含PID控制器的巡航控制系统ODE建模及微分项实现问题

我需要把带PID控制器的简易巡航控制系统表示为常微分方程（ODE），并用torchdiffeq库做微分仿真来估计KP、KI、KD参数。目前已经知道可以把误差加入状态量来计算积分项，但在微分项的实现上遇到了困难，想找一种不用全局变量的更优系统表示方法。

当前代码用有限差分近似微分项，之前试过把设定值设为0来构建标准ODE形式，但因为计算误差时的速度截断导致系统不准确，而且也没解决微分项的有限差分近似问题。查了类似问题大多涉及高阶微分方程，我对控制理论和拉普拉斯变换不太熟悉，求帮忙。

当前代码如下：

def forward(self, t, x):              
    y, E = x
    dydt = torch.zeros_like(x)
    
    workaround_int = y + y.trunc().detach() - y.detach()
    error = self.Setpoint - workaround_int
    
    inte = E 
    div = (error - self.Error_previous)/self.Dt
    
    pid = self.Params[0]*error + self.Params[1]*inte + self.Params[2]*div
    F_ego = pid
    
    D_ego = self.CdA*(y ** 2)
    
    if y > 0:
        F_net = F_ego - D_ego
    else:
        F_net = F_ego + D_ego

    dydt[0] = F_net/self.M
    dydt[1] = error
    
    self.Error_previous = error
    return dydt

解决方案：扩展状态量实现无全局变量的PID ODE建模 #

核心思路是把误差本身也纳入系统状态向量，通过状态导数直接计算微分项，彻底摆脱全局变量依赖，同时消除有限差分的近似误差。

1. 重新定义状态向量

将原状态[速度y, 误差积分E]扩展为[速度y, 误差积分E, 当前误差e]，这样所有PID计算需要的量都能从当前状态中获取，无需存储历史值。

2. 完整ODE系统推导

基于巡航系统的物理规律和PID原理，推导各状态的导数：

• 速度导数：dy/dt = (F_pid - D(y))/M，其中D(y)是空气阻力，F_pid为PID输出控制力
• 误差积分导数：dE/dt = e（积分项的导数等于当前误差）
• 误差导数：de/dt = d(Setpoint - y)/dt = -dy/dt（设定值为常数，导数为0）
• PID控制力：F_pid = Kp*e + Ki*E + Kd*de/dt

3. 无全局变量的代码实现

def forward(self, t, x):              
    y, E, e = x  # 状态向量：速度y、误差积分E、当前误差e
    dydt = torch.zeros_like(x)
    
    # 先计算PID输出（这里先占位速度导数，后续会更新）
    de_dt = -dydt[0]
    pid = self.Params[0]*e + self.Params[1]*E + self.Params[2]*de_dt
    
    # 计算空气阻力与净力
    D_ego = self.CdA*(y ** 2)
    F_net = pid - D_ego if y > 0 else pid + D_ego
    
    # 更新各状态的导数
    dydt[0] = F_net / self.M
    dydt[1] = e
    dydt[2] = -dydt[0]  # 误差导数 = -速度导数
    
    return dydt

4. 初始状态初始化

调用torchdiffeq时，初始状态需包含三个变量：

• 初始速度y0
• 初始误差积分E0 = 0（初始时刻无积分积累）
• 初始误差e0 = self.Setpoint - y0

关键优势

• 完全符合ODE定义：状态导数仅依赖当前状态，无全局变量或历史值依赖
• 微分项用精确导数计算，替代有限差分，消除数值近似误差
• 移除了原代码中不必要的速度截断逻辑，保证系统准确性

内容的提问来源于stack exchange，提问作者Tomasz Pleśniak