第2章车辆运动学模型：自行车模型推导

各位同学，欢迎来到路径跟踪控制的第二关。

今天我们要聊的，是自动驾驶控制里最经典、也最实用的模型——自行车模型。说白了，就是把一辆四轮车，简化成一辆自行车来分析。你可能会问：这靠谱吗？

嗯，我刚开始做控制的时候也有这个疑问。后来在实际项目中跑了几万公里的数据，发现这个模型在大部分场景下，精度完全够用。今天我就把它的推导过程、适用场景，以及我踩过的坑，一次性讲清楚。

真实车辆有四个轮子，转向系统也很复杂。但如果我们只关心车辆在平面上的运动，其实可以做一个大胆的简化：

你看，这不就是一辆自行车吗？

核心思想：自行车模型假设车辆在运动过程中，左右轮的转角一致，且不考虑轮胎的侧偏特性。它只描述车辆的几何运动关系，不涉及动力学力。

我个人习惯在项目初期先用自行车模型做快速验证。为什么？因为它参数少、计算快，调参也方便。等基本逻辑跑通了，再上更复杂的动力学模型。

任何模型都有假设条件。自行车模型也不例外。这里我列出几条关键假设，你最好记在心里：

⚠️ 我曾经踩过的坑：有一次在高速匝道上做路径跟踪，车速到了15m/s，结果自行车模型给出的控制量完全不对，车辆直接冲出了车道线。后来才发现，高速下轮胎侧偏角已经不可忽略了。所以记住：自行车模型适合低速、小曲率场景。

在自动驾驶领域，我们通常把车辆分为两种驱动方式：

但不管哪种，在自行车模型里，我们都统一处理为：前轮控制转向角 δ，后轮提供驱动力。

为什么这么处理？因为路径跟踪控制的核心是横向控制，也就是控制车辆的方向。驱动方式对横向动力学的影响，在低速时可以忽略。

好，现在我们来推导核心公式。你想想看，一辆自行车在平面上运动，它的状态可以用三个量描述：

控制输入有两个：

那么，运动学方程就是：

dx/dt = v * cos(θ)
dy/dt = v * sin(θ)
dθ/dt = v * tan(δ) / L

其中 L 是车辆的轴距（前后轮之间的距离）。

这个方程组看起来简单，但信息量很大。我来解释一下：

为什么会这样？你可以想象一下：前轮转向后，车辆会绕一个圆心做圆周运动。这个圆的半径 R = L / tan(δ)。而角速度 ω = v / R = v * tan(δ) / L。嗯，就是这么来的。

💡 个人经验：在实际代码中，我通常用离散化的形式来更新车辆状态。比如用欧拉法：

x_new = x + v * cos(θ) * dt
y_new = y + v * sin(θ) * dt
θ_new = θ + v * tan(δ) / L * dt

dt 是控制周期，一般取 0.01~0.1 秒。注意 dt 不能太大，否则离散误差会累积。

为了让你更直观地理解本章的知识脉络，我画了一张图：

方程推导完了，但实际用起来还有几个坑。我一个个说：

总结一下：自行车模型是路径跟踪控制的基石。它简单、高效，适合低速场景。但你要清楚它的假设条件，知道什么时候该用，什么时候该换。

下一章我们会在这个模型的基础上，设计具体的控制器。到时候你会发现，今天的推导有多重要。

可可精品资料库

第2章 车辆运动学模型：自行车模型推导