车辆运动学模型：自行车模型推导、状态变量定义、控制输入定义

各位同学，咱们今天来聊聊路径跟踪里最基础、也最核心的一块——车辆运动学模型。说白了，就是怎么用数学描述一辆车是怎么动的。

我个人习惯，做控制之前，先把被控对象的“脾气”摸清楚。你想想看，连车怎么转弯、怎么加速都不懂，你设计的控制器能好用吗？

为什么是自行车模型？

真实车辆有四个轮子，转向系统也复杂。但咱们做路径跟踪控制，其实不需要那么精细。

我记得刚入行时，有个老工程师跟我说：“小伙子，控制器的精度，取决于你模型的复杂度，但更取决于你忽略了什么。” 这句话我琢磨了很久。

自行车模型，就是把四轮车辆简化成两轮模型。它假设：

• 车辆左右对称，左右轮可以合并成一个虚拟轮
• 前轮负责转向，后轮负责驱动（或制动）
• 车辆在平面上运动，不考虑侧倾、俯仰

这样做的好处很明显——模型简单，计算快，而且对于路径跟踪这种中低速场景，精度完全够用。

自行车模型的几何推导

咱们来看一张图，我手绘的SVG，你感受一下。

图中，后轮中心点 (x, y) 是车辆位置。φ 是航向角，δ 是前轮转向角，v 是后轮速度，L 是轴距。

根据几何关系，我们可以写出运动学方程：

dx/dt = v * cos(φ)
dy/dt = v * sin(φ)
dφ/dt = (v / L) * tan(δ)

这三个方程，就是自行车模型的精髓。它描述了车辆位置和航向角随时间的变化。

状态变量定义

有了模型，咱们得定义状态变量。说白了，就是控制器需要知道哪些量，才能做出决策。

我一般把状态变量分成两类：

• 车辆自身状态： 位置 (x, y)、航向角 φ、速度 v
• 路径跟踪误差： 横向误差 e_y、航向误差 e_φ

在路径跟踪中，我们更关心的是误差。因为控制目标就是让误差趋近于零。

举个例子，假设参考路径是一条直线，那么：

e_y = 车辆到参考路径的垂直距离
e_φ = 车辆航向角 - 参考路径方向角

状态向量通常写成：

X = [e_y, e_φ, ...]

嗯，这里要注意，不同文献对状态变量的定义可能不同。我个人习惯把横向误差和航向误差放在前面，因为LQR控制器直接对这些误差进行调节。

控制输入定义

控制输入，就是我们可以主动调节的量。在自行车模型中，通常有两个：

控制输入	符号	物理意义	实际执行器
前轮转向角	δ	控制车辆转弯	方向盘/转向电机
纵向加速度	a	控制车辆加减速	油门/刹车

在路径跟踪中，我们通常把速度 v 视为已知量（由上层规划给出），只把转向角 δ 作为控制输入。这样问题就简化了。

模型线性化

自行车模型是非线性的（有 sin、cos、tan）。LQR控制器需要线性模型，所以我们要在某个工作点附近做线性化。

假设参考路径是直线，且车辆沿路径行驶，那么工作点就是：

e_y = 0, e_φ = 0, δ = 0

在这个点附近做泰勒展开，忽略高阶项，得到线性化模型：

d(e_y)/dt = v * e_φ
d(e_φ)/dt = (v / L) * δ

写成矩阵形式：

dX/dt = A * X + B * u

其中：
X = [e_y, e_φ]^T
u = [δ]
A = [[0, v], [0, 0]]
B = [[0], [v/L]]

这个线性模型，就是LQR控制器设计的基础。

离散化处理

实际控制器是数字的，运行在离散时间上。所以要把连续模型离散化。

常用的方法是前向欧拉法：

X(k+1) = X(k) + Ts * (A * X(k) + B * u(k))

整理得：
X(k+1) = (I + Ts * A) * X(k) + Ts * B * u(k)

其中 Ts 是采样时间。我一般取 10ms 到 50ms，具体看控制周期和计算能力。

模型验证

模型建好了，怎么验证对不对？我的做法是：

1. 写一个简单的仿真程序，输入固定的转向角，看车辆轨迹是不是圆弧
2. 对比自行车模型和真实车辆数据的差异
3. 如果误差在可接受范围内，就认为模型可用

我记得有一次，仿真结果和实车数据对不上，查了半天发现是轴距参数写错了。所以，参数标定也很重要。

好了，关于自行车模型，咱们就聊到这里。模型是控制的基础，基础打牢了，后面的LQR设计才能事半功倍。

---