Controle PID para robôs: roteiro de aprendizagem

Um controlador PID é uma das ferramentas mais importantes da robótica: transforma a diferença entre onde um robô está e onde ele deveria estar em uma correção. Mas um controlador só é tão bom quanto o sinal sobre o qual atua; por isso, este roteiro começa limpando leituras ruidosas de sensores e depois ensina a ajustar os termos proporcional, integral e derivativo para que o robô acompanhe a referência com suavidade, em vez de oscilar.

As etapas práticas são onde a ordem importa. Primeiro, ajuste uma malha PID simples, em que uma única referência e uma única planta deixam observar isoladamente sobrepasso, oscilação e erro em regime permanente. Só depois use os mesmos três ganhos no seguidor de linha, em que a planta resiste e o erro vem de um sensor real — é aí que o ajuste deixa de ser simples.

O roteiro termina em um lugar que os nós anteriores não alcançam. Toda planta até esse ponto é estável: ignorada, ela permanece no lugar, portanto o ajuste busca melhorar algo que já funciona. Um robô autoequilibrador não é estável — se você o deixar sozinho, ele estará no chão em menos de um segundo. Essa única mudança transforma o bom ajuste em requisito, não melhoria, e impõe a ideia estrutural que encerra o roteiro: quando você não pode comandar aquilo que realmente importa, aninha duas malhas e deixa a externa mover o alvo da interna.

Antes de começar

Você já deve conseguir ler um sensor e acionar um motor na velocidade comandada — a trilha de controle de motores cobre as duas tarefas. Leve um robô ou um simulador em que você possa alterar um número e ver imediatamente o efeito.

O que você será capaz de fazer

• Ajustar P, depois I e depois D em uma ordem deliberada, em vez de alterar três números ao mesmo tempo e torcer pelo resultado.
• Ler uma curva de resposta e nomear o problema a partir de seu formato: sobrepasso, oscilação sustentada ou erro em regime permanente que nunca desaparece.
• Reconhecer o windup integral quando o atuador satura e corrigi-lo limitando o acumulador, em vez de reduzir o ganho até esconder o sintoma.
• Aninhar duas malhas de modo que um controlador externo mova a referência do controlador interno.

Onde as pessoas costumam travar

Ajustar os três ganhos ao mesmo tempo. Com três ganhos que interagem e uma única saída, alterar tudo de uma vez significa que o resultado não ensina nada. Aumente P até ele oscilar e reduza; só então adicione D; adicione I por último e somente se permanecer um deslocamento constante.

Derivar o erro. Quando a referência dá um salto, o erro dá um salto com ela, e sua derivada é brevemente enorme — o robô se move bruscamente sem motivo físico. Derive a medição. A matemática é quase idêntica e o salto desaparece.

Fornecer um sinal ruidoso a D. A diferenciação amplifica o ruído. Se o sensor oscilar, D transforma essa oscilação em comandos de motor. Filtre primeiro — por isso esta trilha começa pelo ruído dos sensores e não pelo controlador.

Supor que os ganhos se transfiram. Os ganhos são propriedades de uma planta específica. Baterias novas, um chassi mais pesado ou uma superfície diferente alteram a planta, e o ajuste perfeito de ontem não será perfeito hoje.

Uma taxa de execução da malha inconsistente. I e D dependem de quanto tempo passou. Se a malha roda sempre que termina, ambos os termos são calculados com base em uma informação falsa. Corrija o intervalo ou meça-o e passe ao cálculo o tempo real decorrido.

O que você precisa

Você pode concluir todos os nós desta trilha no navegador. Os três laboratórios são controladores reais em plantas reais (simuladas), e o procedimento de ajuste se transfere diretamente ao equipamento — que é o propósito de fazê-lo aqui primeiro.

Por que a trilha segue esta ordem

A ordem foi escolhida para que cada etapa acrescente exatamente uma dificuldade nova.

A filtragem vem primeiro porque um controlador só é tão bom quanto sua entrada, e D pune você por omiti-la. A diferenciação amplifica o ruído: um sensor com variação de ±2 contagens, amostrado a cada 10 ms, produz uma estimativa da derivada que varia 200 contagens por segundo, e D converte isso diretamente em comandos de motor. Ajustar um controlador com um sinal sem filtro ensina a lição errada — que D é inútil.

A malha simples vem antes do robô porque isola o controlador. Uma referência, uma planta, três ganhos, sem geometria de direção, posicionamento de sensor ou patinação das rodas. Quando a resposta tem sobrepasso aqui, a causa são os ganhos, e não existe outra possibilidade.

O seguidor de linha vem em seguida porque acrescenta duas coisas ao mesmo tempo, ambas legítimas: o erro agora vem de um sensor real com campo de visão limitado, e a planta resiste — o próprio movimento do robô altera o erro mais rápido do que o controlador espera. É aqui que um ajuste que parecia concluído deixa de estar concluído.

O robô autoequilibrador vem por último, pois é o objetivo de toda a trilha. Toda planta antes dele é estável: ignorada, ela permanece no lugar, e o ajuste é uma otimização. Um pêndulo invertido não é estável — se você o deixar sozinho por um segundo, ele estará no chão. Essa única mudança transforma o bom ajuste de melhoria em requisito e impõe a ideia estrutural que encerra a trilha: quando você não pode comandar aquilo que importa, aninha duas malhas.

Pontos de verificação: como saber que uma etapa foi dominada

Onde esta trilha termina

O PID é uma ferramenta importante, mas não cobre todo o campo, e esta trilha deixa claro onde termina.

Ela para no controle com uma entrada e uma saída. Robôs reais frequentemente têm várias malhas acopladas que interferem entre si, e existe uma disciplina inteira para isso que o PID não aborda.

Não cobre controle de pré-ação, a maior melhoria prática que quase todas as malhas de robôs deixam de lado. O PID é reativo por construção — não pode atuar antes que exista um erro. Se você já sabe qual movimento está comandando, pode calcular antecipadamente a maior parte da saída necessária e deixar o PID corrigir apenas a diferença. O tutorial de perfis de movimento é a primeira metade dessa ideia.

Não cobre controle baseado em modelo — LQR, alocação de polos ou qualquer método que comece escrevendo as equações da planta. Esses métodos produzem melhores resultados quando você tem um modelo preciso, e a maioria dos robôs pequenos não tem.

Também não cobre escalonamento de ganhos, a resposta padrão ao fato de que os ganhos não se transferem: manter vários ajustes e alternar entre eles conforme a velocidade, a carga ou a tensão da bateria.