3、车辆运动学模型：自行车模型推导、状态空间方程、模型离散化方法、模型局限性分析

各位同学，欢迎来到复杂弯道路径跟踪实战的第三讲。今天我们来啃一块硬骨头——车辆运动学模型。说白了，就是研究车怎么动起来的数学模型。

我刚开始做自动驾驶控制时，总觉得运动学模型太简单，不够“高级”。直到有一次在高速匝道上做路径跟踪测试，车在弯道里直接跑偏了。嗯，从那以后我才明白：模型不是越复杂越好，而是越合适越好。

3.1 自行车模型推导

为什么叫自行车模型？你想想看，自行车转弯时，前后轮的运动轨迹其实很有规律。我们把四轮汽车简化成两轮，前轮负责转向，后轮负责驱动。这个简化，在低速场景下非常实用。

推导前，先定义几个关键变量：

• δ：前轮转角（方向盘打多少，轮子转多少）
• L：轴距（前后轮之间的距离）
• v：车辆速度（通常指后轴中心速度）
• θ：车辆航向角（车头指向的方向）
• (x, y)：后轴中心坐标

核心假设有两个：

1. 车辆在平面上运动，不考虑垂向跳动
2. 轮胎侧偏角忽略不计（低速时成立）

基于几何关系，我们可以得到：

tan(δ) = L / R

其中R是转弯半径。这个公式很关键，它把方向盘转角直接和转弯半径联系起来了。

我在项目中遇到过一个问题：用这个公式算出来的转弯半径，和实际GPS轨迹对不上。后来发现是轮胎气压不一致导致的。嗯，模型再完美，也架不住物理世界的“小脾气”。

3.2 状态空间方程

有了上面的基础，我们可以写出完整的运动学微分方程：

x_dot = v * cos(θ)
y_dot = v * sin(θ)
θ_dot = v * tan(δ) / L

写成状态空间形式：

状态向量：X = [x, y, θ]^T
控制输入：U = [v, δ]^T

X_dot = f(X, U) = 
[ v * cos(θ) ]
[ v * sin(θ) ]
[ v * tan(δ) / L ]

这个方程是非线性的，因为出现了cos和sin。为什么非线性这么麻烦？因为后续做控制设计时，很多线性控制理论不能直接套用。

3.3 模型离散化方法

计算机是离散的，我们需要把连续模型变成离散形式。常用的方法有三种：

方法	精度	计算量	适用场景
前向欧拉法	一阶	低	采样频率高时
龙格-库塔法（RK4）	四阶	中	精度要求高时
零阶保持法	精确	高	线性系统

我最常用的是前向欧拉法，简单直接：

// 离散化后的状态更新
x(k+1) = x(k) + dt * v(k) * cos(θ(k))
y(k+1) = y(k) + dt * v(k) * sin(θ(k))
θ(k+1) = θ(k) + dt * v(k) * tan(δ(k)) / L

dt是采样时间，一般取0.01s到0.05s。我曾经试过把dt设成0.1s，结果在急弯处模型直接发散。嗯，这里要注意：采样时间不能太大，否则离散化误差会累积。

3.4 模型局限性分析

自行车模型虽然好用，但局限性也很明显。我总结了几点：

1. 低速假设：车速超过10m/s时，轮胎侧偏角不可忽略，运动学模型误差会急剧增大
2. 无侧滑假设：在湿滑路面或急转弯时，车辆会出现侧滑，模型完全失效
3. 忽略动力学：不能描述车辆的加速/制动时的俯仰、侧倾等动态特性
4. 平面运动假设：在坡道或颠簸路面，模型精度大打折扣

为什么会这样？说白了，自行车模型只考虑了“几何约束”，没考虑“力”。当车速快起来，轮胎和地面的摩擦力就成了主导因素。

我记得有一次做自动泊车项目，用自行车模型做路径跟踪，效果出奇的好。因为泊车速度只有5 km/h，模型假设完全成立。但后来做高速领航辅助时，同样的模型就完全不行了。

所以，选模型就像选工具。螺丝刀拧螺丝很好用，但你非要用它砸钉子，那就别怪工具不好使。

好了，这一讲的内容就到这里。自行车模型虽然简单，但它是理解更复杂模型的基础。掌握了它，你就能理解为什么低速泊车时控制那么精准，为什么高速弯道需要更复杂的模型。