#2": [
   { "say": "這張圖把誤差曲線,和 P、I、D 三項的輸出放在一起比較。", "item": 0 },
   { "say": "你可以看到,P 項的形狀和誤差一樣;I 項會持續累積;D 項在誤差快速下降的時候,是負的。", "item": 1 }
  ],
  "原理:PID 三項各自在做什麼#3": [
   { "say": "接著看三項的數學意義,還有離散化。", "item": 0 },
   { "say": "誤差等於目標減去測量值。P 項是比例常數乘以誤差,對應現在。I 項是積分,對應過去的累積。D 項是微分,對應未來的趨勢。總輸出是三項相加。", "item": 1 },
   { "say": "程式是每隔一小段時間 dt 執行一次,所以積分變成累加,把誤差乘以 dt 加進去;微分變成差分,用這一次的誤差減上一次的誤差,再除以 dt。", "item": 2 },
   { "say": "你可以想像,把曲線下的面積,切成一個個寬度是 dt 的長方形再加總。dt 越小,越接近連續,但是必須固定。", "item": 2 }
  ],
  "原理:PID 三項各自在做什麼#4": [
   { "say": "這張圖畫的就是離散化。", "item": 0 },
   { "say": "連續的誤差曲線,被切成一個個寬度是 dt 的長方形。積分就是把長方形的面積累加,微分則是用相鄰兩點的差分來計算。", "item": 1 }
  ],
  "原理:PID 三項各自在做什麼#5": [
   { "say": "我們來算一個數值例題。", "item": 0 },
   { "say": "設定 Kp 等於二、Ki 等於一、Kd 等於零點五,dt 是零點一秒。誤差依序是一點零、零點六、零點三,起始的上一次誤差是一點零。", "item": 1 },
   { "say": "第一步,積分是零點一,微分是零,輸出等於二乘一,加一乘零點一,等於二點一。", "item": 1 },
   { "say": "第二步,積分是零點一六,微分是零點六減一點零,再除以零點一,等於負四。輸出等於二乘零點六,加零點一六,再加零點五乘負四,也就是一點二加零點一六減二點零,等於負的零點六四。", "item": 2 },
   { "say": "第三步,積分是零點一九,微分是負三。輸出等於零點六,加零點一九,減一點五,等於負的零點七一。", "item": 3 },
   { "say": "你看,第二步輸出變成負值。誤差下降得很快,D 項提前踩煞車,避免衝過目標。這也顯示,Kd 太大會過度反應。", "item": 4 }
  ],
  "原理:PID 三項各自在做什麼#6": [
   { "say": "這是剛剛例題的前兩步算式。", "item": 0 },
   { "say": "第一步,積分等於零點一,D 等於零,輸出是二點一。", "item": 1 },
   { "say": "第二步,積分是零點一六,D 是負四,輸出是負的零點六四。", "item": 2 }
  ],
  "原理:PID 三項各自在做什麼#7": [
   { "say": "這是第三步的算式。", "item": 0 },
   { "say": "積分累加到零點一九,D 等於零點三減零點六,再除以零點一,是負三,輸出是負的零點七一。誤差繼續縮小,D 項繼續在踩煞車。", "item": 1 }
  ],
  "PID 的概念與離散化實作#1": [
   { "say": "好,接下來是 P I D 的概念與離散化實作。為什麼需要 P I D?", "item": 0 },
   { "say": "bang-bang 控制只有偏左、偏右兩種反應,結果是來回搖擺。P I D 控制用偏多少,決定修正多少,偏得多修得多,偏得少修得少,動作就會平順。P I D 是工業和機器人最常用的回授控制。", "item": 0 },
   { "say": "第一個字母 P,是比例。輸出正比於目前的誤差。反應快,但是只有 P 可能留下穩態誤差,Kp 太大會震盪。", "item": 1 },
   { "say": "第二個字母 I,是積分。輸出正比於誤差的累積。能消除長期的偏差,但是太大會過衝和飽和。", "item": 2 },
   { "say": "第三個字母 D,是微分。輸出正比於誤差的變化率。能抑制過衝,就像阻尼,但是會放大雜訊。", "item": 3 }
  ],
  "PID 的概念與離散化實作#2": [
   { "say": "這張圖是 P I D 控制迴路。", "item": 0 },
   { "say": "從左邊開始,目標值減去感測器的測量值,得到誤差。誤差經過比例、積分、微分三項,相加之後驅動馬達和車體,最後再由感測器回授,形成一個閉迴路。", "item": 1 }
  ],
  "PID 的概念與離散化實作#3": [
   { "say": "再來,程式裡怎麼算。", "item": 0 },
   { "say": "誤差等於目標值減測量值。輸出等於三項加總。對循線來說,誤差可以是線相對於車體中心的位置,輸出則加到左右輪速度的差上。", "item": 1 },
   { "say": "微控制器每隔固定的時間 dt,例如二十毫秒,也就是零點零二秒,執行一次控制。積分變成累加,微分變成差分。", "item": 2 },
   { "say": "我們來看例題。Kp 是三十、Ki 是二、Kd 是五,dt 是零點零二秒。這一步誤差是零點五,上一步是一點零,積分累積值目前是零點三。", "item": 3 },
   { "say": "這個例子微分項很大,而且和誤差方向相反,表示誤差縮小得太快,微分項在踩煞車。實務上 Kd 通常小得多,並且需要濾波。", "item": 4 }
  ],
  "PID 的概念與離散化實作#4": [
   { "say": "我們來看算式。", "item": 0 },
   { "say": "積分的更新,是每次把誤差乘以 dt 加進去。", "item": 1 },
   { "say": "微分,是這一次的誤差減上一次的誤差,再除以 dt。", "item": 2 },
   { "say": "代入例題,積分等於零點三,加零點五乘零點零二,等於零點三一。", "item": 3 },
   { "say": "微分等於零點五減一點零,再除以零點零二,等於負二十五。", "item": 4 }
  ],
  "PID 的概念與離散化實作#5": [
   { "say": "最後把三項加起來。", "item": 0 },
   { "say": "輸出等於三十乘零點五,加二乘零點三一,再加五乘負二十五,也就是十五加零點六二,減一百二十五,等於負的一百零九點三八。", "item": 1 }
  ],
  "PID 的概念與離散化實作#6": [
   { "say": "接下來看 C 加加的實作。", "item": 0 },
   { "say": "畫面上這一段程式的意思是,先取得現在的時間,算出和上一次的時間差 dt。如果 dt 不大於零,就先回傳零。接著把積分加上誤差乘以 dt,算出微分,記下這一次的誤差,最後回傳三項加總的結果。", "item": 1 },
   { "say": "要注意,控制週期要固定。如果 loop 速度忽快忽慢,積分和微分的數值都會失真。用實際量到的 dt 計算可以補償,但是太大的 dt,例如因為 delay,仍然會讓控制變差。", "item": 2 }
  ],
  "PID 的概念與離散化實作#7": [
   { "say": "這是完整程式的開頭。", "item": 0 },
   { "say": "先設定三個係數,Kp 三十、Ki 零點五、Kd 五。", "item": 1 },
   { "say": "再宣告積分和上一次誤差兩個變數,初始是零。", "item": 2 },
   { "say": "然後是記錄上一次時間的變數。", "item": 3 },
   { "say": "最後是 pidStep 函式的開頭,輸入誤差,回傳修正量。函式的內容就是剛剛說的那一段。", "item": 4 }
  ],
  "積分飽和、微分雜訊與調參流程#1": [
   { "say": "接下來是積分飽和、微分雜訊,還有調參流程。先看積分飽和,英文叫 Integral Windup。", "item": 0 },
   { "say": "馬達輸出有上限,P W M 最多二百五十五。當誤差長時間無法消除,例如車子被卡住,或是線一直在最外側,積分項會一直累加到非常大。", "item": 1 },
   { "say": "等到誤差終於消失的時候,積分項還很大,車子會長時間衝過頭。這叫積分飽和。", "item": 1 }
  ],
  "積分飽和、微分雜訊與調參流程#2": [
   { "say": "這張圖是三條階躍響應的示意曲線。", "item": 0 },
   { "say": "增益太小,響應慢;增益太大,會過衝、震盪;適中再加上微分,就能快速穩定下來。調參的時候,可以用這三種曲線來判斷自己在哪一種狀況。", "item": 1 }
  ],
  "積分飽和、微分雜訊與調參流程#3": [
   { "say": "那要怎麼抗飽和呢?有四個做法。", "item": 0 },
   { "say": "第一,限制積分項的範圍。", "item": 1 },
   { "say": "第二,輸出已經飽和的時候,停止累積,這叫條件式積分。", "item": 2 },
   { "say": "第三,誤差變號,也就是線穿過中心,或是脫線的時候,清除積分。", "item": 3 },
   { "say": "第四,馬達停止,或進入 STOP 狀態的時候,重設積分和上一次的誤差。", "item": 4 }
  ],
  "積分飽和、微分雜訊與調參流程#4": [
   { "say": "這是對應的兩行程式。", "item": 0 },
   { "say": "第一行,用 constrain 函式,把積分限制在正負 I 底線 MAX 之間。", "item": 1 },
   { "say": "第二行,如果這一次的誤差乘上一次的誤差小於零,表示誤差變號了,就把積分清成零。", "item": 2 }
  ],
  "積分飽和、微分雜訊與調參流程#5": [
   { "say": "接著是微分雜訊。微分是誤差的差分,感測器的小抖動,會被除以很小的 dt 放大。", "item": 0 },
   { "say": "第一個解法,對測量值做低通濾波,例如新的濾波值,等於零點七乘舊的濾波值,加零點三乘新讀到的值。", "item": 1 },
   { "say": "第二,減小 Kd。", "item": 2 },
   { "say": "第三,用較長的控制週期。", "item": 3 },
   { "say": "第四,進階做法,讓微分作用在測量值,而不是誤差上,避免目標值突然變動時的微分衝擊。", "item": 4 }
  ],
  "積分飽和、微分雜訊與調參流程#6": [
   { "say": "再來是輸出限幅與速度上限。", "item": 0 },
   { "say": "P I D 的輸出,要轉成馬達指令。畫面上這一段程式的意思是,先算出修正量,左輪速度等於基本速度加修正量,右輪速度等於基本速度減修正量,兩個都限制在負一百到一百之間,再送給馬達。", "item": 1 },
   { "say": "限幅之後,仍然要保留速度上限和最小啟動值的考量,第三章講過,否則低速的時候馬達不轉。", "item": 2 }
  ],
  "積分飽和、微分雜訊與調參流程#7": [
   { "say": "這是對應的完整程式。", "item": 0 },
   { "say": "先呼叫 pidStep,算出修正量。", "item": 1 },
   { "say": "左輪是基本速度加修正量,並限幅。", "item": 2 },
   { "say": "右輪是基本速度減修正量,並限幅。", "item": 3 },
   { "say": "最後呼叫 setMotors,把左右輪的速度送出去。", "item": 4 }
  ],
  "把 PID 用在循線與直行#1": [
   { "say": "好,最後我們把 P I D 用在循線和直行。先看循線,用加權位置當誤差。", "item": 0 },
   { "say": "三顆二元感測器,可以算出一個連續的線位置。左邊是負一,中間是零,右邊是正一,以讀到黑線的個數做加權平均。", "item": 1 },
   { "say": "例如讀值左一、中一、右零,位置等於零減一,除以二,等於負零點五,表示線在左偏半格。", "item": 2 },
   { "say": "程式裡的 linePosition 函式,先記住最後的位置,讀三顆感測器,算出黑線的個數。如果個數是零,就回傳最後方向的極值;否則算出加權位置並記住。", "item": 3 },
   { "say": "然後在 loop 裡,把這個位置當誤差,目標是零,也就是線在中央。送進 P I D 之後,用基本速度加減修正量控制左右輪,每二十毫秒一圈。", "item": 4 },
   { "say": "正負號要特別注意,誤差是正的,代表線在右,要向右轉,所以左輪加速、右輪減速。如果方向相反,就把修正量的正負號對調。", "item": 5 }
  ],
  "把 PID 用在循線與直行#2": [
   { "say": "這是循線程式的第一部分。", "item": 0 },
   { "say": "位置的公式是右減左,再除以左、中、右三個值的總和。要注意,三顆都是零的時候,這個式子是沒有定義的。", "item": 1 },
   { "say": "下面是 linePosition 函式的開頭,回傳負一到正一,脫線的時候,回傳最後一次方向的極值。", "item": 2 }
  ],
  "把 PID 用在循線與直行#3": [
   { "say": "這是第二部分。", "item": 0 },
   { "say": "先把 linePosition 函式結束。", "item": 1 },
   { "say": "接著是 loop,每一圈算誤差、算修正量、控制馬達,最後等二十毫秒。", "item": 2 },
   { "say": "最後的大括號,把 loop 結束。", "item": 3 }
  ],
  "把 PID 用在循線與直行#4": [
   { "say": "接著是脫線處理。", "item": 0 },
   { "say": "三顆都沒看到線的時候,用最後方向的極值當誤差,讓 P I D 轉回去找。如果連續超過某個時間,例如一到兩秒,還是找不到線,就進入 STOP。同時要重設積分。", "item": 1 }
  ],
  "把 PID 用在循線與直行#5": [
   { "say": "再來是直行,用 I M U 的偏航角。", "item": 0 },
   { "say": "兩顆馬達的特性不同,同樣的 P W M 會跑出不同的速度,車子會慢慢偏掉。所以用 I M U 的偏航角當回授,第四章學過。目標偏航角是出發時的角度,誤差是目標和目前偏航角的差。", "item": 1 },
   { "say": "要注意角度環繞。畫面上這個函式,是把角度限制在負一百八十度到正一百八十度之間,超過就加或減三百六十度。", "item": 2 },
   { "say": "舉例來說,目標是五度,現在是三百五十五度,直接相減是負三百五十度,車子會大轉彎。經過環繞處理之後,是正十度,才是正確的誤差。", "item": 3 },
   { "say": "輸出則用差速:左輪是基本速度減修正量,右輪是基本速度加修正量。方向依 I M U 和馬達的安裝而異,要先實測。", "item": 3 }
  ],
  "把 PID 用在循線與直行#6": [
   { "say": "這是環繞函式的程式。", "item": 0 },
   { "say": "函式從這裡開始。裡面兩個 while,角度大於一百八十就減三百六十,小於負一百八十就加三百六十,最後回傳。", "item": 1 },
   { "say": "函式在這裡結束。", "item": 2 },
   { "say": "下面這一行,誤差等於目標偏航角減目前偏航角,再經過環繞處理。", "item": 3 }
  ],
  "把 PID 用在循線與直行#7": [
   { "say": "最後是其他的回授來源。", "item": 0 },
   { "say": "如果馬達有編碼器,這依零件而異,左右輪的轉速差也能當誤差。短距離的精度,通常比 I M U 更穩,或是兩者融合。這屬於進階的主題。", "item": 1 }
  ],
  "closing": [
   { "say": "好,這一章我們學了 P I D 三項各自的意義、離散化和程式實作、抗積分飽和和微分雜訊的處理,還有怎麼把 P I D 用在循線和直行。調參的時候,記得一次只改一個係數,慢慢觀察。", "item": 0 },
   { "say": "接下來請完成本章的實作,再做章末小測驗,檢查自己學會了多少。我們下一章見。", "item": 1, "pause": 1 }
  ]
 }
}
