模糊PID控制器入门：用 fuzzy-pid 让四轴无人机在风里稳住

模糊PID控制器入门：用 fuzzy-pid 让四轴无人机在风里稳住

【免费下载链接】fuzzy-pid模糊PID控制器的C语言实现项目地址: https://gitcode.com/gh_mirrors/fu/fuzzy-pid

那是一个让人沮丧的下午。我组的四轴无人机在测试场第三次"抽风"：阵风扫过，机架猛地抬头，紧接着又狠狠低头，滚转角曲线在日志里画出一条挣扎的波浪线，两个电机明显在互相较劲。传统 PID 我调了整整一天，Kp 加到临界值就振荡，降下来又追不上目标。直到同事扔给我一句话："试试模糊PID控制器，看看 fuzzy-pid 这个纯 C 的库。"抱着死马当活马医的心态，我把它烧进了飞控，风里的机身居然老实了。这篇文章就把我踩过的路重新走一遍。

阵风一来，无人机就开始"抽风"

问题的根源不在电机，也不在传感器，而在控制器本身。传统 PID 只有一组固定参数，它不会因为你当前处于"大误差、快速逼近"还是"小误差、缓慢靠近"而改变策略。阵风把机身顶歪 30 度，控制器按平时的力度推回去，力道要么不足，要么过头，于是机身就在目标角附近来回晃。

我当时最直观的感受是：控制器不会看"局势"。它像一台只会按固定剧本演戏的机器，而风是从来不按剧本走的。

一根筋的 PID，和会看路况的 PID

用一个开车类比你就明白了。传统 PID 像个刚拿到驾照的新手：他记住了"油门踩多深、刹车踩多重"，无论前面是空旷直道还是拥挤弯道，都按同一套脚法来。新手开车没问题，但遇到突发路况就手忙脚乱。

模糊PID控制器则像一位跑了十年长途的老司机：他脑子里有一套经验——"前方急弯，提前减速、轻点油门修正方向"；"跟车太近，松开油门、备好刹车"。他没有精确的计算公式，靠的是模糊的判断，但结果往往又快又稳。

具体到算法上，模糊PID控制器做的这件事很朴素：每拍采样后，根据"当前误差 e"和"误差变化率 de"这两个输入，去查一张经验表，得到三个修正量 ΔKp、ΔKi、ΔKd，实时叠加到基础参数上。误差大、变化快，就临时加大比例和微分作用；误差小、快收敛，就把调节力度收回来。参数不是死的，是活的。

fuzzy-pid 是什么：一个纯 C 的模糊PID控制器库

fuzzy-pid 是一个用纯 C 语言写的模糊PID控制器库，目标平台就是嵌入式。它没有依赖任何第三方库，只用了标准库里的数学函数，编译出来体积很小，跑在常见的 STM32、ESP32 这类 MCU 上毫无压力。

它把模糊控制的几大件都做全了：六种隶属度函数（高斯、钟形、S 形、梯形、三角形、Z 形）、三种模糊算子（交、并、平衡）、中心平均解模糊器，以及最核心的 7×7 规则库。控制器方面支持位置模式和力矩模式两种场景，还留了死区处理、积分限幅、前馈补偿这些扩展开关，按需在头文件里打开宏即可。代码结构很直白，struct fuzzy管模糊推理，struct PID管控制输出，两者组合成一个完整的模糊PID控制器。

跟着走一遍：从拉代码到第一次输出

先拿到代码并编译，官方仓库地址为 https://gitcode.com/gh_mirrors/fu/fuzzy-pid ：

git clone https://gitcode.com/gh_mirrors/fu/fuzzy-pid cd fuzzy-pid mkdir build && cd build cmake .. && make ./fuzzy-pid

项目自带的 example 会打印一串控制输出序列，能正常跑起来就说明环境没问题。接下来我们自己写一个更小的例子，控制无人机横滚角。

第一步，准备规则库和隶属度参数。误差被分成七个模糊等级：NB（负大）、NM（负中）、NS（负小）、ZO（零）、PS（正小）、PM（正中）、PB（正大）。规则库就是三张 7×7 的经验表，分别对应 ΔKp、ΔKi、ΔKd 的修正量：

#include "fuzzyPID.h" // 7×7 规则库：行是误差 e，列是误差变化率 de // 第一张表负责 ΔKp，另外两张（ΔKi、ΔKd）写法相同，此处省略中间部分 int fuzzy_rules[][qf_default] = { {PB, PB, PM, PM, PS, ZO, ZO}, // e 为 NB 时：误差又大又急，先狠狠拉一把 {PB, PB, PM, PS, PS, ZO, NS}, {PM, PM, PM, PS, ZO, NS, NS}, // ... 完整的 21 行可从项目 example.c 中直接复制 {ZO, ZO, NM, NM, NM, NB, NB}, // e 为 PB 时：反向修正，避免冲过头 }; // 七个三角形隶属度的顶点，每个等级 4 个参数 int mf_vertices[28] = { -3, -3, -2, 0, // NB -2, -1, 0, 0, // ZO 附近的细分 1, 2, 3, 0, // PM 2, 3, 3, 0, // PB };

第二步，初始化一个模糊PID控制器。参数数组固定 7 个元素，依次是 Kp、Ki、Kd、积分限幅、死区、前馈系数、线性自适应系数：

// 横滚通道的基础参数：比例为主，微分辅助，积分很小 float axis_setting[7] = {0.8f, 0.02f, 0.05f, 0, 0, 0, 1}; // 参数解释：mf_type=4 用三角形隶属度；fo_type=1 用代数积算子； // df_type=0 用中心平均解模糊；delta_k=1.5 控制模糊修正的力度上限 struct PID *roll_ctrl = fuzzy_pid_init(axis_setting, 1.5f, 4, 1, 0, mf_vertices, fuzzy_rules);

第三步，放进控制循环。每拍读一次 IMU，算一次输出：

for (;;) { float roll_now = read_imu_roll(); // 传感器读到的当前横滚角 float roll_target = 0.0f; // 期望姿态：水平 float torque = fuzzy_pid_control(roll_now, roll_target, roll_ctrl); apply_motor_mix(torque); // 换算成四个电机的 PWM delay(2); // 固定 2ms 控制周期 }

如果你的输出是 PWM 形式，库也提供了现成封装：fuzzy_pid_motor_pwd_output(real, idea, direct, pid)会直接返回限幅后的 PWM 值，中间值和范围在头文件里可配置。跑起来之后，把机身拿在手里左右倾斜，能明显感觉到电机在主动对抗你的手——这就是它在"稳住"。

调试三问：太猛？太慢？有偏差？

跑通只是第一步，效果不好很正常。我把调参过程总结成三个问题，对号入座即可。

问题一：动作太猛，机身来回振荡？错误做法是继续盲目减 Kp。正确做法是调大初始化时的 delta_k 参数。fuzzy-pid 用delta_k换算 ΔK 的调节上限（上限 = Kp / delta_k），delta_k 越大，模糊修正越温和，振荡自然收敛。从 1.5 试到 2.5，通常立竿见影。

问题二：反应太慢，风来了半天才回正？反过来，把 delta_k 调小，让模糊部分敢出大力。同时检查误差归一化范围：位置模式下误差上限默认 100，如果你的角度误差通常只有十几度，相当于只用了模糊区间的一小块，可以缩小误差上限，让有效区间更陡峭。

问题三：静态偏差总差那么一点？多半是 ZO 区域附近的 ΔKi 规则太保守。把规则表里靠近中心的几格从 ZO/PS 改成 PS/PM，让积分项在稳态附近多出力。另外检查是否开了死区宏，死区设太大会吞掉小误差修正。

一个完整小项目：三轴姿态稳定

回到我那个四轴，横滚、俯仰、偏航三个轴可以共用一个规则库，只是基础参数不同。库提供了向量初始化接口，一次搞定：

#define AXIS_COUNT 3 // 三轴基础参数：横滚/俯仰对称，偏航阻尼需求高 float axis_settings[AXIS_COUNT][pid_params_count] = { {0.8f, 0.02f, 0.05f, 0, 0, 0, 1}, // 横滚 {0.8f, 0.02f, 0.05f, 0, 0, 0, 1}, // 俯仰 {0.5f, 0.01f, 0.03f, 0, 0, 0, 1}, // 偏航 }; struct PID **attitude = fuzzy_pid_vector_init( axis_settings, 1.5f, 4, 1, 0, mf_vertices, fuzzy_rules, AXIS_COUNT);

控制循环里按轴分别调用，结束时统一释放：

for (int i = 0; i < AXIS_COUNT; i++) { float torque = fuzzy_pid_control(sensor[i], target[i], attitude[i]); mix_and_output(i, torque); } // 程序退出前 delete_pid_vector(attitude, AXIS_COUNT);

观察到的现象很有意思：阵风扰动后，横滚角在 3~4 个控制周期内回正，几乎没有过冲；而同样参数下传统 PID 至少抖两个来回。更重要的是，我把载荷从 300g 加到 600g，传统 PID 需要重新调参，模糊PID控制器只是回正时间略长了一点——它自己就把"变重了"这件事消化掉了。

四个坑，我替你踩过了

坑一：把原始误差直接喂给模糊推理。错误做法：e 是 0~100 的原始值，de 是每秒变化量，两者量纲不同、量级悬殊。后果：大部分输入落在隶属度函数的边缘，规则永远只命中最外侧两格。正确做法：交给库的归一化逻辑，它在内部会按误差上限折算到 [-3, 3]，你只要保证误差上限与实际系统匹配。

坑二：规则库只写了半张表。错误做法：为了省事，只填 ΔKp 的 7 行，ΔKi、ΔKd 空着。后果：模糊推理算出全零输出，控制器退化成固定参数 PID，你还以为是算法没用。正确做法：三张 7×7 表写全，先用项目默认的规则起步，再逐步替换。

坑三：忘了释放控制器内存。错误做法：fuzzy_pid_init之后只管用，不调用delete_pid。后果：长期运行的设备内存越吃越多。正确做法：退出前调用delete_pid(pid)，向量形式用delete_pid_vector，它内部会连同模糊结构一起释放。

坑四：控制周期忽长忽短。错误做法：把控制循环放在主循环里，被其他任务挤占。后果：de 的计算失真，模糊推理跟着乱。正确做法：用定时器中断保证固定周期调用，这是所有采样控制器的底线。

下一步往哪走

如果你的项目正卡在"固定参数压不住复杂工况"，模糊PID控制器值得认真试一次。fuzzy-pid 的好处在于：它把模糊推理的骨架都搭好了，你只需要提供规则表和参数，剩下的交给库。想深入的话，建议按这个顺序走：先读懂fuzzyPID.h里每个结构体字段的含义，再对照fuzzyPID.c里的fuzzy_control看一遍推理流程，最后动手改规则库，观察同一场景下不同规则的行为差异。等你能解释"为什么这一格改成 PM 之后超调变小了"，你就真正掌握它了。

【免费下载链接】fuzzy-pid模糊PID控制器的C语言实现项目地址: https://gitcode.com/gh_mirrors/fu/fuzzy-pid