0基礎搞懂自動駕駛傳統算法與深度學習的鴻溝這個專題核心是要思考如何讓rule-base的自動駕駛算法逐步提升為data-driven的算法，從而盡可能的提升軟件的泛化性。數據驅動的邏輯代替控制，規劃，定位，融合，感知以及替換整個自動駕駛系統是一個非常有趣的話題，歡迎關注！

控制理論的核心是通過對過去與現在的信息以及現在到未來的預測信息進行總結，得出現在的行為，所有自動駕駛算法追溯本質都是這么一句話。

這篇文章要達到的目的：
1.最通俗的理解PID算法和MLP的SGD優化算法的概念
2.最深刻的理解兩者的本質關系
3.如何用深度學習的辦法替代人工控制參數調整的辦法（懶人大法）

通俗理解PID

做過控制的人，對PID這種百年常青的算法一定不陌生，也是自動駕駛控制常用的算法。

參考剛才說的本質，PID可以獲得的輸入信息就是某個東西的“偏差量”（比如這個東西希望到的位置和當前所在位置的偏差），PID輸出的就是控制量，達到的目的就是希望控制某個東西在下一個周期又快又準的減小這個偏差。

PID的算法介紹，網上一抓一大把，但很多分析還是不太通俗，對理解不友好，簡單理解PID，就是P關心現在，I關心過去，D關心未來，調整三個量的比例，意思就是你在做出下一步決定的時候更關心過去，現在，未來哪個方面的信息。這么說大家可能就可以理解了

比例控制（P）-阿喀琉斯追烏龜

P控制這種，現實中很難找到類似的人做比方，經典的故事就是阿喀琉斯追烏龜。現實中有這么做的不是機器人就是腦殘。只是根據當前收到的信息就做了決定，不借鑒過去，不預測未來。##最大的問題就是存在“穩態誤差”，也就是很快但永遠調不準的意思，為什么會這樣不多講不是本文重點，大家查下就知道，由于沒有實踐意義，我不多贅述。##最大的優點，工程實踐里他沒有優點，就是個逼近快慢的問題。

比例積分控制（PI）- 線性思維下的普羅大眾

PI控制這種和我們大部分人的思維很像，小攤販賣豆腐前天賺了10元，昨天賺了10元，今天賺了10元，那明天應該也能賺10元（可第二天被抓了罰了5000），好把那4990虧的錢（預期和實際的偏差）在控制里就叫“超調”，不多做解釋，##最大的問題也就是超調，意思當外部情況發生突變的時候，由于陷入過去的線性思維估計不充分，產生很大的偏差，原因很深刻“在不確定的世界里，不考慮未來，只知道過去和當下。##最大的優點：最終和我們普通人一樣，他總是可以達到需要的目標（夠準),但要付出一些波折的代價（震蕩超調）

=======由于誤發布，語句缺少組織，以下見諒============

比例積分控制（PD）- 愛八卦的職場新人

微分環節會提高系統抗擾動能力，降低系統抗噪聲能力”

比例積分微分控制（PID）- 身經百戰的少將

PID控制器簡單易懂，使用中不需精確的系統模型等先決條件，因而成為應用最為廣泛的控制器。PID控制器主要適用于基本上線性，且動態特性不隨時間變化的系統，但是對復雜非線性系統和復雜信號追蹤，還是有局限性的。Hinton 老先生在其發表在 Nature [1] 的文章里那樣描述的，梯度是每個權值對總的損失函數貢獻，其與損失函數為線性關系。

來源論文 CVPR 2018 Spotlight，A PID Controller Approach for Stochastic Optimization of Deep Networks.

SGD-Momentum 可以等效為 PI 控制器。而在控制理論中，PI 控制有超調的問題，SGD-Momentum 有超調問題

總結

以上是生活随笔為你收集整理的商品pid是什么意思_0基础搞懂自动驾驶传统算法与深度学习的鸿沟-PID控制算法与MLP优化方法...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。