企业官网建设流程全解析

机器人底盘+里程计

很多初学者常常将轮式里程计与编码器、电机控制主板、底盘等概念混为一谈，所以需要特别注意。可以看出，轮式里程计其实是编码器、底盘运动学模型、航迹推演算法等综合出来的产物。也就是说，轮式里程计并不是某种传感器，而是利用轮式编码器计算底盘位姿的一种算法

机器人底盘概述

机器人底盘可理解为移动机器人的“下肢与躯干”，概念上与汽车底盘接近，但在尺度、驱动方式和任务场景上差异很大。它由轮子（或履带/腿）、驱动装置（电机、减速器）、控制系统（MCU/驱动器/上位机）以及机械承载结构组成，是移动机器人实现“能走、能扛、能载”的基础平台。

在裸底盘之上集成外壳、传感器（激光雷达、相机、IMU）、执行器（机械臂、货箱、显示屏）后，才形成我们熟知的自动驾驶小车、送餐机器人、AMR 物流机器人等产品形态。底盘决定了机器人“怎么动”，上层系统决定“动去做什么”。

一、核心构成

• 行驶部件：轮系（普通轮、全向轮、麦克纳姆轮等）或腿/旋翼

• 驱动层：伺服电机 / 步进电机 + 驱动器 + 减速传动

• 控制层：底层运动控制器（速度闭环、里程计）、与上位机通信

• 结构件：铝合金/钣金/3D打印机架，承担载荷与安装接口

二、两大核心作用

1. 运动执行：把控制指令转化为位姿变化（平动+旋转），提供自主移动能力；没有底盘，感知与交互功能只能停留在原地。

2. 结构支撑：为传感器、计算单元、电池、作业模块提供安装基准与力学传递路径，是整机刚度和重心分布的决定因素。

三、按运动方式分类（广义）

• 飞行类：四旋翼、多旋翼无人机（空间 6DOF 移动）

• 轮式类：地面主流方案，成本低、效率高

• 足式类：双足、四足、六足，适应非结构化地形

• 仿生类：蛇形、爬行、扑翼等特殊形态

四、轮式机器人常见底盘形态

类型	典型结构	适用场景
两轮差速	左/右轮独立驱动，无转向轮	扫地机、室内服务机器人
四轮差速	前后两组差速或四轮独立	割草机、轻型物流车
阿克曼	前轮转向+后轮驱动，同汽车	无人车、园区接驳车
全向底盘	麦克纳姆轮/全向轮	窄通道搬运、精密对接

注：全向底盘因轮组侧向分力可控，可实现零转弯半径横移，但机械损耗与标定复杂度高于差速方案。

---

下一步若展开底盘运动学模型，自然顺序就是：

• 两轮差速：推导 v,ω与左右轮速关系，给出逆运动学

• 阿克曼：转向几何约束 + 自行车模型

• 全向：麦克纳姆轮速度分解与雅可比矩阵

• 再补一点里程计误差来源（打滑、轮径偏差、采样延迟）

轮式里程计是什么（以及不是什么）

很多入门资料里会出现这样的句子：

“机器人用里程计定位”“底盘带了里程计”“编码器就是里程计”

严格来说，这三句都不准确。

轮式里程计（Wheel Odometry）不是一种传感器，也不是一块电路板，而是一种位姿估计方法。

它的本质定义可以一句话写完：

轮式里程计 = 轮式编码器原始脉冲 × 底盘运动学模型 × 航迹推演（Dead Reckoning）算法

1. 各概念边界划清

名称	物理形态	干什么	是否=里程计
电机	硬件	把电能转成转矩	否
编码器	传感器	测电机/轮子转角或转速（脉冲数）	否
电机控制主板	硬件	驱电机、读编码器、跑 PID	否
底盘	机械+电气系统	提供轮系、承载、执行运动	否
运动学模型	数学关系	轮速 → 车体速度/角速度	否（是工具）

（续）

| 航迹推演算法 | 软件算法 | 对速度积分得到 x/y/θ | 否（是工具） |

|轮式里程计​ |算法输出​ |连续估计机器人位姿 (x, y, θ)​ |是​ |

2. 数据是怎么“长成”里程计的

以两轮差速底盘为例，信号流是：

1. 编码器​ 输出左右轮脉冲 ΔNL​,ΔNR​

2. 控制板把脉冲转成轮缘位移​ ΔsL​,ΔsR​（乘周长/分辨率）

3. 代入差速运动学逆解：

   v=2ΔtΔsL​+ΔsR​​,ω=LΔtΔsR​−ΔsL​​

1. 航迹推演把 (v,ω)对时间积分：

   xk+1​=xk​+vΔtcosθk​,yk+1​=yk​+vΔtsinθk​,θk+1​=θk​+ωΔt

1. 输出的 (x,y,θ)序列，才叫轮式里程计轨迹

所以你会看到：

• 拔掉编码器 → 里程计立刻死

• 换阿克曼底盘 → 运动学模型换了，但“里程计”概念还在

• 加 IMU / 视觉 SLAM 做融合 → 那就叫“里程计融合”，不再是纯轮式里程计

3. 为什么这个区分很重要

• 调试时：里程计漂了，不一定是编码器坏，可能是运动学参数（轮距 L、轮径）标错，或打滑模型没处理

• 架构上：ROS 里wheel_odometry是一个 node / topic，而encoder只是 driver 层，两者层级不同

• 认知上：里程计本质是“用已知运动关系反推自己在哪”，它和 GPS（绝对观测）、激光雷达（环境观测）不属于同一类东西

一句话记忆：

编码器给“轮子上发生了什么”，运动学模型给“轮子动代表车体怎么动”，航迹推演给“车体怎么动代表我在哪”——三者拼起来，才叫轮式里程计。

一、驱动的本质：静摩擦力是“推进剂”

轮子本身并不会“推着空气前进”，真正让机器人移动的是地面对驱动轮的静摩擦力。

• 驱动轮在电机作用下，轮胎接地点相对地面有向后滑动的趋势

• 地面通过静摩擦力给轮子一个向前的反作用力

• 该力通过轮轴传递到车体，使整车产生平动

关键点：是静摩擦，不是滑动摩擦。

一旦轮子打滑（滑动摩擦为主），牵引力下降，里程计失效，控制精度也会明显恶化。

这一机制决定了：

• 驱动轮必须提供足够的法向压力（重力或配重）

• 轮胎材料与地面摩擦系数 μ直接限制最大加速度与爬坡能力

---

二、摩擦力的微观本质：电磁相互作用

传统解释中，摩擦力常被简化为“表面凹凸啮合”；现代固体物理视角则更准确：

• 宏观“光滑”表面在微观下仍是原子/分子尺度的起伏

• 两表面接触时，原子间距进入分子间作用力（范德华力、化学键等）范围

• 相对滑动会改变原子平衡位置，引起电磁相互作用的重新排列

• 这部分能量耗散表现为宏观的摩擦力

由此可得一个重要结论：

不存在绝对光滑、无摩擦的接触面​

只要存在接触 + 相对运动（或有运动趋势），就一定伴随摩擦与能量损耗。

这对机器人底盘设计意味着：

• 无法完全消除摩擦，只能优化摩擦的方向与大小

• 运动学建模中通常引入非完整约束来描述这种不可回避的物理特性

---

三、摩擦力的双重角色：动力 vs 约束

从运动学角度看，摩擦力是一把典型的“双刃剑”。

1. 正向作用：提供驱动力

• 纵向静摩擦 → 推进车体

• 转向时的侧向摩擦分量 → 提供向心力（如自行车过弯）

2. 负向约束：限制自由度

以自行车后轮为例：

• 理想刚性轮在平整地面只能沿轮平面方向滚动

• 侧向运动被侧向摩擦力“锁死”

• 若要侧移，只能拖滑，代价是高摩擦阻力 + 轮胎磨损

这正是非完整约束（non-holonomic constraint）的典型体现：

y˙​cosθ−x˙sinθ=0

含义是：无法瞬时改变侧向坐标 y，只能通过连续的前向 + 转向运动间接到达目标位置。

后续运动学模型的核心目标之一就是：

✅充分利用纵向摩擦实现高效驱动​

❌尽量避免侧向拖滑带来的能量浪费与控制复杂性

---

四、从单轮到多轮：操控性与约束的变化

你提到的几个例子，非常直观地展示了轮子数量与布置如何影响运动可控性。

构型	典型代表	运动特点	操控复杂度
独轮	独轮车	仅靠一个驱动轮，侧向、俯仰均不稳定	极高（需身体姿态调节）
两轮（前后）	自行车	前轮转向 + 后轮驱动，自然稳定	中等（靠车把转向）
四轮（前转后驱）	汽车	前轮转向 + 后轮/四轮驱动	低（成熟操控逻辑）
两轮（共轴）	平衡车	无转向节，靠左右轮速差实现转向	低（自动平衡控制）

几个关键观察：

• 独轮车：系统欠约束，需要高频调整身体重心才能维持平衡与转向

• 自行车：引入前轮转向自由度后，只需控制车把角度即可稳定转弯

• 双自行车并联（四轮）：类似汽车底盘，前轮负责几何转向，后轮负责驱动

• 去前轮、留后轮对：类似平衡车，转向不再依赖机械转向角，而是差动转向（Differential Drive）

轮式里程计详解：原理、定位逻辑与误差特性

一、定义与定位原理

1. 核心定义

轮式里程计（Wheel Odometry）的本质是一种相对定位传感器系统。其作用类似于出租车里的里程表，核心功能是记录机器人从起点（上电时刻）到当前时刻的相对位移和姿态变化，而非绝对地理坐标。

2. 位姿表示方法

在二维平面（2D）运动中，机器人的位姿（Pose）通常由三个自由度（DOF）描述：

• X：机器人在世界坐标系下的横坐标。

• Y：机器人在世界坐标系下的纵坐标。

• θ（Theta）：机器人绕 Z 轴的偏航角（Yaw），即朝向。

3. 航迹推演（Dead Reckoning）逻辑

轮式里程计的核心算法是航迹推演。其基本原理是：已知上一时刻 tk​的位姿 (xk​,yk​,θk​)，结合该时间段内的速度信息，推算出下一时刻 tk+1​的位姿 (xk+1​,yk+1​,θk+1​)。

• 速度分解：机器人自身的线速度为 V，角速度为 ω。在机器人坐标系（Body Frame）下，通常设定前向为 X 轴，侧向为 Y 轴。对于非全向轮底盘（如差速、阿克曼），VY​=0。

• 坐标变换：要将机器人自身的速度映射到世界坐标系（Odometry Frame）中，需要使用旋转矩阵进行投影。X 轴和 Y 轴方向的速度分量分别为：

  • VXworld​=V⋅cosθ

  • VYworld​=V⋅sinθ

4. 递推公式

设时间间隔为 Δt，则标准的航迹推演公式为：

xk+1​=xk​+(Vcosθk​)⋅Δt

yk+1​=yk​+(Vsinθk​)⋅Δt

θk+1​=θk​+ω⋅Δt

通过上述公式不断循环计算，即可得到机器人运动的完整轨迹。

5. 坐标系特性：相对定位

轮式里程计建立在ODM（Odometry）坐标系下。该坐标系具有以下显著特征：

• 原点动态：以底盘上电时刻的位置为原点 (0,0,0)。

• 独立性：每次断电重启后，坐标系原点重置。因此，它无法像 GPS 那样提供全局唯一的地理位置参考，仅能描述相对于起点的位移。

二、误差特性与使用建议

1. 累积误差（Drift）的产生

轮式里程计最大的缺陷是误差随时间累积。这主要由以下两个原因造成：

• 源头误差：里程计依赖的 V和 ω是通过编码器脉冲换算得到的，受限于轮径标定误差、地面摩擦系数变化等因素，计算值与真实物理速度之间存在固有偏差。

• 递推放大：由于后一时刻的位置是基于前一时刻的位置计算的，P1 的误差会带入 P2 的计算中。随着步数增加，小的测量误差会演变成巨大的位置偏离（即“差之毫厘，谬以千里”）。

2. 使用策略

鉴于上述特性，在实际应用中应遵循以下原则：

• 短期可靠，长期漂移：轮式里程计在短时间、短距离内具有较高的精度，适合用于局部路径跟踪和速度闭环控制。

• 慎用绝对位姿：不建议直接使用里程计输出的绝对坐标 (X,Y)作为导航的最终依据，尤其是在长时间运行后。

• 善用相对量：轮式里程计非常适合提供相对运动信息。例如，计算“从 A 点到 B 点走了多远”或“相对于当前朝向旋转了多少度”。

3. 误差修正：全局定位

为了消除累积误差，机器人必须引入绝对定位传感器进行校正。

• SLAM 技术：通过激光雷达（LiDAR）或视觉传感器感知环境特征，与地图进行匹配，从而获得不受累积误差影响的全局位姿。

• 传感器融合：通常使用扩展卡尔曼滤波（EKF）等算法，将轮式里程计（高频、相对）与 IMU、GPS、激光 SLAM（低频、绝对）进行融合，既保证了实时性，又保证了全局一致性。

---

总结：轮式里程计是机器人移动的“脚步”，它提供了高频的运动信息，但每一步都可能踩偏一点点；SLAM 则是“眼睛”和“地图”，负责在宏观上纠正脚步的偏移，二者结合才能实现可靠的自主导航。