移动机器人学入门：差速驱动运动学建模与SLAM导航实战

做移动机器人开发也有几年了，从最早的循迹小车到后来接触 ROS、激光雷达 SLAM、差速底盘控制，中间踩过的坑确实不少。最明显的感受是：移动机器人学这门课，概念听一遍好像都懂，但真正要把一台小车跑起来、让它在室内准确导航避障，就会遇到一堆教科书里没写清楚的问题。

这篇文章想做一个更系统的梳理，把移动机器人学的核心知识框架和一套可复现的入门实战串在一起。内容既包括坐标系变换、运动学建模、传感器配置、SLAM 与路径规划这些理论基础，也会给出一份基于 MATLAB 的差速驱动机器人运动学仿真代码，并穿插我在实际调试中总结的常见问题与工程建议。

如果你是刚接触移动机器人方向的学生，或者准备转行做机器人开发的工程师，这篇文章可以作为你的第一份系统学习笔记。

1. 移动机器人学到底在研究什么

1.1 从“能动的机器”说起

移动机器人学（Mobile Robotics）研究的是这样一类机器人：它们本身带有动力系统，可以在环境中移动，并借助传感器感知周围世界，从而完成定位、导航、避障、路径规划等任务。和固定式机械臂不同，移动机器人的核心挑战是“位置不确定性”——它不知道自己到底在哪，也不知道周围环境长什么样，必须在运动过程中不断感知、估计和修正。

常见的移动机器人平台包括：

其中轮式机器人结构简单、控制成熟，是学习移动机器人学的最佳切入点。绝大多数入门项目，包括各种竞赛小车、开源 ROS 机器人，都采用差速驱动结构。

1.2 移动机器人学的知识体系

从学科角度看，移动机器人学至少包含下面几个大块：

• 运动学与动力学：研究机器人如何运动、如何建模。运动学回答“给定轮速，机器人怎样运动”，动力学回答“给定力矩，轮速怎样变化”。
• 感知：利用编码器、IMU（惯性测量单元，Inertial Measurement Unit）、激光雷达、摄像头、超声波等传感器获取自身状态和环境信息。
• 状态估计与定位：在存在噪声的情况下，估计机器人当前的位置和姿态，代表方法包括扩展卡尔曼滤波、粒子滤波、蒙特卡洛定位等。
• 地图构建：解决“环境长什么样”的问题，主流方案是 SLAM（同步定位与建图，Simultaneous Localization and Mapping）。
• 路径规划与运动控制：在已知或未知地图中寻找从起点到目标点的安全路径，并控制机器人沿着路径行走。
• 自主导航系统集成：把以上模块组合成一个完整系统，比如 ROS Navigation Stack。

这些内容彼此依赖，学习路线也很清晰：先学运动学建模，再学传感器数据处理，然后进入 SLAM 与导航。

1.3 为什么现在值得系统学习移动机器人学

移动机器人学是机器人领域里工程性很强的一门方向。它把数学（线性代数、概率论）、控制理论、计算机视觉、嵌入式系统等多个领域的知识组合在一起，很多技术已经直接进入工业应用：

• 室内仓储机器人依赖激光 SLAM 完成地图构建与定位。
• 无人配送车依赖全局路径规划与局部避障。
• 自动驾驶汽车是移动机器人的一个外延应用，核心的定位、感知、规划、控制框架完全相通。

因此，掌握移动机器人学的基础能力，对后续进入自动驾驶、智能物流、智能制造等领域都有直接帮助。更重要的是，移动机器人学是一门“必须动手”的学科，很多看似简单的概念，在真机上调试时会暴露大量工程细节，这也是本文后面重点讲实战的原因。

2. 移动机器人学中的关键基础概念

2.1 位姿与坐标系变换

移动机器人学自始至终围绕一个核心状态量——位姿（Pose）展开。位姿由位置（Position）和姿态（Orientation）组成，在二维平面中通常写成：

• 位置：( x )、( y )
• 姿态：( \theta )，表示机器人前进方向与世界坐标系 X 轴的夹角

因此机器人的位姿可以表示为一个三维向量：

[x, y, theta]

在移动机器人学中，最常见的坐标系有三个：

坐标系变换是移动机器人学里最基础也最容易被忽视的内容。比如激光雷达扫描到某个障碍物时，得到的是该障碍物在雷达坐标系下的坐标，但导航算法需要知道它在地图坐标系下的位置，这时就需要做坐标变换。

二维坐标系变换的核心公式如下。假设机器人坐标系原点在世界坐标系中的位置为 ( (x_r, y_r) )，机器人朝向为 ( \theta )，则机器人坐标系下的点 ( (x_l, y_l) ) 转换到世界坐标系下的公式为：

x_w = x_r + x_l * cos(theta) - y_l * sin(theta) y_w = y_r + x_l * sin(theta) + y_l * cos(theta)

这套变换是所有移动机器人软件的基础，无论是 ROS 中的 tf 树，还是自研算法里的坐标换算，本质上都是做这样的旋转和平移运算。

2.2 传感器模型与噪声

移动机器人要感知世界，需要各种传感器。但传感器数据永远是有噪声的，不会绝对精确，因此理解传感器特性和噪声模型非常重要。

传感器数据融合是移动机器人学中的常见需求，因为在单一传感器无法同时满足精度、鲁棒性和成本要求时，通常使用多传感器融合。入门阶段可以先理解“里程计漂移 + 激光雷达修正”的基本思路，这也是大多数室内移动机器人的导航方案。

2.3 运动学模型的分类

运动学模型研究的是“机器人的运动状态变化与执行器输入的关系”，它是移动机器人学中最核心的建模内容。

按底盘结构，主要分为以下三类：

• 差速驱动模型：左右轮独立驱动，通过两侧轮速差实现转弯，结构简单，原地旋转能力强，是最常见的入门平台。
• 阿克曼转向模型：模仿汽车转向结构，前轮转向、后轮驱动，适合高速场景，但不能原地转弯。
• 全向驱动模型：使用全向轮或麦克纳姆轮，可以实现平移和旋转解耦，运动灵活，但机械结构复杂、成本较高。

其中差速驱动模型是移动机器人学教学和入门开发中使用频率最高的模型，下一节我会单独展开讲解。

3. 差速驱动机器人的运动学模型详解

3.1 差速驱动底盘结构与参数

差速驱动机器人通常由两个主动轮和一到两个万向支撑轮组成。控制输入是两个轮子的转速，输出是机器人整体的线速度和角速度。

建模时需要几个关键参数：

• ( v_l )：左轮线速度
• ( v_r )：右轮线速度
• ( L )：左右轮之间的轮距
• ( R )：车轮半径
• ( v )：机器人中心线速度
• ( \omega )：机器人角速度

差速驱动的最大特点是：机器人的瞬时运动可以看作绕某个瞬时旋转中心（ICR，Instantaneous Center of Rotation）的圆周运动。通过控制左右轮的转速差，可以改变旋转中心的相对位置，从而实现不同的运动轨迹。

3.2 正运动学模型

给定左右轮速度，计算机器人整体速度，这个过程称为正运动学。

机器人中心线速度和角速度与左右轮速度的关系为：

v = (v_r + v_l) / 2 omega = (v_r - v_l) / L

当左右轮速度相等时，机器人走直线；当两轮速度大小相等、方向相反时，机器人绕中心原地旋转；当两轮速度不等时，机器人走圆弧，圆弧半径计算公式为：

r = (L * (v_l + v_r)) / (2 * (v_r - v_l))

进一步地，在世界坐标系中，机器人的位姿更新公式为：

x_dot = v * cos(theta) y_dot = v * sin(theta) theta_dot = omega

这三个公式是移动机器人学中非常核心的运动学方程，后面的仿真和真实控制都是围绕它们展开。

3.3 逆运动学模型

逆运动学是正运动学的反向计算，即给定目标线速度和角速度，求解左右轮应输出的速度。对于差速驱动模型，逆运动学公式如下：

v_r = v + (omega * L) / 2 v_l = v - (omega * L) / 2

在工程中，移动机器人学里的运动控制器通常这样工作：

1. 路径规划器给出目标位姿和速度指令。
2. 运动控制器计算期望的线速度和角速度。
3. 通过逆运动学模型转换得到左右轮的期望速度。
4. 底层电机驱动器闭环控制轮速达到目标值。

这个流程在 ROS 的 navigation stack、各种竞赛小车控制程序中都能看到。

3.4 里程计模型

里程计（Odometry）是移动机器人学入门阶段最先接触的定位方案。它通过编码器累加计算机器人的位移和航向变化，属于一种“相对定位”方法。

离散化后的里程计更新流程如下：

delta_s = (delta_s_r + delta_s_l) / 2 delta_theta = (delta_s_r - delta_s_l) / L x = x + delta_s * cos(theta + delta_theta / 2) y = y + delta_s * sin(theta + delta_theta / 2) theta = theta + delta_theta

其中 ( delta_s_l )、( delta_s_r ) 是左右轮在单位时间内的弧长增量，可以由编码器计数乘以轮周长计算。

里程计最大的问题是累计算漂移。因为每次计算都基于上一次的结果，误差会不断累积，长时间运行后定位结果和真实位置可能相差很大。因此在真实系统中，里程计通常作为预测源，再结合激光雷达、视觉等绝对观测进行修正。

4. 环境准备与工具选择

4.1 仿真环境与真机环境

学习移动机器人学，比较好的路径是“仿真先行、真机验证”。先通过仿真理解算法原理，再在真实硬件上处理传感器噪声、执行器延迟等工程问题，效率会高很多。

常用工具搭配如下：

本文的实战部分使用 MATLAB 完成差速驱动机器人的运动学仿真，因为 MATLAB 的矩阵运算能力强，画图方便，代码结构简单，适合初学者理解算法流程。

4.2 MATLAB 环境说明

本文示例代码在 MATLAB R2021a 及以上版本测试通过，普通安装即可运行，不需要额外的工具箱。如果你的 MATLAB 版本较旧，建议升级到 R2021a 或更新版本；如果使用 Octave，也可以运行大部分代码，但个别绘图函数可能需要微调。

4.3 为什么建议先做运动学仿真

很多初学者一上来就直接买小车套件，然后跟着教程接线、烧代码，虽然车能跑，但遇到问题往往只能“瞎猜”。这种方式对自己建立系统知识框架帮助不大。

相比之下，先把运动学模型在仿真环境里做一遍，你会更清楚地理解下面几个问题：

• 差速驱动为什么能原地旋转？
• 为什么左右轮速度差越大，转弯半径越小？
• 里程计误差是如何产生的？
• PID 控制器调节哪些参数会影响机器人走直线的效果？

这些理解会在真机调试时直接转化为排错能力。

5. 实战：MATLAB 差速驱动机器人运动学仿真

5.1 仿真目标

本实战将完成一个完整的差速驱动机器人运动学仿真，实现以下功能：

1. 模拟差速驱动机器人，输入左右轮速度，计算机器人位姿变化。
2. 绘制机器人运动轨迹和最终位姿。
3. 对比不同控制参数下机器人直线行驶效果的差异。

通过这个小项目，你能够掌握差速驱动正逆运动学、里程计更新流程和简单的闭环控制思想。

5.2 创建仿真脚本

在 MATLAB 中新建脚本文件diff_drive_sim.m，完整的代码如下：

%% 差速驱动机器人运动学仿真 % 作者：CSDN 技术教程 % 功能：模拟差速驱动底盘的位姿更新过程 clear; clc; close all; %% 参数设置 L = 0.4; % 轮距，单位 m R = 0.1; % 车轮半径，单位 m dt = 0.05; % 仿真步长，单位 s sim_time = 10; % 总仿真时间，单位 s steps = sim_time / dt; % 仿真步数 %% 输入：左右轮速度（单位：m/s） v_l = 0.5 * ones(1, steps); % 左轮速度恒定 v_r = 0.5 * ones(1, steps); % 右轮速度恒定 % 初始位姿 x = 0; y = 0; theta = 0; % 记录轨迹 x_traj = zeros(1, steps); y_traj = zeros(1, steps); theta_traj = zeros(1, steps); %% 主循环：正运动学 + 位姿更新 for i = 1:steps % 计算机器人整体线速度与角速度 v = (v_r(i) + v_l(i)) / 2; omega = (v_r(i) - v_l(i)) / L; % 位姿更新（欧拉法离散化） x = x + v * cos(theta) * dt; y = y + v * sin(theta) * dt; theta = theta + omega * dt; % 保存轨迹 x_traj(i) = x; y_traj(i) = y; theta_traj(i) = theta; end %% 绘制轨迹 figure; plot(x_traj, y_traj, 'b-', 'LineWidth', 1.5); hold on; plot(x_traj(1), y_traj(1), 'go', 'MarkerSize', 10, 'DisplayName', '起点'); plot(x_traj(end), y_traj(end), 'rs', 'MarkerSize', 10, 'DisplayName', '终点'); xlabel('X (m)'); ylabel('Y (m)'); title('差速驱动机器人运动学仿真'); legend; grid on; axis equal;

这是一个最简单的直线行驶仿真。运行后你会看到一条从起点到终点的直线轨迹，因为左右轮速度完全相等。

5.3 仿真：原地旋转

将右轮速度设置为负值，表示两轮反向转动，修改输入如下：

%% 原地旋转仿真 v_l = 0.5 * ones(1, steps); v_r = -0.5 * ones(1, steps);

重新运行脚本，得到的结果是机器人位置基本不变，只有航向角不断变化。这个仿真直观地解释了差速底盘“原地旋转”的原理。

5.4 仿真：圆弧运动

将左右轮速度设为不等值，例如：

%% 圆弧运动仿真 v_l = 0.4 * ones(1, steps); v_r = 0.6 * ones(1, steps);

可以看到机器人画出一个圆弧轨迹。你可以改变 ( v_r - v_l ) 的大小，观察转弯半径的变化，加深对运动学公式的理解。

5.5 闭环控制：实现直线行驶

在实际机器人中，由于车轮直径差异、电机响应不一致、地面摩擦不均匀等因素，即使给两个轮子相同的速度指令，机器人也会逐渐偏离直线。所以真实系统需要通过反馈控制来保持直线行驶。

下面用最简单的比例控制器来演示闭环控制的思路。假设机器人在前进过程中发现航向角发生了偏移，控制器会调整两个轮子的速度差来修正方向。

%% 闭环控制仿真：航向修正 clear; clc; close all; L = 0.4; dt = 0.05; sim_time = 10; steps = sim_time / dt; % 期望线速度 v_target = 0.5; % 模拟右轮偏小（轮径误差或打滑） v_l = v_target * ones(1, steps); v_r = 0.45 * ones(1, steps); Kp = 2.0; % 比例控制增益 x = 0; y = 0; theta = 0; x_traj = zeros(1, steps); y_traj = zeros(1, steps); for i = 1:steps % 根据航向偏差修正左右轮速度 theta_error = -theta; % 期望航向为 0 omega_cmd = Kp * theta_error; % 逆运动学 v_l_cmd = v_target - omega_cmd * L / 2; v_r_cmd = v_target + omega_cmd * L / 2; % 实际轮速（右轮受扰动影响） v_l_actual = v_l_cmd; v_r_actual = v_r_cmd * 0.9; % 模拟扰动 % 正运动学 v_actual = (v_l_actual + v_r_actual) / 2; omega_actual = (v_r_actual - v_l_actual) / L; % 位姿更新 x = x + v_actual * cos(theta) * dt; y = y + v_actual * sin(theta) * dt; theta = theta + omega_actual * dt; x_traj(i) = x; y_traj(i) = y; end figure; plot(x_traj, y_traj, 'b-', 'LineWidth', 1.5); xlabel('X (m)'); ylabel('Y (m)'); title('闭环航向修正效果'); grid on; axis equal;

运行后可以看到，机器人前进方向出现小幅度偏移后，会被控制器不断修正回直线。这个示例体现了移动机器人学中“感知-决策-控制”闭环的基本思想。

6. 从运动学走向完整系统：传感器与 SLAM

6.1 编码器与 IMU 融合

运动学模型只是移动机器人学的一小部分，真实系统的定位还要靠传感器。目前最常见的方案是“编码器 + IMU”融合获得短距离相对定位，再用激光雷达或视觉修正绝对位置。

IMU 可以测量角速度和线加速度，但直接积分会迅速漂移。一种实用的折中方案是：以编码器里程计为主，用 IMU 的角速度数据修正航向角，减小由于打滑或轮径误差导致的方向漂移。

简化的数据融合思路如下：

theta_est = 0.8 * theta_odom + 0.2 * theta_imu

这里的权重可以根据实验调整。更严谨的做法是使用卡尔曼滤波器，但入门阶段可以先从加权融合理解基本思想。

6.2 什么是 SLAM

SLAM（Simultaneous Localization and Mapping，同步定位与建图）是移动机器人学中的核心问题：机器人在未知环境中运动，同时要构建环境地图并确定自己在地图中的位置。

SLAM 为什么难？因为定位和建图是相互依赖的：地图定位需要准确的地图，建图又需要准确的位姿。两者互相依赖，形成一个“鸡生蛋”的问题，需要依靠概率方法联合求解。

主流的 2D 激光 SLAM 方案包括：

对于入门开发者，建议从 Gmapping 或 Cartographer 开始。需要注意的一点是，Cartographer 对算力要求较高，部署在树莓派等低算力平台时，需要仔细调整参数。

6.3 路径规划与避障

SLAM 解决“我在哪、环境长什么样”的问题，路径规划则解决“怎么走到目标点”的问题。

路径规划通常分为两层：

全局路径规划：在地图上寻找从起点到终点的全局路径，常用算法有 Dijkstra、A*、RRT（Rapidly-exploring Random Tree）。移动机器人学中最常用的是 A* 算法，它在栅格地图上能快速找到最短路径，基本原理是维护一个代价函数：

f(n) = g(n) + h(n)

其中 ( g(n) ) 是从起点到当前节点 ( n ) 的实际代价，( h(n) ) 是从当前节点到目标点的启发式估计代价。

局部路径规划：在全局路径基础上，根据实时传感器数据避开动态障碍物。常用算法包括动态窗口法（DWA，Dynamic Window Approach）、时间弹性带算法（TEB）等。DWA 的核心思想是：在当前速度空间中采样多组速度指令，通过评价函数选择“能避开障碍物且最接近目标”的一组速度。

在 ROS 中，这两个层次分别由 Navigation Stack 中的 global_planner 和 local_planner 实现。理解这两层规划的关系，是学习机器人自主导航的关键。

6.4 一个完整的移动机器人导航流程

一个典型的室内移动机器人自主导航流程可以概括为下面这些步骤：

1. 控制机器人建图，使用 SLAM 生成环境地图。
2. 在地图上标记机器人的初始位置和目标点。
3. 全局规划器计算出一条从起点到终点的全局路径。
4. 机器人沿路径运动，局部规划器实时处理障碍物避障。
5. 里程计和传感器数据持续更新定位，纠正累积漂移。
6. 到达目标点，任务完成。

这个流程在 ROS 中已经高度模块化。了解每个模块的输入输出关系，比背诵具体代码更有价值。

7. 常见问题与排查思路

7.1 仿真与实车阶段的高频问题

结合我在学习移动机器人学过程中的实际经验，下面这些问题是入门阶段最常见的：

7.2 排查问题的方法论

在移动机器人学调试过程中，遇到问题不要直接改代码，更推荐按下面的顺序排查：

1. 确认机械结构：轮子是否安装正确、连接是否松动、轮距是否测量准确。
2. 确认传感器数据：打印编码器、IMU、雷达数据，判断数据是否合理。
3. 确认底层控制：单独给定轮速指令，观察电机响应是否正常。
4. 确认运动学计算：对比理论速度和实测速度，定位误差来源。
5. 确认上层算法：在仿真环境中复现同样问题，排除环境因素。

这个排查顺序的核心思路是：从底层到上层、从硬件到软件。很多问题其实出在底层，而不是算法本身。

8. 最佳实践与工程建议

8.1 从小规模仿真开始

移动机器人学涉及大量硬件和算法问题。如果一开始就追求直接跑通完整的 ROS 导航，很容易被各种环境配置问题冲昏头脑。

我建议的学习顺序是：

1. 在 MATLAB 或 Python 中实现差速运动学仿真，理解位姿更新过程。
2. 加一个 PID 控制器，完成直线和圆弧跟踪。
3. 在 ROS 仿真环境中（如 Gazebo）搭建一个虚拟小车，跑通 SLAM 和导航。
4. 最后再在真实的低成本硬件平台上验证。

每一步都确保理解和掌握，再进入下一步，不要跳级。

8.2 对传感器数据的交叉验证

移动机器人学中，任何单一传感器都不可完全信任。一个工程上的好习惯是：使用多个独立信息源对同一个量进行交叉验证。

举例来说，判断机器人是否在转圈，可以用下面三种方式：

• 读取左右轮编码器差值。
• 读取 IMU 的 Z 轴角速度。
• 观察激光雷达的点云是否发生规律性旋转。

如果三个数据源方向一致，基本可以确定机器人确实在转圈；如果数据冲突，优先排查传感器标定和坐标系变换问题。

这个习惯能帮你大量减少排错时间，也能培养对异常数据的敏感度。

8.3 代码与参数管理的工程规范

移动机器人学的工程实践，不只是算法本身，还包括代码和参数的管理规范：

其中安全措施需要特别强调。真机调试移动机器人时，一旦控制指令异常，机器人可能高速冲向人群或设备。因此，在测试阶段务必设置较低的最高速度限制，并保持急停装置随时可用。修改任何底层控制参数之前，确保有回退方案。

9. 总结与学习路线

移动机器人学是一个理论深度和工程实践并重的方向。通过本文，你应该已经掌握了差速驱动机器人的运动学建模方法，理解了位姿、坐标系变换、里程计、SLAM 和路径规划之间的关系，并能在 MATLAB 中完成一个最基本的运动学仿真。

下一步建议按这条路线继续深入：

1. 把 MATLAB 仿真中的闭环控制换成 PID 调参实验，记录不同增益对轨迹的影响。
2. 学习 A* 和 Dijkstra 算法，在二维栅格地图上实现最短路径搜索。
3. 安装 ROS 环境，学习 TF 坐标变换和常用消息类型。
4. 在 Gazebo 中搭建虚拟机器人，运行 Gmapping 或 Cartographer 完成建图和导航。
5. 如果有条件，购买一套低成本差速小车套件（ESP32 + 编码器电机 + 激光雷达），把仿真算法移植到真机。
6. 进一步学习卡尔曼滤波和粒子滤波，理解定位算法背后的概率理论。

移动机器人学不是一门“看看就会”的学科。不同的人在学习过程中遇到的最大阻碍通常是同一个——迟迟不开始动手写第一行仿真代码。解决问题的办法很简单：先把文章里的 MATLAB 代码复制下来，修改左右轮速度，观察轨迹变化。这个小小的实验，会帮助你真正理解差速驱动运动学模型的含义。

如果在真机调试时遇到代码里没写清楚的问题，欢迎在评论区留言，我们一起讨论排查思路。