程序代码篇---卡尔曼滤波与PID

卡尔曼滤波和 PID 控制都是嵌入式、自动化领域的常用技术，但它们解决的问题完全不同，就像 “温度计” 和 “恒温器” 的区别 —— 一个负责 “测准”，一个负责 “调好”。

一、核心功能：一个 “估计状态”，一个 “控制过程”

• 卡尔曼滤波：本质是 “状态估计器”。
  作用是从充满噪声的数据中，算出系统真实的状态（比如 “物体实际位置”“电机真实转速”）。
  举例：GPS 信号跳来跳去，卡尔曼滤波能算出你真实在哪；加速度计数据抖动，它能估计出真实的加速度。

• PID 控制：本质是 “控制器”。
  作用是根据 “目标值” 和 “当前状态” 的差距，计算出控制量，让系统稳定在目标（比如 “让温度保持 25℃”“让电机转速稳定在 1000 转”）。
  举例：空调设定 25℃，当前 23℃，PID 会算出发热量，让温度升到 25℃并保持稳定。

二、原理：一个 “猜了又改”，一个 “错了就调”

• 卡尔曼滤波的原理：
  核心是 “预测 - 更新” 循环，解决 “数据不准” 的问题。
  比如用陀螺仪测角度，数据会慢慢漂移（误差累积），卡尔曼滤波会：

  1. 先根据上一时刻的角度 “猜” 现在的角度（预测）；
  2. 再用新的传感器数据（比如加速度计测的角度）修正这个猜测（更新）；
  3. 反复循环，让结果越来越接近真实角度（过滤噪声和漂移）。

• PID 控制的原理：
  核心是 “根据误差算控制量”，解决 “系统不稳定” 的问题。
  比如让小车保持 1 米 / 秒的速度，当前只有 0.8 米 / 秒（误差 0.2），PID 会：

  1. 看当前误差多大（P：比例项，误差越大，控制越狠）；
  2. 看误差累积了多久（I：积分项，消除长期小误差，比如一直慢 0.1，就慢慢加大控制）；
  3. 看误差变化快不快（D：微分项，防止控制过头，比如速度突然飙升就减速）；
  4. 把这三项加起来，得到电机的输出功率，让速度稳定在 1 米 / 秒。

三、应用场景：一个 “为测量服务”，一个 “为控制服务”

对比维度 卡尔曼滤波 PID 控制 典型场景 传感器数据处理、状态估计 闭环控制系统、稳定输出 具体例子 - 无人机定位（融合 GPS + 陀螺仪数据）
- 汽车导航（修正 GPS 噪声）
- 手机计步（过滤加速度计抖动） - 水温控制（热水器保持 50℃）
- 机械臂定位（让爪子精准抓到物体）
- 平衡车保持直立（歪了就调整电机） 依赖的输入 带噪声的传感器数据（比如 “当前角度测量值”） 目标值和当前状态的误差（比如 “目标角度 30°，当前 28°，误差 2°”） 输出结果 更准确的状态估计值（比如 “真实角度 29.8°”） 具体的控制量（比如 “电机输出电压 12V”）

四、关系：经常 “合作” 但不 “替代”

实际系统中，两者经常一起用：卡尔曼滤波给 PID 提供准确的状态，PID 用这个状态做控制。
比如无人机悬停：

1. 无人机的高度传感器（气压计）数据波动大，卡尔曼滤波先算出真实高度（状态估计）；
2. PID 控制器根据 “目标高度（比如 10 米）” 和 “卡尔曼估计的真实高度（比如 9.5 米）” 的误差，计算出电机的转速（控制量），让无人机稳定在 10 米。

总结：一句话区分

• 卡尔曼滤波：“我帮你把不准的数据变准，告诉你系统现在到底啥样。”
• PID 控制：“我根据目标和现状的差距，帮你把系统调到你想要的样子。”

一个是 “看清现实” 的工具，一个是 “改变现实” 的工具，分工不同，但经常组队解决问题。