{
 "byKey": {
  "cover": [
   {
    "say": "大家好,歡迎回到從無到有打造 A I 機器人。這一章,我們要學回授控制裡最經典的方法,P I D。會看到 P I D 三項各自在做什麼、怎麼用程式實作,以及怎麼用在直線行駛和循線上。",
    "item": 0
   }
  ],
  "原理:PID 三項各自在做什麼#1": [
   {
    "say": "先用一個生活類比,調洗澡水溫。",
    "item": 0
   },
   {
    "say": "你想把水調到四十度。感覺偏冷,就把熱水轉開一點,這是依現在差多少來調整。如果一直都差一點點,你會慢慢多轉一些,這是依累積了多久來調整。看到溫度上升很快,你會提早把熱水轉小,免得衝過頭,這是依變化多快來調整。",
    "item": 1
   },
   {
    "say": "這三種直覺,就是 P I D 的比例、積分、微分。",
    "item": 1
   }
  ],
  "原理:PID 三項各自在做什麼#2": [
   {
    "say": "這張圖,用調整水龍頭水溫,來類比 P I D。",
    "item": 0
   },
   {
    "say": "請依序看。只用比例,因為有延遲,水溫會停在稍微偏冷的地方。加上積分,會慢慢補足殘留的差距,但可能會過熱。再加上微分,會提前收小,避免衝過頭,不過它對雜訊比較敏感。",
    "item": 1
   }
  ],
  "原理:PID 三項各自在做什麼#3": [
   {
    "say": "我們來看原理。P I D 的三項,看的是誤差的三個面向。",
    "item": 0
   },
   {
    "say": "P,比例,看的是現在。輸出與目前的誤差成正比,誤差大就大力修正,誤差小就小力修正。",
    "item": 1
   },
   {
    "say": "I,積分,看的是過去。把過去的誤差加起來,只要誤差持續存在,積分就不斷變大,直到把誤差壓到零為止。",
    "item": 2
   },
   {
    "say": "D,微分,看的是未來的趨勢。誤差下降得越快,代表快到了,就提早減少輸出,像是提早放油門。",
    "item": 3
   }
  ],
  "原理:PID 三項各自在做什麼#4": [
   {
    "say": "把它寫成公式。誤差 e,等於目標減實際,P I D 的輸出 u 是三項的和。",
    "item": 0
   },
   {
    "say": "u 等於 Kp 乘誤差,加上 Ki 乘誤差的積分,再加上 Kd 乘誤差的微分,也就是誤差的變化率。",
    "item": 1
   }
  ],
  "原理:PID 三項各自在做什麼#5": [
   {
    "say": "這張圖,在同一條誤差曲線上,看三種觀點。",
    "item": 0
   },
   {
    "say": "此刻的高度,對應比例項。曲線下的面積,對應積分項。曲線的斜率,對應微分項。右側列出三項的口語比喻,下方還有公式與數值例。",
    "item": 1
   }
  ],
  "原理:PID 三項各自在做什麼#6": [
   {
    "say": "接下來,為什麼純 P 會留下穩態誤差?",
    "item": 0
   },
   {
    "say": "假設小車要維持直走,需要持續給右輪額外五單位的輸出,才能抵銷左輪較強的偏差。純 P 控制的輸出,等於 Kp 乘誤差。如果 Kp 是二,要產生五單位的輸出,就必須有誤差等於五除以二,也就是二點五。",
    "item": 1
   },
   {
    "say": "也就是留下二點五的固定誤差,因為誤差一旦變成零,輸出也變成零,偏差又回來了。",
    "item": 2
   },
   {
    "say": "積分項會把殘留的誤差一直累積,直到輸出剛好等於需要的五為止,這時誤差就趨近於零。這就是 I 項的作用。",
    "item": 3
   }
  ],
  "原理:PID 三項各自在做什麼#7": [
   {
    "say": "最後,為什麼有延遲就會震盪?",
    "item": 0
   },
   {
    "say": "馬達和車體對指令有延遲,例如零點一秒之後才反映。Kp 太大的時候,控制器看到誤差大就猛推,結果還沒出現又繼續推,等結果出現時已經過頭,反向修正又過頭,於是來回震盪,甚至越震越大,變成不穩定。增益越大、延遲越長,越容易這樣。",
    "item": 1
   },
   {
    "say": "D 項靠預測趨勢,減少這種過頭。調參的時候,把 Kp 往上加到剛開始震盪,再取一半,就是這個道理。",
    "item": 1
   }
  ],
  "開迴路與閉迴路:為什麼需要回授#1": [
   {
    "say": "好,我們進入第一個單元。先看開迴路的極限。",
    "item": 0
   },
   {
    "say": "第三章,我們讓兩顆馬達以同樣的 duty 轉動,期待車子走直線。實際上,左右馬達的特性不同,電池電量在變,地面的摩擦也有差異,車子會慢慢偏向一邊。",
    "item": 1
   },
   {
    "say": "這種下指令但不看結果的方式,叫開迴路。它很簡單,但只要環境變化,誤差就沒辦法自己修正。",
    "item": 1
   }
  ],
  "開迴路與閉迴路:為什麼需要回授#2": [
   {
    "say": "閉迴路的做法是,量測、比較、修正。",
    "item": 0
   },
   {
    "say": "閉迴路的想法是,持續量測實際的結果,和目標比較,用差距去調整輸出。這個差距,叫做誤差。",
    "item": 1
   },
   {
    "say": "例如要讓車子保持航向零度,目標是零,I M U 量到 yaw 是五度,誤差就是負五度,也就是車子偏左了五度。控制器就讓右輪慢一點、左輪快一點,把車頭拉回來。",
    "item": 2
   },
   {
    "say": "誤差的公式很簡單,誤差等於目標值減實際值。",
    "item": 3
   }
  ],
  "開迴路與閉迴路:為什麼需要回授#3": [
   {
    "say": "這張是 P I D 回授控制迴路的方塊圖,請從左往右看。",
    "item": 0
   },
   {
    "say": "目標值減去感測器回授,得到誤差。誤差分別經過比例、積分、微分三項,再相加成輸出,送到馬達與車體。車體的結果,再由感測器回傳,回到最前面比較,形成一個閉迴路。",
    "item": 1
   }
  ],
  "開迴路與閉迴路:為什麼需要回授#4": [
   {
    "say": "最簡單的回授,是比例控制,也就是 P。輸出與誤差成正比,Kp 是比例增益。Kp 的影響有三種情況。",
    "item": 0
   },
   {
    "say": "太小,反應慢,修正的力道不夠,誤差拖很久才消失。",
    "item": 1
   },
   {
    "say": "剛好,就能快速接近目標。",
    "item": 2
   },
   {
    "say": "太大,修正過頭,車子左右擺盪,甚至越擺越大,變得不穩定。",
    "item": 3
   },
   {
    "say": "公式是 u 等於 Kp 乘 e。例如 Kp 是二點零,誤差十五度,u 就是三十,把它分配到左右輪,右輪加 u,左輪減 u,前提是符號規則以逆時針為正。",
    "item": 4
   },
   {
    "say": "這和第五章的階梯式轉彎不同,誤差越大,修正越大,誤差越小,修正越小,所以車子的運動更平順。",
    "item": 4
   }
  ],
  "開迴路與閉迴路:為什麼需要回授#5": [
   {
    "say": "P 控制有個弱點,穩態誤差。",
    "item": 0
   },
   {
    "say": "如果車子需要一點持續的輸出,才能維持直走,例如左輪比較弱,要多給百分之五,純 P 控制在誤差等於零的時候,輸出也是零,永遠達不到剛好補償。",
    "item": 1
   },
   {
    "say": "結果就是留下一個小而固定的殘留誤差,叫做穩態誤差。解法是加入 I 項,下一單元會說明。",
    "item": 1
   }
  ],
  "開迴路與閉迴路:為什麼需要回授#6": [
   {
    "say": "再來,要注意控制迴圈的時間。",
    "item": 0
   },
   {
    "say": "I M U 讀取、計算加輸出,大約五毫秒,迴圈設成二十毫秒,也就是五十赫茲。",
    "item": 1
   },
   {
    "say": "Python 的 time sleep 精度有限,而且樹莓派可能被其他程式打斷,所以計算 dt 的時候,要用實際經過的時間,也就是 time monotonic,不要假設是固定值。",
    "item": 2
   },
   {
    "say": "迴圈太慢,例如每二百毫秒一次,會造成延遲,而延遲是控制不穩的主要原因之一。",
    "item": 3
   }
  ],
  "開迴路與閉迴路:為什麼需要回授#7": [
   {
    "say": "還有量測的品質,也會影響控制。",
    "item": 0
   },
   {
    "say": "第一是雜訊。陀螺儀和超音波都有雜訊,D 項會把它放大,所以需要濾波。",
    "item": 1
   },
   {
    "say": "第二是延遲。相機影像有幾十到上百毫秒的延遲,不能期待它和 I M U 一樣快,第七章會談到。",
    "item": 2
   },
   {
    "say": "第三是解析度與量化。編碼器每圈的脈衝數少,低速的時候,速度估計會跳動。",
    "item": 3
   }
  ],
  "PID 三項與離散實作#1": [
   {
    "say": "第二個單元,P I D 三項與離散實作。先複習一下三個項。",
    "item": 0
   },
   {
    "say": "P,比例,看現在的誤差,誤差越大,推得越用力。",
    "item": 1
   },
   {
    "say": "I,積分,看過去累積的誤差,把長期殘留的小誤差慢慢消掉,解決穩態誤差。",
    "item": 2
   },
   {
    "say": "D,微分,看未來的趨勢,誤差下降得越快,就越早煞車,抑制超調與震盪。",
    "item": 3
   },
   {
    "say": "輸出是三項的和,u 等於 Kp 乘 e,加 Ki 乘積分,加 Kd 乘微分。",
    "item": 4
   }
  ],
  "PID 三項與離散實作#2": [
   {
    "say": "這張是 P I D 的步階響應曲線示意圖。",
    "item": 0
   },
   {
    "say": "Kp 太小,反應很慢。調得剛好,能快速到達目標,只有小小的超調。Kp 太大,會持續震盪。而且如果只有 P,最後會留下穩態誤差。",
    "item": 1
   }
  ],
  "PID 三項與離散實作#3": [
   {
    "say": "電腦每隔 dt 秒計算一次,所以積分變成累加,微分變成差分,這就是離散實作。",
    "item": 0
   },
   {
    "say": "先看積分。每一次把誤差乘上 dt,累加到 integral 裡。",
    "item": 2
   },
   {
    "say": "再看微分。這次的誤差減上次的誤差,再除以 dt,得到 derivative。",
    "item": 3
   },
   {
    "say": "最後輸出 u,等於 Kp 乘誤差,加 Ki 乘 integral,加 Kd 乘 derivative。",
    "item": 4
   }
  ],
  "PID 三項與離散實作#4": [
   {
    "say": "我們用數字走一遍。",
    "item": 0
   },
   {
    "say": "設 Kp 是二,Ki 是零點五,Kd 是零點一,dt 是零點一秒。誤差序列從十變成六,第一次的 prev e 取十。",
    "item": 1
   },
   {
    "say": "第一步算出來,u 等於二乘十,加零點五乘一點零,加零點一乘零,等於二十點五。",
    "item": 2
   },
   {
    "say": "第二步算出來,u 等於二乘六,加零點五乘一點六,加零點一乘負四十,也就是十二,加零點八,減四,等於八點八。",
    "item": 3
   },
   {
    "say": "其中第一步的 integral 等於十乘零點一,是一點零。因為第一次沒有前一次的誤差可以比較,微分是零。",
    "item": 4
   },
   {
    "say": "第二步的 integral 變成一點零,加六乘零點一,等於一點六。微分是六減十,除以零點一,等於負四十。",
    "item": 5
   },
   {
    "say": "你看,誤差在下降,D 項的負四,讓輸出提早變小,有煞車的效果。",
    "item": 5
   }
  ],
  "PID 三項與離散實作#5": [
   {
    "say": "接下來是 Python 的實作,畫面上是一個 pid step 函式,我們用口語走一遍。",
    "item": 0
   },
   {
    "say": "它接收誤差,還有 Kp、Ki、Kd,以及一個存狀態的字典,另外有積分上限和輸出上限兩個參數。",
    "item": 3
   },
   {
    "say": "函式裡,先取得現在的時間。如果是第一次呼叫,就把 dt 設成零點零二,並記下目前的誤差。否則,dt 就是現在減上次的時間,而且最小值是千分之一秒。",
    "item": 4
   },
   {
    "say": "然後累加積分,並且限制積分的範圍,這叫抗積分飽和。再算出微分,更新上一次的誤差。最後算出 u,同樣限制在輸出上限之內,再回傳。",
    "item": 4
   },
   {
    "say": "這裡刻意不用 class,是因為練習用模擬器的 Python 子集不支援 class,實體車可以自行改成 class。",
    "item": 4
   }
  ],
  "PID 三項與離散實作#6": [
   {
    "say": "實作時,有四個重要的工程細節。",
    "item": 0
   },
   {
    "say": "第一,抗積分飽和。如果輸出已經被限制在上限,誤差仍然持續,積分會越積越大。一旦誤差反向,要花很久才能退回來,造成大幅超調。解法是限制積分的範圍,或是輸出飽和時暫停累加。",
    "item": 1
   },
   {
    "say": "第二,微分雜訊。對有雜訊的訊號做差分,會放大雜訊。可以先對測量值做低通濾波,或是把 D 項的權重設小一點,Kd 先設成零。",
    "item": 2
   },
   {
    "say": "第三,微分衝擊,英文叫 derivative kick。目標值突然改變的時候,誤差瞬間跳變,D 項會有巨大的尖峰。常見的做法,是對測量值微分,而不是對誤差微分,或者只在第一步,把上一次的誤差設成目前的誤差,就像剛剛的程式。",
    "item": 3
   },
   {
    "say": "第四,角度環繞。航向誤差要正規化到負一百八十度到一百八十度之間。",
    "item": 4
   }
  ],
  "PID 三項與離散實作#7": [
   {
    "say": "角度環繞的公式是,目標減 yaw,加一百八十,對三百六十取餘數,再減一百八十。",
    "item": 0
   },
   {
    "say": "舉個例子,目標十度,yaw 是三百五十度。直接相減是負三百四十度,車子會往錯的方向轉一大圈。正規化之後,是正二十度,只要轉一點點。",
    "item": 1
   }
  ],
  "直線行駛與循線的 PID 應用#1": [
   {
    "say": "第三個單元,P I D 的應用。應用一,用 I M U 保持航向,也就是直線行駛。",
    "item": 0
   },
   {
    "say": "目標是,車子以固定速度走直線,航向保持在目標 yaw。",
    "item": 1
   },
   {
    "say": "程式裡先設基本速度是四十五,並以出發時的航向當作目標。進入迴圈後,每一圈讀目前的 yaw,單位是度,逆時針為正,這是第四章的約定。",
    "item": 2
   },
   {
    "say": "接著算出航向誤差,用 P I D 算出修正量 u,再讓左輪是基本速度減 u,右輪是基本速度加 u。每一圈睡眠零點零二秒。",
    "item": 5
   },
   {
    "say": "符號檢查,誤差大於零,表示車頭偏右,要向左轉,所以右輪快、左輪慢。如果發現修正越來越偏,先檢查 I M U 的正負號,以及馬達輸出的方向。",
    "item": 5
   },
   {
    "say": "調參的起點,僅供參考,務必實測。Kp 大約零點五到二,Ki 接近零,或是在百分之一以下,Kd 大約零到零點二。數值會依基本速度、車重與馬達而異。",
    "item": 5
   }
  ],
  "直線行駛與循線的 PID 應用#2": [
   {
    "say": "應用二,循線的位置誤差。",
    "item": 0
   },
   {
    "say": "三路感測器只能給粗略的位置,我們先算出線的位置。把右邊感測器的值乘一,中間乘零,左邊乘負一,加起來,再除以總共有幾個感測器看到線。如果一個都沒看到,就是失去線。結果會落在負一,線在左,到正一,線在右之間。",
    "item": 1
   },
   {
    "say": "舉例,只有左邊看到線,回傳負一。左和中間看到線,回傳負零點五。只有中間,回傳零。中間和右邊,回傳正零點五。",
    "item": 1
   },
   {
    "say": "這是一個離散的位置誤差,再用 P I D 把它平滑。因為只有五種可能的值,微分項會有明顯的跳動,所以 Kd 要小,或是改用多路的感測器陣列,像五路、八路,得到更平滑的位置。",
    "item": 2
   },
   {
    "say": "三路循線,還是要小心 Kd 的跳動。",
    "item": 3
   }
  ],
  "直線行駛與循線的 PID 應用#3": [
   {
    "say": "循線 P I D 的程式,是這樣的。",
    "item": 0
   },
   {
    "say": "第一個函式,算出線的位置誤差,規則剛剛說過了。",
    "item": 1
   },
   {
    "say": "主程式裡,把這個位置誤差取負號,這樣線在左邊,誤差是負的,就變成需要向左轉,e 為正。",
    "item": 2
   },
   {
    "say": "接著把誤差交給 P I D,得到修正量 u。",
    "item": 3
   },
   {
    "say": "最後,左輪是基本速度減 u,右輪是基本速度加 u。",
    "item": 4
   }
  ],
  "直線行駛與循線的 PID 應用#4": [
   {
    "say": "速度和增益,要一起調。",
    "item": 0
   },
   {
    "say": "同樣的 P I D 參數,在不同的基本速度下,表現是不同的。基本速度越大,車子在兩次修正之間走得越遠,需要更大的修正力道,但也越容易震盪。",
    "item": 1
   },
   {
    "say": "調好的參數,速度提高之後,常常要重新調。",
    "item": 2
   },
   {
    "say": "建議先在低速把循線調穩,再慢慢加速,並且記錄每個速度下的出軌次數。",
    "item": 3
   }
  ],
  "直線行駛與循線的 PID 應用#5": [
   {
    "say": "調參要有量得出來的標準,不要只憑感覺。有四個品質指標。",
    "item": 0
   },
   {
    "say": "第一,完成時間,跑完一圈用了幾秒。",
    "item": 1
   },
   {
    "say": "第二,出軌次數,需要人工扶回,或是進入搜尋狀態的次數。",
    "item": 2
   },
   {
    "say": "第三,黑線上時間比例,感測器看到黑線的時間比例。模擬器的 on line ratio 任務,就是這個概念。",
    "item": 3
   },
   {
    "say": "第四,直線行駛偏移,走兩公尺,終點離目標線的橫向距離。",
    "item": 4
   }
  ],
  "直線行駛與循線的 PID 應用#6": [
   {
    "say": "最後,我們用數字,走過航向 P I D 的一步。",
    "item": 0
   },
   {
    "say": "基本速度四十五,Kp 是一點五,目標 yaw 是零度,量到 yaw 是八度,也就是車頭偏左八度,逆時針為正。",
    "item": 1
   },
   {
    "say": "算法在下一頁。結果是左輪較快、右輪較慢,車子向右轉,也就是順時針,把車頭拉回零度。",
    "item": 2
   }
  ],
  "直線行駛與循線的 PID 應用#7": [
   {
    "say": "來看計算過程。",
    "item": 0
   },
   {
    "say": "第一,誤差等於零減八,加一百八十,對三百六十取餘數,再減一百八十,等於負八。",
    "item": 1
   },
   {
    "say": "第二,只看 P 項,u 等於一點五乘負八,等於負十二。",
    "item": 2
   },
   {
    "say": "第三,左輪等於四十五減負十二,等於五十七。",
    "item": 3
   },
   {
    "say": "第四,右輪等於四十五加負十二,等於三十三。左輪快、右輪慢,符號與邏輯一致。",
    "item": 4
   }
  ],
  "closing": [
   {
    "say": "這一章先到這裡。我們學了開迴路與閉迴路、P I D 三項的意義與離散實作,還有直線行駛和循線的應用。記得,調參要量得出來,而且一開始用低速。",
    "item": 0
   },
   {
    "say": "接下來,請完成實作,再做章末小測驗,看看自己學會了多少。我們下一章見!",
    "item": 1,
    "pause": 1
   }
  ]
 }
}