车辆运动学模型：自行车模型（Bicycle Model）推导、运动学约束、前轮驱动与四轮驱动模型

各位同学，今天我们聊一个非常经典的话题——自行车模型。说实话，我在做车辆控制的前几年，一直觉得这玩意儿太简单了，不就是两个轮子嘛。直到有一次在实车测试中，我用了一个过于复杂的模型，结果算出来的控制量根本跑不动，最后发现——嗯，自行车模型其实够用了。

为什么叫“自行车模型”？

你想想看，一辆真正的自行车，前轮转向，后轮驱动。我们把四轮汽车简化成两个轮子，前轮代表转向轮，后轮代表驱动轮。说白了，就是把左右轮合并到中心线上。

这样做的好处是什么？

• 忽略横向载荷转移——左右轮的差异被平均化
• 忽略轮胎侧偏特性——假设车轮纯滚动
• 只保留几何关系——位置、航向角、速度

我在项目中遇到过这样的情况：用自行车模型做路径跟踪，在低速场景下（比如泊车、园区低速巡航），效果出奇的好。但上了高速，轮胎开始打滑了，这模型就不太灵了。记住，自行车模型是运动学模型，不是动力学模型。

自行车模型的推导

我们来看核心推导。假设车辆是一个刚体，前后轮都是纯滚动，没有侧向滑动。那么车辆的运动状态可以用三个量描述：

• x：车辆后轴中心位置的x坐标
• y：车辆后轴中心位置的y坐标
• θ：车辆的航向角（车头朝向与x轴夹角）

前轮转角记为 δ，轴距为 L。

那么，后轴中心的速度方向，一定是沿着后轮朝向的。后轮不能侧滑，所以速度方向就是车身的朝向。于是有：

ẋ = v * cos(θ)
ẏ = v * sin(θ)
θ̇ = (v / L) * tan(δ)

这就是最经典的自行车模型运动学方程。你看，三个方程，简洁明了。

运动学约束

自行车模型隐含了两个重要的运动学约束：

1. 非完整约束：车辆不能横向移动。也就是说，速度方向必须与车身朝向一致。数学表达为：ẋ * sin(θ) - ẏ * cos(θ) = 0。
2. 转向约束：前轮转角 δ 有物理极限，一般乘用车在 ±30° 到 ±40° 之间。我见过一些新手直接把 δ 设到 45°，结果仿真里车原地打转——现实中根本做不到。

前轮驱动 vs 四轮驱动模型

自行车模型本身不区分驱动方式。但实际控制中，驱动方式会影响速度 v 的控制方式。

驱动方式	控制输入	特点
前轮驱动	前轮转速 + 前轮转角	加速时前轮易打滑，转向与驱动耦合
后轮驱动	后轮转速 + 前轮转角	转向与驱动解耦，操控性好
四轮驱动	四个轮速 + 前轮转角	牵引力大，但模型复杂

在自行车模型框架下，我们通常把驱动方式简化为：

• 前轮驱动：速度 v 由前轮转速决定，但前轮同时负责转向。这时候要注意，如果前轮转角很大，再猛加速，前轮很容易失去抓地力。我调试过一个前驱的物流小车，在急转弯时加速，车头直接推出去——这就是转向不足。
• 四轮驱动：速度 v 由四个轮子共同决定。在自行车模型中，我们通常假设四个轮子的转速一致，或者用一个等效的驱动轮来表示。但实际中，四驱车的扭矩分配会影响车辆的横摆响应。

代码实现示例

下面是一个简单的自行车模型仿真代码，用Python写的。我习惯用这种方式快速验证控制算法：

import numpy as np

class BicycleModel:
    def __init__(self, L=2.5, dt=0.01):
        self.L = L  # 轴距
        self.dt = dt  # 时间步长
        self.x = 0.0
        self.y = 0.0
        self.theta = 0.0
    
    def step(self, v, delta):
        # 运动学更新
        self.x += v * np.cos(self.theta) * self.dt
        self.y += v * np.sin(self.theta) * self.dt
        self.theta += (v / self.L) * np.tan(delta) * self.dt
        
        # 角度归一化到 [-pi, pi]
        self.theta = np.arctan2(np.sin(self.theta), np.cos(self.theta))
        
        return self.x, self.y, self.theta

# 使用示例
car = BicycleModel(L=2.5)
for t in range(100):
    x, y, theta = car.step(v=1.0, delta=0.1)
    print(f"t={t*0.01:.2f}s: x={x:.2f}, y={y:.2f}, theta={theta:.2f}")

这段代码很简单，但足够用来测试你的控制算法了。我曾经用这个模型配合纯跟踪算法，在仿真里跑出了完美的圆形轨迹——当然，实车测试时又是另一回事了。

避坑指南

最后，分享几个我踩过的坑：

• 我曾经在仿真中把时间步长设得太大（0.1秒），结果车辆轨迹出现明显的锯齿。后来改成0.01秒，问题解决。记住，运动学模型对离散化误差很敏感。
• 我曾经忽略了角度归一化，结果航向角越积越大，最后控制算法直接崩溃。θ 一定要保持在 [-π, π] 范围内。
• 我曾经在实车测试时，发现自行车模型预测的轨迹和实际轨迹偏差很大。后来一查，是轮胎气压不足导致滚动半径变了。嗯，模型再准，也架不住物理世界的不确定性。

好了，自行车模型就讲到这里。下一章我们会在这个模型基础上，加入轮胎动力学，变成更完整的动力学模型。到时候你会发现，自行车模型虽然简单，但它是理解更复杂模型的基础。