一个误差，三种反应
几乎每一次机器人运动都从一个差距开始。你告诉关节你想让它到哪里（即设定值），再量测它实际在哪里，两者之差就是误差。控制器的全部工作，就是通过决定要多用力推动电机，把这个误差驱动到零。难点在于：单凭一个数字——「此刻的误差」——并不足以做出明智的推动。
PID 控制给出了优雅的答案。它从这一个误差信号中构造出三种独立的修正，再把它们相加。P 关注当下的误差，I 累加过去的误差，D 则通过观察误差变化的快慢来预判将来。每个项回答一个不同的问题，而它们之和就是控制器发出的指令。这正是最实用形态的反馈控制。
误差的现在、过去与将来
比例项对现在做出反应。它把当前误差乘以一个增益：你离目标越远，它推得越猛；越接近目标，它越放松。单独来看，P 就像一根把机器人拉向设定值的弹簧。但纯弹簧有个缺陷——它常常会差那么一点点就停下。当残余误差很小时，比例推力会变得太弱，无法克服摩擦或重力，于是留下一个小小的、永久的差距，称为稳态误差。
积分项治好了这个毛病。它对过去的误差进行累加——把每一点残余、时时刻刻地加起来。只要还有任何误差存在，积分项就会持续增长，它的贡献也不断上升，直到连极微小的差距也最终被挤掉。积分是有耐心的记忆：它不容许一个小而顽固的偏差永远存在。代价是：过于急切的积分可能累积得太多，使机器人在修正之前先冲过目标。
微分项望向将来。它关注的不是误差本身，而是误差变化的快慢，并对快速的变化施加反向作用。如果机器人正冲向目标，微分看到误差在迅速缩小，便提前踩下刹车，让接近的过程变得平滑。这种阻尼减小了超调——也就是冲过目标再弹回来的倾向——帮助运动平静地稳定下来，而不是来回振荡。
公式，落在一根电机轴上
把它写出来，控制器不过是对同一个误差 e(t) 的三种读法做加权求和。每个权重都是你要整定的增益——Kp、Ki、Kd——它决定每个项的「嗓门」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想象一台伺服电机把机械臂的某个关节转到指令角度。调高 Kp，手臂会更快地扑向目标，但调得过高会让它超调并颤抖。加入 Ki，任何细小的残余角度——比如重力压在手臂上造成的——都会被缓缓抹去。加入 Kd，手臂到位时就不再抖动，而是滑行就位。这三个增益是一种平衡：P 与 I 带来积极性，D 带来沉稳。
为何机器人首选 PID
PID 在机器人领域无处不在，因为它对你几乎毫无要求。与更花哨的控制器不同，它不需要机器精确的数学模型——只需要一个可读的误差和一个可调的旋钮。同样的三项配方，可以控制无人机的高度、轮式机器人的速度、3D 打印头的温度，以及四足机器人的关节力矩。当你只需保持或跟踪某一个量时，PID 通常是你最先、也是最后拿起的工具。
实践中，许多真实机器人甚至并不会用全这三个项。速度环常常以 PI——比例加积分——的形式运行，因为几乎无需预判。运行在干净、低摩擦关节上的位置环，则可能以 PD 形式运行，因为没什么稳态偏差要消除，却有不少超调需要阻尼。把用不上的项去掉是很常见的做法，也能让整定更简单。PID 是一份菜单，而不是一道固定套餐。