2. 运动学模型基础：两轮差速模型、阿克曼模型、单车模型
做轨迹跟踪，第一个绕不开的坎就是运动学模型。
说白了，你得先知道你的机器人或者车辆，到底是怎么动起来的。模型选错了，后面控制算法再花哨也白搭。我见过不少新手，上来就套用复杂的动力学模型，结果参数调得焦头烂额，其实一个简单的运动学模型就能解决问题。
这一章，我们就来聊聊三种最常用的运动学模型：两轮差速、阿克曼和单车模型。我会把它们的推导过程、适用范围，以及我实际项目中踩过的坑，都掰开揉碎了讲清楚。
核心观点：运动学模型是轨迹跟踪的“底层语言”。选对模型，等于成功了一半。低速场景下，运动学模型往往比复杂的动力学模型更实用、更鲁棒。
2.1 两轮差速模型
这是最基础，也是我最早接触的模型。你想想看，一个扫地机器人，或者一个AGV小车，它们怎么转弯？靠的就是左右两个轮子的速度差。
模型的核心思想很简单：通过控制左右轮的线速度 \( v_L \) 和 \( v_R \)，来控制车体的线速度 \( v \) 和角速度 \( \omega \)。
模型推导
假设两个轮子间距为 \( L \)（轮距），车体中心的速度和角速度可以表示为：
v = (v_R + v_L) / 2
ω = (v_R - v_L) / L然后，我们关心的是车体在世界坐标系下的位姿 \( (x, y, \theta) \)。它的运动学方程是：
ẋ = v * cos(θ)
ẏ = v * sin(θ)
θ̇ = ω这里有个细节，我刚开始做的时候经常搞混：\( \theta \) 是航向角，不是转向角。差速模型没有“前轮转向”的概念，它靠的是瞬时旋转中心（ICR）来转弯。
我的经验： 在实际代码中，我习惯把左右轮速度作为控制输入，然后通过上面的公式解算出 \( v \) 和 \( \omega \)。这样做的好处是，后续的轨迹跟踪控制器（比如纯追踪）可以直接用 \( v \) 和 \( \omega \) 作为输入，非常方便。
适用范围
- 低速场景（通常 < 1 m/s）：轮子不打滑，模型精度高。
- 室内机器人：服务机器人、仓储AGV、扫地机。
- 全向移动：可以原地旋转（\( v=0, \omega \neq 0 \)），灵活性高。
避坑指南： 我曾经在一个项目中，直接用差速模型控制一个重载AGV。结果速度一快，转弯时轮子严重打滑，轨迹完全失控。后来我才意识到，差速模型假设轮子与地面是纯滚动，没有滑移。一旦速度上去，或者地面摩擦系数不够，模型就失效了。这时候，你需要考虑动力学模型，或者加入滑移补偿。
2.2 阿克曼模型
阿克曼模型，说白了就是汽车模型。它的特点是：前轮转向，后轮驱动。而且，为了实现纯滚动转向，两个前轮的转向角是不一样的——内侧轮转角大于外侧轮。这就是阿克曼转向几何。
不过，在轨迹跟踪里，我们通常用单车模型来近似阿克曼模型。但这里我们先讲完整的阿克曼模型，让你有个概念。
模型推导
阿克曼模型的核心是转向几何关系。假设车辆轴距为 \( L \)，前轮转角为 \( \delta \)（通常取平均值），后轴中心的转弯半径 \( R \) 为：
R = L / tan(δ)后轴中心的速度 \( v \) 与角速度 \( \omega \) 的关系是：
ω = v / R = v * tan(δ) / L所以，运动学方程可以写成：
ẋ = v * cos(θ)
ẏ = v * sin(θ)
θ̇ = v * tan(δ) / L你看，这里多了一个控制量 \( \delta \)（前轮转角）。这就是阿克曼模型和差速模型最大的区别。
关键点： 阿克曼模型不能原地旋转。它的最小转弯半径受限于 \( L \) 和最大转角 \( \delta_{max} \)。这一点在路径规划时一定要考虑进去。
适用范围
- 轮式车辆：汽车、无人车、部分轮式机器人。
- 中高速场景（1-10 m/s）：相比差速模型，阿克曼模型在高速下更稳定。
- 非全向移动：需要一定的转弯半径，不能原地掉头。
我的建议： 如果你在做无人车项目，直接用阿克曼模型会有点复杂。因为你需要精确控制两个前轮的转角。我通常的做法是，先用单车模型做控制算法验证，等实车测试时再考虑阿克曼转向几何的补偿。
2.3 单车模型 (Bicycle Model)
单车模型，是阿克曼模型的一种简化。它把车辆的两个前轮和两个后轮，分别合并成一个虚拟的“前轮”和“后轮”。
你想想看，这样一简化，模型就变得非常简洁。而且，在低速和中高速场景下，单车模型的精度都足够用。我个人非常喜欢用这个模型，尤其是在做MPC（模型预测控制）的时候。
模型推导
单车模型的状态量通常是 \( [x, y, \theta, \delta] \)，控制量是 \( [v, \dot{\delta}] \)（速度和转角变化率）。它的运动学方程是：
ẋ = v * cos(θ)
ẏ = v * sin(θ)
θ̇ = v * tan(δ) / L
δ̇ = ω_δ (转角变化率)这里，\( L \) 是轴距，\( \delta \) 是前轮转角，\( \omega_{\delta} \) 是转向角速度。
为什么我要把 \( \delta \) 也作为状态量？因为在实际系统中，转向执行器是有惯性的，不能瞬间跳变。把 \( \delta \) 纳入状态，可以让控制量更平滑，避免出现剧烈的转向动作。
对比表格： 三种模型的核心差异
| 特性 | 两轮差速 | 阿克曼 | 单车模型 |
|---|---|---|---|
| 控制输入 | \( v_L, v_R \) | \( v, \delta \) | \( v, \dot{\delta} \) |
| 状态量 | \( x, y, \theta \) | \( x, y, \theta \) | \( x, y, \theta, \delta \) |
| 能否原地旋转 | 能 | 不能 | 不能 |
| 最小转弯半径 | 0 | \( L / \tan(\delta_{max}) \) | \( L / \tan(\delta_{max}) \) |
| 适用速度 | 低速 (< 1 m/s) | 中高速 (1-10 m/s) | 全速域 (简化后) |
| 模型复杂度 | 低 | 中 | 中低 |
适用范围
- 路径规划与跟踪：几乎所有基于几何的跟踪方法（如纯追踪、Stanley）都基于单车模型。
- 高速场景：忽略轮胎侧偏角，模型依然有效。如果需要更高精度，可以加入侧偏角补偿，变成动力学模型。
- 算法验证：做仿真验证时，单车模型是首选。它足够简单，又能反映车辆的核心运动特性。
避坑指南： 我曾经在做一个高速无人车项目时，直接用单车模型做MPC。结果在急转弯时，车辆严重偏离轨迹。排查后发现，单车模型忽略了轮胎的侧偏特性。在高速大转角下，轮胎侧偏角不可忽略。后来我在模型里加入了线性轮胎模型，才解决了问题。所以，单车模型在低速下很准，但在高速下，一定要考虑动力学修正。
2.4 如何选择模型？
嗯，到这里，三种模型都讲完了。你可能会问：那我到底该用哪个？
我的建议是，遵循一个原则：够用就好，不要过度复杂。
- 如果你的机器人是室内AGV，速度不超过1 m/s，两轮差速模型足够了。
- 如果你在做无人车项目，速度在10 m/s以下，单车模型是最佳选择。
- 如果你需要精确控制转向几何，或者在做车辆动力学仿真，再考虑完整的阿克曼模型。
记住，模型只是工具。我们的目标是让机器人跑得准、跑得稳，而不是追求模型的数学美感。我在项目中，经常先用单车模型快速迭代算法，等效果满意了，再根据实际表现决定要不要加更复杂的模型。