📚 课程目录第3章 AGV基础

3、AGV基础：AGV类型、运动学模型（差速、阿克曼）、传感器（激光雷达、IMU、相机）原理与仿真表示

在进入 Isaac Sim 的 AGV 路径规划仿真之前，必须首先建立对 AGV 本体的系统性认知。仿真不是对现实世界的简单复制，而是对物理规律与传感器特性的抽象建模。如果对 AGV 的类型差异、运动学约束以及传感器噪声模型缺乏理解，后续搭建的仿真场景将要么过于理想化（导致算法无法迁移到真实环境），要么过于复杂（导致仿真运行效率低下）。本章将围绕 AGV 的三大核心要素展开：类型划分、运动学模型、传感器仿真表示，并重点说明在 Isaac Sim 中如何通过 USD 组件与 ROS 2 接口实现这些要素的映射。

上图展示了本章的核心逻辑框架：AGV 类型决定了仿真中的物理外形与挂载方式，运动学模型决定了底盘控制指令的映射关系，而传感器仿真则为算法提供感知输入。三者共同构成一个完整的 AGV 仿真体，最终通过 ROS 2 接口与导航栈交互。下面逐一展开。

3.1 AGV 类型与仿真选型

核心原理：按导航方式与负载形式分类

AGV（Automated Guided Vehicle）在工业场景中主要分为三类：潜伏式（顶升或背负货架）、牵引式（拖拽料车）、叉车式（举升托盘）。从导航方式看，又可分为磁条/色带导航、激光反射板导航、自然导航（SLAM）。在 Isaac Sim 中，我们主要关注自然导航类 AGV，因为其依赖激光雷达与 IMU 进行实时定位与建图，与课程后续的路径规划算法直接相关。

仿真选型时需注意：潜伏式 AGV 通常采用差速底盘，外形为圆柱或方形，重心较低；叉车式 AGV 则可能采用阿克曼转向或后轮转向，且具有举升机构，仿真中需要添加额外的 prismatic joint。如果课程目标是验证 Nav2 局部规划器，建议优先选择差速模型，因为其控制接口简单（cmd_vel 线速度与角速度），便于快速验证算法。

判断方法：根据任务场景选择仿真模型

场景1：室内窄通道、货架密集 → 选择潜伏式差速 AGV，仿真中碰撞体积设为圆柱体，直径 600mm，高度 300mm。
场景2：室外园区、长距离重载 → 选择叉车式或重载牵引车，采用阿克曼模型，仿真中需考虑最小转弯半径。
场景3：需要对接辊筒线或精确停靠 → 选择麦克纳姆轮全向 AGV（虽然本章不重点讲，但 Isaac Sim 支持全向轮模型，通过 wheel OMDirection 属性设置）。

经验提醒：在 Isaac Sim 中，不要直接使用默认的 Cube 作为 AGV 车身。建议使用 Prim 创建带质量属性的刚体，并添加 CollisionApproximation（如凸包或球体），否则物理仿真时会出现穿透或抖动。

案例拆解：潜伏式 AGV 仿真模型搭建

假设我们要搭建一台潜伏式 AGV，用于模拟仓库货架搬运。初始目标：在 Isaac Sim 中创建一个可被 Nav2 控制的差速底盘。关键参数如下：

参数项	数值	仿真设置
车体尺寸	800mm × 600mm × 300mm	Box Collider + Mesh Collider
轮距（轴距）	500mm	左右轮间距
轮子半径	100mm	Cylinder Shape
质量	80kg	Mass = 80
驱动方式	两轮差速，前后万向轮	左右轮为 revolute joint，万向轮为 fixed joint

操作步骤：在 Isaac Sim 中创建 Articulation 根节点，添加车身 RigidBody，然后添加左右驱动轮，设置 D6Joint 或 RevoluteJoint，并指定驱动模式为 Velocity。最后通过 ROS2 Control 桥接 cmd_vel 话题。注意：左右轮的旋转方向必须相反，否则 AGV 无法原地旋转。

3.2 运动学模型：差速与阿克曼

核心原理：从控制指令到轮速映射

差速模型是最常见的室内 AGV 运动学模型。其核心公式为：

v = (v_right + v_left) / 2
ω = (v_right - v_left) / L

其中 v 为线速度，ω 为角速度，L 为轮距。该模型无法实现侧向平移，但可以零半径旋转。在 Isaac Sim 中，我们通过设置左右轮的 JointVelocity 指令来实现。

阿克曼模型模拟汽车转向，前轮负责转向，后轮驱动。其运动学约束为：

tan(δ) = L_wheelbase / R

其中 δ 为前轮平均转向角，R 为转弯半径。阿克曼模型不能原地旋转，且存在最小转弯半径。在仿真中，需要同时控制前轮的转向关节（revolute joint）和后轮的驱动关节。

判断方法：如何选择运动学模型

对比维度	差速模型	阿克曼模型
控制接口	cmd_vel (v, ω)	cmd_vel + 前轮转角
路径规划适配	适合 Reeds-Shepp 曲线	适合 Dubins 曲线
仿真复杂度	低（两个驱动轮）	高（转向 + 驱动解耦）
典型场景	室内货架搬运	室外园区物流

风险提示：在 Isaac Sim 中，如果使用阿克曼模型，必须确保前轮转向角与后轮速度的同步更新。否则会出现轮胎打滑或模型抖动。建议使用 ArticulationController 的 set_joint_velocities 和 set_joint_positions 接口分别控制驱动与转向。

实战场景：差速 AGV 的里程计解算

在仿真中，我们通常不直接读取轮子转速来计算里程计，而是通过 Odom 传感器或直接读取底盘 Articulation 的 WorldPosition。但为了验证运动学模型的正确性，可以手动实现轮速积分：

# 伪代码：差速里程计解算
dt = 0.05
v = (w_left + w_right) * r / 2
ω = (w_right - w_left) * r / L
x += v * cos(θ) * dt
y += v * sin(θ) * dt
θ += ω * dt

在 Isaac Sim 中，可以通过 ROS2 Odom 发布器直接输出 nav_msgs/Odometry，但需要注意：仿真中的里程计是理想值，没有累积误差。如果课程需要模拟真实场景，可以在 Odom 输出上叠加高斯噪声。

3.3 传感器原理与仿真表示

核心原理：三大传感器的物理特性

激光雷达（LiDAR）通过发射激光束并测量反射时间来计算距离。在仿真中，Isaac Sim 使用 RayCast 传感器模拟，可以设置光束数量、扫描范围、角度分辨率以及噪声模型。关键参数包括：horizontal_fov（水平视场角）、max_range（最大量程）、noise_stddev（高斯噪声标准差）。

IMU（惯性测量单元）提供加速度与角速度。仿真中需要模拟零偏（bias）与高斯白噪声。Isaac Sim 的 ImuSensor 可以输出线性加速度与角速度，但默认是理想值。为了贴近真实，需要添加 Bias 节点或通过 ROS 2 驱动添加噪声。

相机在 AGV 中主要用于视觉定位（如 AprilTag 识别）或语义分割。Isaac Sim 提供 Camera 传感器，可输出 RGB、深度、语义分割等数据。仿真中需注意相机的内参（焦距、主点）与畸变模型，否则视觉算法无法直接迁移。

仿真表示：在 Isaac Sim 中挂载传感器

激光雷达：在 AGV 车体上添加 Lidar Prim，设置 Draw Points 为 True 可实时查看点云。通过 ROS2 Lidar 桥接发布 sensor_msgs/LaserScan。
IMU：添加 ImuSensor 到车体中心，设置 Linear Acceleration 与 Angular Velocity 的噪声参数。发布 sensor_msgs/Imu。
相机：添加 Camera Prim，设置分辨率与 FOV。通过 ROS2 Camera 发布 sensor_msgs/Image 或 CompressedImage。

  关键配置示例：在 Isaac Sim 的 Lidar 属性中，设置 horizontal_fov 为 360，rotation_rate 为 10Hz，range 为 30m，noise_stddev 为 0.02m。这样模拟出的点云更接近真实雷达（如 SICK TIM561）。

常见误区与总结复盘

误区1：认为仿真传感器是完美的。实际上，如果不在仿真中添加噪声，路径规划算法在真实环境中会因传感器误差而失效。建议在课程初期就引入噪声模型。
误区2：忽略传感器坐标系与车体坐标系的 TF 变换。在 Isaac Sim 中，传感器挂载在车体 Prim 下，但发布 TF 时需确保 base_link 到 laser_frame 的变换正确。
误区3：相机仿真中不设置畸变。对于视觉定位，畸变会影响特征点提取精度。建议在 Camera 属性中设置 fisheye 或 radial 畸变参数。