车辆运动学模型：从理论到代码实现

做无人车路径跟踪，第一步要解决什么问题？

说白了，你得知道车怎么动。你给方向盘一个角度，车会怎么转弯？你踩油门，车会怎么加速？这些问题的答案，就藏在运动学模型里。

我个人习惯，先从最简单的模型入手。今天咱们就聊聊自行车模型、阿克曼转向，还有怎么把连续方程变成代码能跑的离散形式。

一、自行车模型：把四轮车简化成两轮

你想想看，一辆四轮车转弯时，四个轮子的转向角其实不一样。但如果我们只关心车身的运动轨迹，能不能简化一下？

当然可以。自行车模型就是干这个的。

它把前后轮分别合并成一个虚拟轮。前轮负责转向，后轮负责驱动。这样一来，四轮车的运动就变成了两轮车的运动。

我在项目中遇到过一个问题：用自行车模型做高速路径跟踪，结果偏差越来越大。后来发现，高速时轮胎侧偏不可忽略，自行车模型就不够用了。所以记住，这个模型适合低速场景，比如泊车、园区低速巡航。

二、阿克曼转向模型：真实车辆的转向几何

自行车模型虽然简单，但真实车辆不是这么转的。你开过车就知道，转弯时内侧轮和外侧轮转的角度不一样。

这就是阿克曼转向几何要解决的问题。

数学上怎么描述？假设轴距为 L，前轮外轮转角为 δ_o，内轮转角为 δ_i，它们满足：

cot(δ_o) - cot(δ_i) = 轮距 / L

嗯，这里要注意。实际工程中，我们通常用等效前轮转角 δ 来近似。δ 取内外轮转角的平均值。这样就把阿克曼模型又简化回了自行车模型的形式。

我曾经在实车调试时，发现转向拉杆的机械间隙导致左右轮转角不对称。阿克曼条件被破坏，车辆跑偏严重。后来加了标定补偿才解决。所以做算法时，别忘了考虑机械误差。

三、运动学微分方程：车到底怎么动

有了模型，接下来要描述车的运动状态。我们关心三个量：位置 (x, y) 和航向角 θ。

对于自行车模型，运动学微分方程如下：

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

其中：

• v：后轴中心速度（纵向速度）
• δ：前轮转角
• L：轴距

为什么是 tan(δ) 而不是 sin(δ)？我刚开始学的时候也困惑过。其实很简单，因为前轮速度方向垂直于轮子，而车身的转弯半径 R = L / tan(δ)。角速度 ω = v / R = v * tan(δ) / L。

四、模型离散化：让计算机能算

微分方程是连续的，但计算机只能处理离散数据。我们需要把连续方程变成差分方程。

最常用的方法是欧拉法。简单粗暴，但够用。

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

dt 是采样时间。我建议 dt 取 0.01s 到 0.05s 之间。太小了计算量大，太大了精度不够。

我个人习惯，做原型验证时先用欧拉法。跑通了再换高阶方法。别一开始就上龙格-库塔，调试起来太费劲。

五、知识体系总览

下面这张图，把本章的核心逻辑串起来了。你可以对照着看，心里有个框架。

六、代码实现：把公式跑起来

光说不练假把式。下面给一个 Python 实现，你直接复制就能跑。

import numpy as np

class BicycleModel:
    """自行车运动学模型"""
    def __init__(self, L=2.5, dt=0.02):
        self.L = L      # 轴距，单位米
        self.dt = dt    # 采样时间，单位秒
        
    def step(self, x, y, theta, v, delta):
        """
        单步更新
        x, y, theta: 当前状态
        v: 纵向速度 (m/s)
        delta: 前轮转角 (rad)
        """
        # 限幅保护
        delta = np.clip(delta, -0.6, 0.6)
        
        # 欧拉法离散化
        x_next = x + v * np.cos(theta) * self.dt
        y_next = y + v * np.sin(theta) * self.dt
        theta_next = theta + v * np.tan(delta) / self.L * self.dt
        
        return x_next, y_next, theta_next

# 使用示例
model = BicycleModel(L=2.5, dt=0.02)
x, y, theta = 0.0, 0.0, 0.0

for i in range(100):
    x, y, theta = model.step(x, y, theta, v=5.0, delta=0.1)
    print(f"t={i*0.02:.2f}s: x={x:.2f}, y={y:.2f}, theta={theta:.3f}")

七、避坑指南

最后分享几个我踩过的坑：

• 坐标系搞反：我曾经把 x 和 y 搞混，结果车在原地打转。建议统一用右手坐标系，x 向前，y 向左。
• 角度单位混淆：代码里用弧度，但实车标定数据可能是角度。我吃过这个亏，跑出来的轨迹完全不对。
• dt 不固定：实际系统中，控制周期可能有抖动。建议用实际时间戳计算 dt，别用固定值。

好了，运动学模型就聊到这儿。你把这些代码跑一遍，感受一下车的运动规律。下一章咱们聊路径跟踪控制，到时候这些模型就是基础了。

---

公众号:蓝海资料掘金营，微信deep3321