第二章：运动学与动力学基础

各位同学，欢迎来到《动态避障控制算法实战》的第二讲。

今天我们要聊的，是机器人控制里最基础、也最绕不开的一块——运动学与动力学模型。说白了，就是搞清楚你的机器人到底能怎么动、动得快不快、拐弯时会不会翻车。

我个人习惯把这一章叫做“机器人的身份证”。你连它怎么走路都不知道，后面谈避障就是空中楼阁。好，咱们直接开干。

2.1 差速轮模型：最常用的“小推车”

差速轮，你想想看，就是两个轮子各自独立驱动。左边转得快，右边转得慢，车就往左拐。反过来，就往右拐。两个轮子速度一样，就直着走。

我在项目中遇到过不少新手，上来就问：“老师，差速轮能不能原地掉头？” 答案是：能。只要左轮正转、右轮反转，车就能原地转圈。这就是差速轮最大的优势——机动性极强。

它的运动学方程其实很简单：

v = (v_left + v_right) / 2
ω = (v_right - v_left) / L

其中 v 是线速度，ω 是角速度，L 是轮距（两个轮子中心的距离）。

嗯，这里要注意：这个模型假设轮子不打滑。实际项目中，地面摩擦系数、轮胎磨损都会影响精度。我曾经在瓷砖地面上跑差速轮，结果转弯半径比理论值大了将近20%。后来加了滑移补偿才搞定。

2.2 阿克曼模型：汽车的“亲戚”

阿克曼转向，说白了就是汽车用的那套。前轮转向，后轮驱动。你打方向盘，前轮转个角度，车就沿着一个圆弧走。

这个模型比差速轮复杂一点。它的运动学方程是：

v = 后轮速度
ω = v * tan(δ) / L

其中 δ 是前轮转向角，L 是轴距（前后轮中心的距离）。

我建议你记住一个关键点：阿克曼模型的最小转弯半径是固定的。因为前轮转角有机械限位，一般家用车也就30度左右。所以阿克曼机器人没法原地掉头，必须走一个圆弧。

2.3 状态空间表示：把机器人“数字化”

好，现在我们知道机器人怎么动了。但控制算法需要的是一个数学描述。这就是状态空间表示法。

对于二维平面上的机器人，状态向量通常写成：

x = [x, y, θ]^T

其中 x, y 是位置坐标，θ 是朝向角（也叫偏航角）。

控制输入呢？对于差速轮：

u = [v, ω]^T

对于阿克曼：

u = [v, δ]^T

状态空间模型就是把“当前状态 + 控制输入”映射到“下一时刻状态”。写成离散形式：

x(k+1) = x(k) + v * cos(θ) * dt
y(k+1) = y(k) + v * sin(θ) * dt
θ(k+1) = θ(k) + ω * dt

这就是最经典的“自行车模型”。别看它简单，我做过的好几个项目，从扫地机器人到无人配送车，底层用的都是这个。够用。

2.4 控制输入与约束：别让机器人“乱来”

控制输入不是你想给多少就给多少。每个机器人都有物理限制。

常见的约束包括：

• 速度上限：电机有最大转速，比如差速轮最大线速度1.5 m/s
• 加速度限制：急加速会打滑，急减速会甩尾。我一般设个0.5 m/s²的限幅
• 转向角限制：阿克曼前轮最多转30度，差速轮没有这个限制
• 角速度限制：转太快会翻车，尤其是重心高的机器人

我曾经在项目里吃过亏：给差速轮发了一个很大的角速度指令，结果机器人直接原地打转，IMU数据都飞了。后来加了角速度限幅和加速度平滑，才稳定下来。

所以，控制输入一定要做“约束检查”。代码里通常这样写：

def clamp_control(u, limits):
    u[0] = max(limits.v_min, min(limits.v_max, u[0]))
    u[1] = max(limits.w_min, min(limits.w_max, u[1]))
    return u

简单粗暴，但有效。

2.5 本章知识体系总览

为了让你更直观地理解这一章的结构，我画了一张图。它把差速轮、阿克曼、状态空间、控制约束串在了一起。你看完应该能明白，这些知识点是怎么配合的。

这张图里，差速轮和阿克曼是两种最常见的底盘模型。状态空间表示是把物理运动翻译成数学语言。控制约束则是给机器人戴上“紧箍咒”，防止它做出危险动作。三者缺一不可。

好了，这一章就到这里。记住，运动学模型是你和机器人沟通的语言。搞不懂它，后面所有算法都是空中楼阁。下一章我们会讲传感器模型，到时候你会看到，这些运动学知识是怎么和传感器数据融合的。

公众号:蓝海资料掘金营，微信deep3321