车辆运动学模型：从自行车到阿克曼

各位同学好，我是你们的老朋友。今天咱们聊聊自动驾驶仿真里最基础、也最核心的一块——车辆运动学模型。

说实话，我刚入行那会儿，总觉得运动学模型太简单，不就是个几何关系嘛。直到有一次，我在做路径跟踪仿真时，发现车辆怎么都跑不直，方向盘明明打了，车却像喝醉了一样。排查了半天，原来是模型里少考虑了阿克曼几何的约束。嗯，从那以后，我再也不敢小看这个“简单”的模型了。

为什么是自行车模型？

你想想看，一辆真车有四个轮子，每个轮子都有自己的转向角、滑移角，建模起来非常复杂。但在很多场景下，我们其实不需要那么精细。

自行车模型的核心思想很简单：把左右两个前轮合并成一个虚拟前轮，左右后轮合并成一个虚拟后轮。这样一来，四轮车就变成了两轮车。

阿克曼转向几何

好，问题来了。既然我们把两个前轮合并成一个，那这个虚拟前轮的转向角该怎么算？

这就引出了阿克曼转向几何。说白了，它解决的是：车辆转弯时，内侧轮和外侧轮的转弯半径不一样，所以它们的转向角也不一样。

你看，如果左右前轮平行转向，车辆会怎么走？它会侧滑，因为内侧轮转的弯更急，外侧轮转的弯更缓。阿克曼几何就是让内侧轮多转一点，外侧轮少转一点，这样所有轮子都绕着同一个圆心转。

数学上，阿克曼转向关系可以表示为：

δ_inner = arctan(L / (R - W/2))
δ_outer = arctan(L / (R + W/2))

其中：

• L：轴距（前后轮中心的距离）
• W：轮距（左右轮中心的距离）
• R：转弯半径

而在自行车模型中，我们通常使用一个等效的前轮转向角 δ，它近似等于内外轮转向角的平均值。

车辆状态表示：x, y, yaw, velocity

有了模型，我们还得知道车辆当前在哪儿、朝哪儿、跑多快。这就是车辆状态表示。

在二维平面中，我们用四个量来描述车辆状态：

状态量	符号	单位	含义
横向位置	x	m	车辆后轴中心在全局坐标系下的x坐标
纵向位置	y	m	车辆后轴中心在全局坐标系下的y坐标
航向角	yaw	rad	车辆纵轴与全局x轴的夹角
速度	velocity	m/s	车辆后轴中心的瞬时速度

这里有个细节：为什么选后轴中心作为参考点？因为后轴中心在自行车模型中就是后轮的位置，而且后轮没有转向角，计算起来最方便。

运动学方程

有了状态，我们还得知道状态怎么随时间变化。这就是运动学方程：

dx/dt = v * cos(yaw)
dy/dt = v * sin(yaw)
dyaw/dt = v * tan(δ) / L
dv/dt = a

其中：

• δ：前轮转向角（控制输入）
• a：加速度（控制输入）
• L：轴距

你看，这个方程组其实很直观。x和y的变化就是速度在x和y方向上的投影。航向角的变化率，说白了就是角速度，它等于速度除以转弯半径，而转弯半径 R = L / tan(δ)。

离散化：从连续到离散

仿真嘛，肯定是在离散时间步上跑的。所以我们需要把上面的连续方程离散化。

最常用的方法是欧拉法：

x(k+1) = x(k) + v(k) * cos(yaw(k)) * dt
y(k+1) = y(k) + v(k) * sin(yaw(k)) * dt
yaw(k+1) = yaw(k) + v(k) * tan(δ(k)) / L * dt
v(k+1) = v(k) + a(k) * dt

dt 是仿真步长，一般取 0.01s 到 0.1s 之间。

知识体系总览

为了让大家更直观地理解本章的知识结构，我画了一张图：

代码实现：一个简单的运动学仿真

光说不练假把式。咱们写个简单的 Python 代码，把自行车模型跑起来：

import numpy as np

class BicycleModel:
    def __init__(self, L=2.5, dt=0.05):
        self.L = L          # 轴距，单位米
        self.dt = dt        # 仿真步长，单位秒
        self.x = 0.0
        self.y = 0.0
        self.yaw = 0.0
        self.v = 0.0
    
    def update(self, delta, a):
        """
        更新车辆状态
        delta: 前轮转向角 (rad)
        a: 加速度 (m/s^2)
        """
        self.x += self.v * np.cos(self.yaw) * self.dt
        self.y += self.v * np.sin(self.yaw) * self.dt
        self.yaw += self.v * np.tan(delta) / self.L * self.dt
        self.v += a * self.dt
        
        return self.x, self.y, self.yaw, self.v

# 使用示例
car = BicycleModel(L=2.5, dt=0.05)
for t in range(100):
    # 给一个恒定的转向角和加速度
    x, y, yaw, v = car.update(delta=0.1, a=0.5)
    if t % 20 == 0:
        print(f"t={t*0.05:.2f}s: x={x:.2f}, y={y:.2f}, yaw={yaw:.2f}, v={v:.2f}")

总结一下

这一章我们聊了三个核心内容：

• 自行车模型：把四轮简化为两轮，适用于低速场景
• 阿克曼转向几何：保证车辆转弯时所有轮子绕同一圆心转动
• 车辆状态表示：用 (x, y, yaw, velocity) 描述车辆位姿和速度

这些内容看起来简单，但它们是整个路径跟踪仿真的基石。我见过不少同学一上来就搞复杂的动力学模型，结果连最基本的运动学都没搞明白，仿真结果自然一塌糊涂。

记住：先把简单的跑通，再往复杂里加。这是我在项目中摔过跟头后总结出来的经验。