1. 课程导入与井下场景认知

井下轮式机器人并不是把地面移动机器人简单搬进巷道。它面对的是低照度、粉尘、潮湿、路面起伏与积水并存的受限空间，通信往往只能依靠漏缆、Wi‑Fi 或临时中继，定位无法稳定依赖卫星信号。在这样的环境里，底盘驱动决定了机器人“能不能走、走得稳不稳”，里程计校准则决定了机器人“知不知道自己走了多远、拐了多少度”。这两件事共同构成井下自主行走与任务执行的基础。

一、井下轮式机器人的典型任务

从工程实践看，井下轮式机器人常见任务可以归为四类。第一类是巡检类，例如变电所、水泵房、皮带机沿线设备状态巡检，机器人按固定路线采集红外热像、可见光图像与声音，要求重复定位精度高，否则同一测点每次拍摄角度差异过大，数据难以纵向对比。第二类是运输类，例如材料、工具、备件的中短距离转运，关注的是载重能力、爬坡能力与通过性。第三类是辅助作业类，例如水仓清淤、巷道洒水降尘、气体采样，往往需要底盘具备低速稳定行驶与精确停位能力。第四类是应急探测类，例如灾后巷道侦察，强调越障、涉水与在通信中断条件下的自主返航能力。

这些任务的共同点是：机器人必须在没有卫星定位的条件下，依靠轮速里程计、惯性测量单元（IMU）与激光雷达等传感器的组合来估计自身位姿。其中轮速里程计提供最直接、频率最高的位移增量，是航迹推算的起点。一旦里程计存在系统性偏差，后续激光匹配、地图构建与路径跟踪都会被“带偏”。

二、底盘驱动与里程计校准在任务链中的位置

可以把一次典型巡检任务拆成一条信号与信息链：驱动控制器接收速度指令，通过电机驱动器输出转矩，经减速器与车轮作用于巷道地面；编码器同步采集车轮转角，换算为左右轮位移，再由差速运动学模型解算出车体线速度与角速度，积分得到位姿增量；该增量与 IMU、激光雷达数据融合，形成定位结果，最终供路径跟踪与任务调度使用。这条链路上，底盘驱动是“执行端”，里程计是“感知端”，二者通过同一组车轮耦合在一起——驱动打滑会直接污染里程计，而里程计标定不准又会让驱动指令与实际位移脱节。

图中橙色虚线表示两条容易被忽视的耦合路径：一是定位结果反过来修正路径跟踪的期望速度，二是地面打滑直接污染轮速。理解这两条路径，就能明白为什么“驱动调好了”不等于“里程计准了”，也解释了本课程为何把驱动与校准放在同一门课中讲授。

三、从场景到参数：一个教学示例

假设某矿用差速轮式底盘用于水泵房巡检，参数设定为：车轮名义直径 0.30 m，左右轮中心距 0.62 m，编码器每转 1024 脉冲，减速比 1:30。若控制器在一个采样周期内读到左轮 512 个脉冲、右轮 500 个脉冲，则左轮转角为 512/(1024×30) 转，对应弧长约为 0.30π×512/30720 ≈ 0.0157 m，右轮约为 0.0153 m。按差速模型，车体位移约为两轮平均 0.0155 m，航向角增量约为 (0.0157−0.0153)/0.62 ≈ 0.00065 rad。这些数值本身很小，但连续累积几百个周期后，轮径误差 2% 就可能带来米级的位置偏差。因此校准不是“可选项”，而是巡检数据可比性的前提。

四、课程目标与学习路径

本课程围绕“让底盘走得稳、让里程计算得准”两条主线展开。学习路径大致分为四个层次：第一层是认知层，理解井下工况对驱动与里程计的特殊约束，明确坐标系与符号约定，例如规定车体前进方向为 x 轴正向、逆时针航向为正；第二层是驱动层，掌握电机选型、减速比匹配、差速转向运动学与驱动控制的基本实现；第三层是校准层，掌握轮径、轮距、编码器分辨率与比例系数的标定方法，能够设计直线段与原地旋转试验并处理数据；第四层是融合与验证层，理解里程计与 IMU、激光雷达的融合思路，能够通过闭合回路误差、重复定位偏差等指标判断校准是否达标。

学习过程中建议始终带着三个问题：当前参数是在哪个坐标系、哪种工况下定义的？这个误差是系统性偏差还是随机打滑？用什么试验能在现场快速复现并量化它？把这三个问题贯穿始终，后续的公式推导与实操步骤才不会变成孤立记忆。

五、本节要点回顾

• 井下轮式机器人的典型任务包括巡检、运输、辅助作业与应急探测，均依赖无卫星条件下的自主定位。
• 底盘驱动是执行端，里程计是感知端，二者通过车轮耦合，打滑会同时影响驱动效果与定位可信度。
• 里程计校准的核心参数包括有效轮径、轮距、编码器分辨率与比例系数，校准应在现场工况下进行。
• 课程按“场景认知—驱动实现—里程计标定—融合验证”的路径推进，强调参数定义、试验设计与结果判读。