[论文解读] Optimizing PID parameters with machine learning

Adam Nyberg|arXiv (Cornell University)|Sep 26, 2017

Advanced Control Systems Design参考文献 2被引用 6

一句话总结

本文提出使用进化规划（EP）来优化机器人控制中的PID控制器参数，采用一种无导数、基于种群的方法，避免陷入局部极小值。EP在ROS/MORSE仿真环境中成功调优了线性和角速度PID控制器，平均误差极低（最低达0.0234），且微分和积分增益极小，展现出参数搜索过程中的鲁棒性与高效性。

ABSTRACT

This paper examines the Evolutionary programming (EP) method for optimizing PID parameters. PID is the most common type of regulator within control theory, partly because it's relatively simple and yields stable results for most applications. The p, i and d parameters vary for each application; therefore, choosing the right parameters is crucial for obtaining good results but also somewhat difficult. EP is a derivative-free optimization algorithm which makes it suitable for PID optimization. The experiments in this paper demonstrate the power of EP to solve the problem of optimizing PID parameters without getting stuck in local minimums.

研究动机与目标

• 为解决机器人控制中手动调参耗时且依赖应用的问题。
• 评估进化规划（EP）作为无导数优化方法在PID参数调优中的有效性。
• 在仿真机器人环境中，将EP的性能与遗传算法（GA）和粒子群优化（PSO）等现有方法进行比较。
• 探究EP是否能在不陷入局部极小值的情况下收敛至低误差解。

提出的方法

• EP通过从均匀分布中采样初始化PID参数集（k_pv, k_iv, k_dv, k_pa, k_ia, k_da）的种群。
• 通过预设路径上期望与实际机器人速度之间的平均误差（AE）评估适应度。
• 选择适应度最高（AE最低）的个体，通过对其参数应用高斯变异生成新一代种群。
• 变异策略不同：实验1使用绝对高斯噪声，而实验2和3使用按参数值缩放的相对噪声，以应对参数量级差异。
• 算法迭代100代或直至AE < 0.01，训练与测试路径分开。
• 系统通过ROS节点实现状态控制、路径执行与判定逻辑，MORSE作为三维仿真后端。

实验结果

研究问题

• RQ1 进化规划能否在不陷入局部极小值的情况下有效优化机器人速度控制的PID参数？
• RQ2 不同的变异策略（绝对噪声与相对噪声）如何影响EP在PID调优中的收敛性与性能？
• RQ3 在优化解中，微分和积分增益在多大程度上变得可忽略？原因是什么？
• RQ4 EP在平均误差与收敛速度方面与GA和PSO相比表现如何？
• RQ5 在该控制场景下，增加种群规模是否能改善优化结果？

主要发现

• EP在最佳配置（实验3）下成功将平均误差降低至0.0234，证明了其优化能力。
• 线性和角速度控制器的微分（D）与积分（I）增益在所有情况下均被持续驱动至接近零，表明在仿真环境中贡献极小。
• 相对变异策略（实验2和3）优于绝对变异策略（实验1），尤其在处理量级差异显著的参数时表现更优。
• 将种群规模从10增加到20并未显著改善最终误差，表明收益递减。
• 使用优化参数时，训练与测试路径的阶跃响应均表现出稳定性能，超调量低，上升时间快。
• 结果表明，仿真环境可能未完全反映真实世界动力学，因为在优化解中D和I项基本冗余。