1. 两轮差速驱动机器人运动学基础
差速驱动机器人作为移动机器人中最经典的结构之一，其运动控制的核心在于理解轮速（rpm）与整车运动（线速度v、角速度w）之间的数学关系。这种结构通过左右轮的速度差实现转向，具有机械简单、控制直接的特点，广泛应用于服务机器人、AGV小车等场景。
在实际工程中，我们常需要处理两类问题：
- 正运动学：已知左右轮转速（rpm），计算机器人本体的运动状态（v, w）
- 逆运动学：给定期望的机器人运动（v, w），解算出所需的左右轮转速
这两类问题的解算构成了差速机器人运动控制的基础框架。以一个典型的餐厅服务机器人为例，当它需要以0.5m/s的速度前进并左转时，控制系统需要准确计算出左右轮应有的转速，这个转换过程就是逆运动学的典型应用。
2. 运动学模型建立与参数定义
2.1 机器人几何参数
建立运动学模型前，需明确三个核心物理参数：
- 轮半径（r）：驱动轮的实际半径，单位通常为米
- 轮距（L）：左右驱动轮中心之间的距离
- 最大转速（N_max）：电机在无负载情况下的最大转速（rpm）
以TurtleBot3 Burger型号为例：
- r = 0.033m
- L = 0.16m
- N_max = 61 rpm
这些参数会直接影响运动学方程的系数，必须在系统初始化时准确测量并配置。轮半径的测量建议采用周长法：在轮上做标记，滚动一周测量行进距离，除以2π得到半径。
2.2 转速单位转换
电机常用的转速单位rpm（转/分钟）需要转换为国际单位制：
code复制ω_rad = (2π * rpm) / 60 = rpm * π/30
其中ω_rad表示角速度（rad/s）。这个转换关系是衔接硬件层与控制层的关键。
3. 正运动学解算：从轮速到整车运动
3.1 基本运动学方程
正运动学解决"轮速→整车运动"的映射问题。对于两轮差速结构，存在如下基本关系：
code复制v = (v_r + v_l)/2
w = (v_r - v_l)/L
其中：
- v_r, v_l：右轮和左轮的线速度（m/s）
- v：机器人质心的前进速度
- w：机器人绕质心旋转的角速度
将轮速rpm转换为线速度：
code复制v_r = ω_r * r = (rpm_r * π/30) * r
v_l = ω_l * r = (rpm_l * π/30) * r
3.2 实现代码示例
python复制def forward_kinematics(rpm_r, rpm_l, r=0.033, L=0.16):
"""正运动学解算
参数：
rpm_r, rpm_l: 左右轮转速（rpm）
r: 轮半径（m）
L: 轮距（m）
返回：
v: 线速度（m/s）
w: 角速度（rad/s）
"""
# rpm转rad/s
omega_r = rpm_r * math.pi / 30
omega_l = rpm_l * math.pi / 30
# 计算轮线速度
v_r = omega_r * r
v_l = omega_l * r
# 计算机器人运动
v = (v_r + v_l) / 2
w = (v_r - v_l) / L
return v, w
3.3 特殊运动状态分析
-
纯直线运动：
- 条件：rpm_r = rpm_l
- 结果：w=0，机器人直线行驶
- 示例：rpm_r=rpm_l=30 → v≈0.103m/s, w=0
-
原地旋转：
- 条件：rpm_r = -rpm_l
- 结果：v=0，机器人绕中心旋转
- 示例：rpm_r=30, rpm_l=-30 → v=0, w≈0.648rad/s
-
弧线运动：
- 一般情况下的复合运动
- 转弯半径：R = v/w = L*(v_r+v_l)/(2*(v_r-v_l))
4. 逆运动学解算：从指令到轮速
4.1 基本逆运动学方程
逆运动学解决"期望运动→所需轮速"的问题，通过正运动学方程反推得到：
code复制v_r = v + w*L/2
v_l = v - w*L/2
转换为rpm指令：
code复制rpm_r = (v_r / r) * (30/π) = (v + w*L/2)/r * 30/π
rpm_l = (v_l / r) * (30/π) = (v - w*L/2)/r * 30/π
4.2 实现代码示例
python复制def inverse_kinematics(v, w, r=0.033, L=0.16):
"""逆运动学解算
参数：
v: 期望线速度（m/s）
w: 期望角速度（rad/s）
r: 轮半径（m）
L: 轮距（m）
返回：
rpm_r, rpm_l: 左右轮转速（rpm）
"""
# 计算轮线速度
v_r = v + w * L / 2
v_l = v - w * L / 2
# 转换为rpm
rpm_r = (v_r / r) * 30 / math.pi
rpm_l = (v_l / r) * 30 / math.pi
return rpm_r, rpm_l
4.3 运动指令限幅处理
实际系统中需要考虑电机性能限制：
python复制def clamp_rpm(rpm_r, rpm_l, max_rpm=61):
"""限制rpm不超过电机最大值"""
rpm_r = max(min(rpm_r, max_rpm), -max_rpm)
rpm_l = max(min(rpm_l, max_rpm), -max_rpm)
return rpm_r, rpm_l
5. 实际应用中的问题与解决方案
5.1 轮径不一致校准
由于制造误差，两轮实际直径可能存在微小差异，导致直线行驶时产生偏差。可通过实验法校准：
- 让机器人以相同rpm直线行驶固定时间t
- 测量实际偏移角度θ
- 计算修正系数：k = (L·θ)/(2·v·t)
- 在逆运动学中引入修正：
python复制rpm_l *= (1 + k) # 假设左轮较小
5.2 电机响应延迟处理
低端电机可能存在响应延迟，导致瞬时运动偏差。解决方法：
- 加入转速变化率限制（slew rate limiting）
- 使用二阶滤波器平滑rpm指令
- 在运动规划中考虑加速度约束
5.3 打滑检测与补偿
通过编码器反馈检测打滑：
python复制def detect_slip(current_rpm, target_rpm, threshold=0.2):
"""检测轮子打滑"""
return abs(current_rpm - target_rpm) > threshold * abs(target_rpm)
出现打滑时可采取的补偿策略：
- 降低目标速度
- 调整控制参数（如PID增益）
- 通知上层规划器重新规划路径
6. 运动控制集成实践
6.1 控制频率选择
建议控制频率：
- 底层电机控制：≥100Hz
- 运动解算层：50-100Hz
- 路径规划层：10-20Hz
高频控制可减少离散化带来的误差，但需考虑计算资源限制。
6.2 完整控制流程示例
python复制class DifferentialDriveController:
def __init__(self, r, L, max_rpm):
self.r = r # 轮半径
self.L = L # 轮距
self.max_rpm = max_rpm # 电机最大转速
def update(self, v_target, w_target, dt):
"""控制循环更新
参数：
v_target: 目标线速度（m/s）
w_target: 目标角速度（rad/s）
dt: 控制周期（s）
返回：
rpm_r, rpm_l: 左右轮指令转速
"""
# 逆运动学解算
rpm_r, rpm_l = inverse_kinematics(v_target, w_target, self.r, self.L)
# 转速限幅
rpm_r, rpm_l = clamp_rpm(rpm_r, rpm_l, self.max_rpm)
# 加入变化率限制（示例：最大500rpm/s变化）
max_delta = 500 * dt
self.last_rpm_r = clamp(rpm_r,
self.last_rpm_r - max_delta,
self.last_rpm_r + max_delta)
self.last_rpm_l = clamp(rpm_l,
self.last_rpm_l - max_delta,
self.last_rpm_l + max_delta)
return self.last_rpm_r, self.last_rpm_l
6.3 与导航栈的接口设计
当集成到ROS等机器人框架时，典型接口包括：
- 输入：
cmd_vel话题（包含v, w） - 输出：电机控制指令（可通过
/joint_states反馈） - 参数服务器配置：轮径、轮距等机械参数
建议实现一个独立的运动解算节点，将高层指令转换为底层控制指令。
7. 进阶话题：运动学模型的扩展
7.1 考虑轮子滑移的改进模型
更精确的模型需考虑纵向滑移率s和侧向滑移角α：
code复制v_r = r·ω_r·(1-s_r) / cos(α_r)
v_l = r·ω_l·(1-s_l) / cos(α_l)
其中滑移参数可通过实验或观测器估计得到。
7.2 非对称结构的处理
当机器人重心不在几何中心时，需引入偏移量d：
code复制v = (v_r + v_l)/2
w = (v_r - v_l)/(L + 2d)
7.3 全向移动平台的扩展
对于麦克纳姆轮或全向轮结构，运动学方程扩展为：
code复制[v_x; v_y; w] = J · [ω_1; ω_2; ω_3; ω_4]
其中J为雅可比矩阵，取决于轮子布局方式。