一句话定义：PID 控制（Proportional-Integral-Derivative Control，比例-积分-微分控制）是一种只看"目标值和当前值差多少"来决定怎么用力的反馈控制方法，它不需要知道系统内部长什么样，却能把温度、速度、姿态稳在设定值附近。
拿淋浴调水温来理解
你想洗 40 度的水，拧开龙头一试只有 30 度。这时候人会怎么做？
第一反应是差多少拧多少——差 10 度就往热水方向多拧一点。这就是比例项（P）：输出正比于当前误差。用 P 的问题在于，龙头越接近目标，你拧的劲就越小，最后往往停在 37 度不动了：因为总有散热、管道损耗在拖后腿，这点残余偏差需要一点持续的小劲才能补上，而 P 项在误差接近零时自己也接近零。这个收不掉的差值叫稳态误差。
第二反应是等得越久越不耐烦——37 度泡了两分钟还是凉的，你就继续往热水那边加力。这就是积分项（I）：把历史误差累加起来，时间越长累计越大，专门负责磨掉稳态误差。代价是它记性好得过头，容易冲过头，而且长时间拧不动（比如水还没来）时积分会攒成一个巨大的值，一旦水来了直接烫人——工程上叫积分饱和（integral windup）。
第三反应是看趋势提前收手——你摸到水正在快速变热，就知道该往回拧了。这就是微分项（D）：作用于误差的变化率，起阻尼作用，压制超调、让系统别来回晃。代价是它放大了测量噪声，温度传感器抖一下，输出就抖一下，所以 D 项常要配滤波，或者干脆调小。
| 项 | 看的是 | 主要作用 | 用多了会怎样 |
|---|---|---|---|
| P 比例 | 当前误差 | 快速响应 | 振荡、稳态误差 |
| I 积分 | 误差的累积 | 消除稳态误差 | 超调、积分饱和 |
| D 微分 | 误差的变化率 | 抑制超调、增加阻尼 | 对噪声敏感、抖动 |
三项各配一个系数 Kp、Ki、Kd，"整定"就是调这三个数。经典的 Ziegler-Nichols 等方法给出的是起点，实际还得靠试。
和相邻概念的区别
- 开环 vs 闭环：开环是"按计划用力"，不管结果；PID 是闭环，每次都用实测误差纠正自己。
- PID vs 现代控制/MPC：状态反馈、模型预测控制（MPC）需要系统的数学模型，能处理约束和多变量耦合，算得也更贵；PID 不需要模型，只要能测量误差、能施加控制量就能上。
- PID vs 强化学习控制：学习类方法能学出很复杂的策略，但在关节伺服、云台增稳这类高频、要求可预测的场景，PID 仍是默认选项，也常被当作对比基线。
为什么值得知道
无人机悬停、平衡车、3D 打印机控温、机器人关节伺服、服务器风扇调速，底层大概率跑着 PID 或其变种。对 AI 从业者来说，它是"具身智能"里最实在的一层：上层策略再聪明，最后也要靠一个稳定的底层控制器把动作执行出来。写在简历上的"调过 PID"，本质是调过真实世界的不确定性。具体芯片、库或参数取值范围，请以对应厂商和官方文档为准。