电机的力气是有上限的
在纸面上，控制器想发出多大的指令都行。PID 控制器根据机器人当前位置与目标位置之间的误差算出一个数值，再把它交给电机。但真实的电机是有上限的：供电电压是固定的，电流超过某个值就会过热，输出力矩也存在一个根本无法突破的峰值。当控制器要求的力超过硬件能给的，指令就会被「削顶」。这种削顶就叫执行器饱和。
想象你踩油门，而油门已经踩到底了。你再怎么用力，车也不会加速更快——踏板已经饱和。控制器的处境一模一样：超过极限后，再要求更多也得不到任何回报。饱和不是故障，每个真实系统都有它。危险在于：控制器内部的运算并不知道电机已经「听不进去了」，它会继续按照「指令完整执行了」的假设去计算。
积分饱和：积分项越堆越高
PID 里的积分项，存在的意义就是消灭那个顽固的残余偏差。当比例项和微分项都稳定下来后，往往还会留下一个小小的恒定误差——重力把手臂往下拉、摩擦力把它拖住。这个挥之不去的偏移就叫稳态误差，而积分项靠「把误差随时间累加起来」来消除它：只要还有缺口，积分就会不断增长，直到累积出足够的力把缺口彻底补平。
现在把它和饱和叠加起来。假设机器人离目标很远，电机已经顶到最大输出。误差始终很大，因为机器人在物理上根本动不了更快——而积分项还在尽职尽责地一秒一秒累加这个巨大的误差，膨胀到一个惊人的数值。这种在饱和期间失控般的累积，就叫积分饱和（integrator wind-up）。
破坏会在终点处显现。当机器人终于到达目标，误差翻转为零——但臃肿的积分项不会瞬间消失。它必须靠一段方向相反、长度相当的反向误差来「放掉」。于是机器人会径直冲过目标，严重过冲，然后不得不往回摆，有时还要来回振荡好几下才停下。一个在温和仿真里看起来很正常的控制器，可能在真实执行器一饱和的那一刻就变得狂野、失稳。
让 PID 守规矩的实用防护
好消息是：积分饱和有一套久经考验的对策，而且加起来都很省事。抗积分饱和的核心思路只有一句话——别再骗积分项了。要让它知道电机实际输出了多少，这样在饱和期间，它就不会再去累加那些它根本无能为力的误差。
- 钳制积分。只要指令处于饱和状态，就停止往累积误差里继续添加，并给积分项设一个合理的上限。这是最简单的抗积分饱和手段，往往单靠它就够用。
- 反算补偿。把「请求的指令」与「被削顶后的指令」之差反馈回积分器，在电机顶满时温和地把它「放水」排掉。这样积分项是平滑退掉的，而不是一下子全卸。
- 限制目标值及其变化率。别下达执行器根本跟不上的跳变指令。让目标平滑地爬升，控制器从一开始就不会去要求不可能的事，也就根本不会陷入饱和。
- 对微分项做滤波。微分项响应的是误差的变化率，这让它对传感器噪声极其敏感。原始噪声会被放大成抖动的指令。给微分项加一个轻度低通滤波，或把微分增益调小一点，就能让它继续发挥作用，而不至于对每一个带噪的读数都大喊大叫。
要注意，这几项防护多半会和你的增益整定相互牵连。一个为追求速度而调得激进的控制器，会更频繁地饱和、积分饱和也更严重，所以抗积分饱和和整定最好放在一起考虑，而不是当成两件互不相干、事后再补的事。目标是：即便硬件被逼到极限，整个回路依然可预测，并保持稳定性。
下一步去哪：PID 之后
PID 之所以是机器人领域的主力，是有道理的：它简单、稳健，几乎不需要机器人的模型。但它把每个关节孤立地对待，对自己正在对抗的物理一无所知——重力、惯性、关节之间的耦合。对于又快、又重、或需要紧密协调的运动，这些盲点就开始让你付出代价，而上面那些补丁能做的也就到此为止。
下一阶就是「进阶控制」这一章，那里的控制器会用机器人的动力学模型来规划自己的指令。计算力矩控制会预先抵消掉重力和惯性，剩下的活儿就轻松得能交给一个简单的反馈回路。模型预测控制（MPC）会往未来看好几步，而且关键在于——它能把执行器的极限当作如实的约束直接纳入，于是从一开始就不会发出会导致饱和的指令。而线性二次型调节器（LQR）以及更广义的最优控制，则通过最小化一个你自己定义的代价函数来整定整个回路，在精度与代价之间求得平衡。