3. 运动学模型基础
各位同学，欢迎来到运动学模型这一章。
说实话，搞机器人路径跟踪，最绕不开的就是运动学模型。你想想看，你给机器人发一个速度指令，它到底怎么动？轮子怎么转？车头往哪拐？这些全得靠运动学方程来算。
我个人习惯把运动学模型比作「机器人的腿」。没有它，你的控制算法再漂亮，也只是纸上谈兵。今天我们就来啃下这块硬骨头——两轮差速模型和阿克曼模型。
3.1 两轮差速模型：最常用的移动底盘
两轮差速模型，说白了就是靠两个独立驱动的轮子，通过转速差来实现转向。我在项目中遇到过很多次，这种底盘结构简单、成本低，室内机器人几乎都在用。
3.1.1 模型结构
想象一下：两个轮子左右分布，中间一个万向轮或者从动轮撑着。左轮速度 vL，右轮速度 vR，轮距（两个轮子中心之间的距离）为 L。
- 当 vL = vR，机器人直行
- 当 vL > vR，机器人向右转弯
- 当 vL < vR，机器人向左转弯
- 当 vL = -vR，机器人原地旋转
核心公式：
机器人线速度：v = (vR + vL) / 2
机器人角速度：ω = (vR - vL) / L
转弯半径：R = v / ω = L * (vR + vL) / (2 * (vR - vL))
3.1.2 运动学方程推导
嗯，这里要注意。我们通常用位姿 (x, y, θ) 来表示机器人在世界坐标系中的状态。其中 θ 是朝向角。
那么，机器人的运动学方程就是：
ẋ = v * cos(θ)
ẏ = v * sin(θ)
θ̇ = ω写成离散形式（用于代码实现）：
x(k+1) = x(k) + v * cos(θ(k)) * Δt
y(k+1) = y(k) + v * sin(θ(k)) * Δt
θ(k+1) = θ(k) + ω * Δt我的经验：实际编码时，记得把 θ 归一化到 [-π, π] 区间。我曾经因为没做归一化，积分漂移导致机器人原地转圈，排查了整整一下午。
3.2 阿克曼模型：汽车底盘的灵魂
阿克曼模型，就是汽车转向的那个经典结构。前轮转向，后轮驱动。你想想看，为什么汽车转弯时，内侧轮子和外侧轮子的转角不一样？
原因很简单：内侧轮子走的圆弧半径小，外侧轮子走的圆弧半径大。如果转角一样，轮胎就会打滑。阿克曼转向几何就是为了解决这个问题。
3.2.1 模型参数
| 参数 | 符号 | 说明 |
|---|---|---|
| 轴距 | L | 前后轴之间的距离 |
| 轮距 | W | 左右轮之间的距离 |
| 前轮转角 | δ | 前轮平均转向角 |
| 后轮速度 | v | 后轴中心的速度 |
3.2.2 运动学方程
阿克曼模型的核心运动学方程：
ẋ = v * cos(θ)
ẏ = v * sin(θ)
θ̇ = (v / L) * tan(δ)离散形式：
x(k+1) = x(k) + v * cos(θ(k)) * Δt
y(k+1) = y(k) + v * sin(θ(k)) * Δt
θ(k+1) = θ(k) + (v / L) * tan(δ(k)) * Δt避坑指南：我曾经在阿克曼模型上栽过跟头。δ 不能太大，否则 tan(δ) 会爆炸。实际车辆的前轮转角一般不超过 ±35°。另外，低速时阿克曼模型很准，但高速时需要考虑动力学因素。
3.3 两种模型的对比
我整理了一个对比表，方便你快速理解：
| 特性 | 两轮差速 | 阿克曼 |
|---|---|---|
| 转向方式 | 转速差 | 前轮转角 |
| 原地旋转 | 支持 | 不支持 |
| 侧向移动 | 不支持 | 不支持 |
| 控制输入 | vL, vR | v, δ |
| 典型应用 | 室内机器人、AGV | 无人车、智能汽车 |
3.4 知识体系结构图
下面这张图，是我用 SVG 画的。它把本章的核心逻辑串起来了：
3.5 代码实现要点
最后，我分享一下实际写代码时的几个要点：
- 时间步长 Δt 要固定：控制周期不稳定，积分误差会累积。我一般用 10ms 或 20ms。
- 边界检查：阿克曼模型的 δ 要限幅，两轮差速的 vL、vR 也要限幅。
- 位姿初始化：第一次启动时，记得给 (x, y, θ) 赋初值。我习惯用 (0, 0, 0)。
- 调试技巧：先让机器人走直线，再走圆弧，最后走复杂路径。一步一步来，别想一口吃成胖子。
一个小技巧：如果你用的是 ROS，可以用 odom 话题直接获取里程计数据。但自己实现一遍运动学方程，能帮你更深入理解底层原理。
好了，运动学模型就讲到这里。记住，模型是基础，后面所有的路径跟踪算法——纯追踪、Stanley、MPC——全都建立在这两个模型之上。把今天的内容吃透，后面的路就好走了。