一個誤差，三種反應
幾乎每一次機器人運動都從一個差距開始。你告訴關節你想讓它到哪裡（即設定值），再量測它實際在哪裡，兩者之差就是誤差。控制器的全部工作，就是透過決定要多用力推動馬達，把這個誤差驅動到零。難點在於：單憑一個數字——「此刻的誤差」——並不足以做出明智的推動。
PID 控制給出了優雅的答案。它從這一個誤差訊號中構造出三種獨立的修正，再把它們相加。P 關注當下的誤差，I 累加過去的誤差，D 則透過觀察誤差變化的快慢來預判將來。每個項回答一個不同的問題，而它們之和就是控制器發出的指令。這正是最實用形態的回饋控制。
誤差的現在、過去與將來
比例項對現在做出反應。它把當前誤差乘以一個增益：你離目標越遠，它推得越猛；越接近目標，它越放鬆。單獨來看，P 就像一根把機器人拉向設定值的彈簧。但純彈簧有個缺陷——它常常會差那麼一點點就停下。當殘餘誤差很小時，比例推力會變得太弱，無法克服摩擦或重力，於是留下一個小小的、永久的差距，稱為穩態誤差。
積分項治好了這個毛病。它對過去的誤差進行累加——把每一點殘餘、時時刻刻地加起來。只要還有任何誤差存在，積分項就會持續增長，它的貢獻也不斷上升，直到連極微小的差距也最終被擠掉。積分是有耐心的記憶：它不容許一個小而頑固的偏差永遠存在。代價是：過於急切的積分可能累積得太多，使機器人在修正之前先衝過目標。
微分項望向將來。它關注的不是誤差本身，而是誤差變化的快慢，並對快速的變化施加反向作用。如果機器人正衝向目標，微分看到誤差在迅速縮小，便提前踩下煞車，讓接近的過程變得平滑。這種阻尼減小了超調——也就是衝過目標再彈回來的傾向——幫助運動平靜地穩定下來，而不是來回振盪。
公式，落在一根馬達軸上
把它寫出來，控制器不過是對同一個誤差 e(t) 的三種讀法做加權求和。每個權重都是你要整定的增益——Kp、Ki、Kd——它決定每個項的「嗓門」有多大。
error: e(t) = target - measured
u(t) = Kp * e(t) # present: how far off
+ Ki * integral(e dt) # past: total leftover
+ Kd * d/dt e(t) # future: how fast e changes
# u(t) is the command sent to the motor想像一台伺服馬達把機械臂的某個關節轉到指令角度。調高 Kp，手臂會更快地撲向目標，但調得過高會讓它超調並顫抖。加入 Ki，任何細小的殘餘角度——比如重力壓在手臂上造成的——都會被緩緩抹去。加入 Kd，手臂到位時就不再抖動，而是滑行就位。這三個增益是一種平衡：P 與 I 帶來積極性，D 帶來沉穩。
為何機器人首選 PID
PID 在機器人領域無處不在，因為它對你幾乎毫無要求。與更花俏的控制器不同，它不需要機器精確的數學模型——只需要一個可讀的誤差和一個可調的旋鈕。同樣的三項配方，可以控制無人機的高度、輪式機器人的速度、3D 列印頭的溫度，以及四足機器人的關節力矩。當你只需保持或追蹤某一個量時，PID 通常是你最先、也是最後拿起的工具。
實踐中，許多真實機器人甚至並不會用全這三個項。速度環常常以 PI——比例加積分——的形式運行，因為幾乎無需預判。運行在乾淨、低摩擦關節上的位置環，則可能以 PD 形式運行，因為沒什麼穩態偏差要消除，卻有不少超調需要阻尼。把用不上的項去掉是很常見的做法，也能讓整定更簡單。PID 是一份菜單，而不是一道固定套餐。