3. 机器人运动学与动力学基础

在多机器人协同导航中，路径规划算法给出的往往是一条几何曲线，而机器人真正执行时能否贴合这条曲线，取决于它的运动学模型与动力学约束。如果忽略底盘构型，直接让差速机器人沿直角折线行驶，或让阿克曼底盘原地旋转，都会导致跟踪误差急剧增大，甚至引发多机之间的碰撞。因此，理解常见运动模型及其约束，是协同避碰算法落地的前提。

一、核心原理：从位姿到运动学模型

机器人在平面上的位姿通常表示为 (x, y, θ)，其中 θ 为航向角。运动学模型描述的是控制输入（线速度、角速度或轮速）与位姿变化率之间的关系。常见模型可分为三类：

• 差速模型：左右两轮独立驱动，通过左右轮速差实现转向，可实现原地旋转，属于非完整约束系统。
• 阿克曼模型：前轮转向、后轮驱动，类似汽车，转弯半径受最小转弯半径限制，不能原地转向。
• 全向模型：采用麦克纳姆轮或全向轮，可在平面内任意方向平移并同时旋转，运动自由度最高。

三者的本质差异在于可控自由度与瞬时运动约束。差速与阿克曼都受非完整约束，即不能沿车体侧向直接平移；全向模型则近似完整约束，侧向速度可直接由轮组合成。

二、方法流程：从模型到导航约束

在协同导航系统中，运动模型通常以约束形式嵌入规划与控制环节，流程如下：

1. 模型辨识：确定底盘类型，标定轮距 L、轮半径 r、最小转弯半径 R_min、最大速度与加速度。
2. 约束建模：将非完整约束写成状态方程，例如差速模型满足 ẋ·sinθ − ẏ·cosθ = 0。
3. 规划适配：在路径搜索中引入曲率约束或运动基元，使路径满足底盘可执行性。
4. 控制跟踪：采用纯跟踪、模型预测控制等方法，将速度指令映射为轮速。
5. 协同避碰：结合各机器人可达集与制动距离，动态调整速度与优先级。

三、动力学约束对导航的影响

运动学描述几何可行性，动力学则决定实际响应能力。常见约束包括最大线速度 v_max、最大角速度 ω_max、最大加速度 a_max、最大角加速度 α_max，以及电机响应延迟、轮胎打滑、负载变化等。它们会直接影响：

• 跟踪误差：加速度受限时，机器人无法瞬时达到规划速度，转弯处易外切。
• 制动距离：速度越高，制动距离越长，协同避碰的安全间距必须相应增大。
• 通行效率：阿克曼底盘在狭窄通道中需要更大转弯空间，可能造成瓶颈。
• 多机死锁：若多台机器人同时进入窄区且都无法后退，容易形成互锁。

模型	典型控制量	运动约束	导航影响
差速	v、ω	无侧向平移，可原地旋转	路径需平滑，适合窄道与原地调整
阿克曼	v、前轮转角 δ	最小转弯半径，不能原地转	需预留转弯空间，路径曲率受限
全向	vx、vy、ω	轮组打滑、效率随方向变化	机动性高，但需处理侧移误差与能耗

四、案例与场景：仓储多机协同

在一个仓储场景中，三台差速 AGV 与一台阿克曼叉车共用一条主通道。若规划器只按几何最短路径生成轨迹，差速 AGV 可以原地旋转调整，而叉车必须提前减速并沿大半径弧线通过。若忽略这一差异，叉车会在通道口被迫停车，后方 AGV 继续逼近，形成局部拥堵。

改进做法是：在协同规划层为每类机器人维护不同的运动基元库，并在冲突检测时使用各自的可达时间窗。例如差速 AGV 的时间窗较短，叉车的时间窗较长，调度器据此错峰放行。同时，在速度指令层加入加速度限幅：

v_cmd = clamp(v_plan, v_min, v_max)
a_cmd = clamp((v_cmd - v_now) / dt, -a_max, a_max)
v_next = v_now + a_cmd * dt
ω_cmd = clamp(ω_plan, -ω_max, ω_max)

这样，规划层与执行层之间形成一致的约束表达，避免“规划可行、执行不可行”的脱节。

五、常见误区与复盘

• 误区一：所有机器人都用同一套运动模型。异构机器人混行时，必须按类型分别建模，否则避碰策略会失效。
• 误区二：只考虑运动学，忽略动力学。高速场景下，加速度和制动距离才是安全间距的决定因素。
• 误区三：认为全向机器人“无所不能”。麦克纳姆轮在侧移时效率低、打滑大，实际定位误差可能高于差速模型。
• 误区四：规划路径曲率超过底盘能力。阿克曼底盘尤其明显，路径必须满足最小转弯半径约束。

综上，差速、阿克曼与全向模型在自由度、约束形式和适用场景上差异显著。只有把运动学与动力学约束显式地纳入协同导航与避碰框架，才能让多机器人系统在真实环境中稳定、高效、安全地运行。