第2章车辆运动学模型

车辆运动学模型：从几何到状态方程

各位同学，今天我们来聊聊无人车路径跟踪里最基础、也最核心的一块——车辆运动学模型。说实话，我刚开始做无人驾驶那会儿，总觉得运动学模型太简单，不就是个几何关系吗？直到有一次在园区测试，车辆在低速转弯时出现了明显的跟踪偏差，排查了半天才发现是模型简化过头了。嗯，从那以后，我对运动学模型的每个推导细节都不敢马虎。

说白了，运动学模型就是描述车辆怎么动的数学工具。它不考虑力、质量、惯性这些动力学因素，只关注几何约束下的运动关系。对于低速场景（比如园区物流、自动泊车），运动学模型已经足够精确；对于高速场景，我们才需要引入动力学模型。今天这一讲，我们重点攻克三个知识点：自行车模型、阿克曼转向几何、以及状态方程的建立。

核心观点： 运动学模型是路径跟踪的"底层语言"。你模型建得准，控制器才能控得稳。我见过太多同学一上来就调PID参数，结果模型本身就有问题，调来调去都是白费功夫。

2.1 自行车模型：把四轮简化成两轮

先问大家一个问题：一辆四轮汽车，在低速转弯时，四个轮子的转向角一样吗？

答案是否定的。前轮左右两个轮子的转角其实不一样——内侧轮转角更大，外侧轮转角更小。这是为了满足阿克曼转向几何的要求。但如果我们直接对四轮建模，状态变量太多，控制器设计会变得非常复杂。

所以，我们引入一个经典简化：自行车模型。

自行车模型的核心思想很简单：把车辆的前后轴分别合并成一个虚拟的轮子。前轮代表转向轮，后轮代表驱动轮。这样一来，四轮车就变成了一个两轮自行车。我个人习惯用这个模型做路径跟踪的初步设计，因为它抓住了车辆运动的核心几何关系，又足够简洁。

自行车模型的假设条件如下：

车辆在平坦路面上行驶，忽略垂向运动
轮胎侧偏角为零（即轮胎方向与速度方向一致）
车辆为刚体，不考虑悬架变形
低速行驶，忽略离心力影响

你看，这些假设其实挺强的。但实际项目中，只要车速低于5m/s，这些假设基本成立。我曾经在自动泊车项目里用这个模型，效果出奇的好。

下面我用SVG画一张自行车模型的几何关系图，方便大家理解：

从图中可以看到，后轮方向固定（不转向），前轮可以偏转一个角度 δ。轴距 L 是前后轮之间的距离。当车辆转弯时，所有轮子绕同一个圆心 O 做圆周运动。这个圆心位于后轮轴线的延长线上。

根据几何关系，转弯半径 R 与轴距 L、前轮转角 δ 的关系是：

R = L / tan(δ)

这个公式太重要了。我当年做路径跟踪时，每次调参都要回头看看这个公式——它决定了车辆的最小转弯半径，也就决定了路径的曲率上限。

实战技巧： 实际车辆的前轮转角 δ 通常有物理限制，比如 ±35°。代入公式可以算出最小转弯半径。如果你的参考路径曲率超过了这个极限，控制器再怎么调也跟不上的。我在一个园区项目中就踩过这个坑，路径规划给的弯太急，跟踪误差直接炸了。

2.2 阿克曼转向几何：让四个轮子各司其职

刚才的自行车模型把四轮简化成两轮，但实际车辆的前轮左右转角是不同的。这就引出了阿克曼转向几何。

阿克曼转向几何的核心思想是：车辆转弯时，所有轮子的转向中心必须交于一点。这样才能保证轮子纯滚动，没有滑动摩擦。

具体来说，对于前轮转向的车辆：

内侧前轮转角 δ_i 大于外侧前轮转角 δ_o
后轮不转向，但左右后轮的转速不同（差速器的作用）
四个轮子的速度方向都垂直于轮子到圆心 O 的连线

阿克曼几何的数学关系如下：

cot(δ_o) - cot(δ_i) = w / L

其中，w 是轮距（左右轮之间的距离），L 是轴距。δ_o 是外侧轮转角，δ_i 是内侧轮转角。

你想想看，如果左右轮转角一样，会怎么样？

嗯，那样的话，内侧轮和外侧轮的转弯半径不同，但转角相同，必然导致其中一个轮子产生滑动摩擦。低速时还好，高速时轮胎磨损严重，而且车辆稳定性会变差。

我在做自动代客泊车项目时，发现车辆在狭窄车位里反复揉库，轮胎磨损特别快。后来检查发现，是阿克曼几何的标定参数偏了。重新标定后，问题就解决了。所以，阿克曼几何不是理论上的花架子，它直接影响车辆的实际表现。

参数	符号	典型值	说明
轴距	L	2.5~3.0 m	前后轴之间的距离
轮距	w	1.5~1.8 m	左右轮之间的距离
最大转角	δ_max	30°~40°	前轮最大转向角
阿克曼率	η	0.8~1.0	实际阿克曼与理想阿克曼的比值

注意： 实际车辆的阿克曼几何往往不是完美的。受悬架、转向机构变形的影响，阿克曼率 η 通常小于 1.0。这意味着内侧轮的转角比理论值略小。在高速过弯时，这种偏差会被放大，导致车辆出现不足转向或过度转向。我曾经在高速测试中遇到过不足转向导致车辆推头的情况，差点冲出赛道。所以，模型里最好留一个阿克曼率的修正参数。

2.3 车辆状态方程建立：从几何到微分方程

好了，有了自行车模型和阿克曼几何的基础，我们终于可以建立车辆的运动学状态方程了。

状态方程描述的是车辆状态随时间的变化规律。对于运动学模型，我们关心的状态变量通常包括：

x：车辆在大地坐标系下的横坐标
y：车辆在大地坐标系下的纵坐标
θ：车辆的航向角（车头方向与 x 轴的夹角）
v：车辆的速度（沿车头方向）
δ：前轮转角

状态方程的形式是：

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

这个方程组看起来简单，但内涵丰富。我来逐条解释一下：

dx/dt 和 dy/dt：速度 v 在 x 和 y 方向上的投影。说白了，就是车往哪个方向走，就把速度分解到两个坐标轴上。
dθ/dt：航向角的变化率，也就是车辆的横摆角速度。它等于 v * tan(δ) / L。注意，这里的分母是轴距 L，所以轴距越长，同样的转角产生的横摆角速度越小——大车转弯更"迟钝"。

你可能会问：为什么横摆角速度公式里没有出现阿克曼几何的轮距 w？

问得好。这是因为自行车模型已经将左右轮合并了，所以轮距 w 被隐含地"平均"掉了。如果你需要更精确的模型，可以引入阿克曼率 η 来修正前轮转角：

δ_effective = η * δ_command

其中 δ_command 是控制器输出的转角指令，δ_effective 是实际作用到自行车模型上的等效转角。

下面我用SVG画一个状态方程的逻辑流程图：

在实际代码中，我们通常用离散化的方式来实现状态方程。比如用欧拉法：

// 离散化状态更新（欧拉法）
double dt = 0.01;  // 控制周期 10ms

void updateState(double v, double delta, double &x, double &y, double &theta) {
    // 计算导数
    double dx = v * cos(theta);
    double dy = v * sin(theta);
    double dtheta = v * tan(delta) / L;
    
    // 积分更新
    x += dx * dt;
    y += dy * dt;
    theta += dtheta * dt;
    
    // 航向角归一化到 [-π, π]
    theta = atan2(sin(theta), cos(theta));
}

这段代码我用了很多年，简单可靠。但要注意几个细节：

控制周期 dt：不能太大，否则积分误差会累积。我一般用 10ms，对于低速场景足够了。
航向角归一化：θ 会随着时间累积，如果不做归一化，数值会越来越大，影响后续计算。
tan(δ) 的奇点：当 δ 接近 ±90° 时，tan(δ) 会趋于无穷大。实际中 δ 有限制，但代码里最好加个限幅保护。

个人经验： 如果你用欧拉法发现跟踪精度不够，可以试试四阶龙格-库塔法（RK4）。我在一个高精度泊车项目中，用 RK4 替代欧拉法后，跟踪误差从 5cm 降到了 1cm 以内。代价是计算量大了 4 倍，但对于现代嵌入式处理器来说，完全不是问题。

最后，我想强调一点：运动学模型虽然简单，但它是整个路径跟踪系统的基石。你后面学到的纯跟踪算法、Stanley 方法、MPC 控制器，本质上都是在求解这个状态方程的反问题——给定目标路径，反推出需要的控制输入 v 和 δ。

所以，请务必把这一节的内容吃透。我当年花了整整一周时间，手推了不下 50 遍状态方程，才真正理解每个参数的含义。现在回想起来，那段时间的投入非常值得。

好了，这一讲就到这里。记住：模型是控制的上限，算法只是逼近这个上限的手段。模型建不好，后面的一切都是空中楼阁。

📚 课程目录

车辆运动学模型：从几何到状态方程

2.1 自行车模型：把四轮简化成两轮

2.2 阿克曼转向几何：让四个轮子各司其职

2.3 车辆状态方程建立：从几何到微分方程