企业官网建设流程全解析

轮式编码器这东西，看着不起眼，但在移动机器人项目里，里程估计十有八九都要靠它起步。我做过几个AGV和巡检机器人项目，从最初拿编码器数脉冲做速度环，到后来用它做定位先验，踩过的坑比想象中多得多。这篇就围绕“基于轮式编码器的里程估计”展开，聊聊它到底怎么算、参数怎么定、左右轮速度怎么合成航向和位移，以及我实际调试中遇到的那些容易让人抓狂的问题。如果你刚接触里程估计，或者正被“机器人走着走着就偏了”困扰，这篇应该能帮你把思路理顺。

1. 里程估计到底解决什么问题：从速度闭环到定位先验

1.1 轮式编码器是怎么数出“转了几圈”的

编码器本质上是一个转动传感器，装在电机输出轴、减速器输出端或轮毂上，把旋转角度变成脉冲信号。常见的有光电编码器和霍尔编码器两种。光电编码器内部有个码盘，码盘上均匀分布透光孔，LED照过去，接收端在码盘转动时输出高低电平，一个透光孔对应一个脉冲。霍尔编码器则是靠磁铁和霍尔元件感应磁场变化输出脉冲。两者原理不同，但到了代码层面，我们关心的只有一个东西：单位时间内收到多少个脉冲。

编码器又分增量式和绝对值式。做里程估计常用增量式，因为它便宜、安装简单、输出是正交信号AB相，既能数脉冲，还能通过相位差判断方向。绝对值式自带零点，断电后位置不丢，多用于关节模组和高精度设备，但在轮式里程计里相对少见，因为轮子转多少圈本来就是相对量，增量式完全够用。

把这个原理理解透了，你就明白里程估计的起点是什么：编码器告诉我们轮子转过的角度，结合轮径就能估算出车身走过的路程。这也是为什么轮式编码器被称作“穷人的定位传感器”，它不需要外部环境信息，只要轮子转，它就有输出。

1.2 里程估计能干什么，不能干什么

在很多项目里，编码器里程计不是用来做“终局定位”的，而是承担三类任务。

第一类任务是速度闭环。控制层需要实时知道轮子转多快，编码器脉冲换算成轮速，喂给PID做反馈。这个场景下，里程估计关注的是短周期内的速度准确性，误差大一点问题不大，因为反馈控制会把误差收敛掉。

第二类任务是短时定位。在激光雷达、GPS这些外部参考暂时失效的时候，用里程计递推车身当前在哪儿，撑住几秒到几十秒。比如AGV在货架区穿行，激光被遮挡的瞬间，靠里程计提供连续轨迹，不让导航彻底中断。

第三类任务是给SLAM提供先验。激光匹配、视觉特征匹配都需要一个初始猜测值。里程计给出的“我大概在这个位置附近”能大大缩小匹配搜索范围，减少误匹配概率。很多SLAM框架里，里程计不是用来跟激光抢定位精度的，而是给优化提供一个可靠的局部约束。

但里程计也有硬伤：它是开环递推，没有绝对校正，误差只增不减。走得越远，位置方差越大。这就好比你闭着眼睛走路，脚每迈一步都有一点偏差，几百米下来，你觉得往东，实际上已经偏到东南方向了。所以我们后面会反复强调：标定、局部可靠、融合校正。这三个动作缺一个，里程计都会飘。

2. 从脉冲到米：核心换算公式与参数选型

2.1 三个必须搞清楚的参数：分辨率、减速比、轮径

做里程估计，第一个要面对的问题是：收到N个脉冲，车子到底走了多远？公式不复杂：

总行程 = (脉冲数 / 每圈脉冲数 / 减速比) × π × 轮径

但这里的三个参数每个都有坑。

第一个是编码器分辨率，常见标注有PPR、CPR、线数。PPR是每转输出的脉冲数，光电编码器经常写多少线，比如500线。要区分清楚：有的编码器在AB相上每个周期输出1个脉冲，有的会输出4倍频，如果频率测量用1倍频还是4倍频，算出来的结果差4倍。我建议在代码里统一按“实际计到的脉冲数”来标定，别拿理论PPR直接计算，因为倍频方式和计数方式一变，数值就变。

第二个是减速比。编码器如果装在电机轴上，电机转30圈输出轴才转1圈，那减速比就是30:1。这时轮轴每转一圈，编码器实际输出PPR×30个脉冲。不少项目直接在代码里写“减速比=30”，但没注意到编码器输出轴和轮轴的关系，导致里程整体放大或缩小。

第三个是轮径，这里有个关键概念：不能用几何直径，要用有效滚动半径。轮胎压在地上会变形，实际上等于用一个比自由直径略小的“有效直径”滚动。橡胶轮、充气胎尤其明显。所以，理论算出来的轮径只能当初始值，后续必须用实测标定。

举个例子。假设编码器PPR=500，减速比30:1，轮子标称直径120mm。轮轴转一圈，编码器输出15000个脉冲。车轮周长是π×0.12≈0.377米。那么每个脉冲对应的位移是0.377/15000≈2.5×10⁻⁵米，大约0.025毫米。这个数值很小，说明编码器分辨率足够细腻。但如果你把减速比漏掉了，每个脉冲对应位移就变成0.754毫米，里程会直接放大30倍，这种错误在实际项目里真的有人犯过。

2.2 用固定采样周期转成速度，注意低速量化误差

里程估计通常按固定周期执行，比如10ms、20ms、50ms。每次读一次编码器累计值，跟上次做差，得到这个周期内的脉冲增量。然后换算成位移增量，最后累加到总里程里。速度就是位移增量除以采样周期。

这里有个很常见的坑：低速时的量化误差。假设采样周期20ms，机器人以0.1m/s缓慢行进，20ms内实际位移只有2mm。如果编码器每个脉冲对应0.025mm，那理论上应该有80个脉冲。这个量看起来不少，但如果机器人更慢，比如0.01m/s，20ms内位移0.2mm，只有8个脉冲，慢速运动时每次可能只跳到个位数甚至0个脉冲。于是速度信号呈现“一步有一步没有”的阶梯状，PID看到这种反馈，轻则颤动，重则系统振荡。

解决思路有三种。一是提高编码器分辨率或者采用时间戳法，记录相邻脉冲的时间间隔，用间隔的倒数算瞬时速度，低速下更平滑。二是适当增大采样窗口，比如把20ms的测速窗口改成50ms，减少单周期的量化跳跃。三是加入滤波，但注意滤波会引入相位滞后，不能过度滤波。

我个人的经验是：低速场景优先采用时间戳法或M法/T法结合的方式。M法适合中高速，单位时间数脉冲；T法适合低速，数两个脉冲之间的时间。两者切换逻辑不复杂，但效果改善非常明显。

2.3 速度信号要不要滤波？怎么滤最划算

滤波这块很容易走向两个极端：要么完全不滤，速度曲线毛刺多；要么滤得太狠，系统响应变肉。做速度环时，我推荐先用滑动平均或一阶低通，把高频毛刺拉平。

滑动平均的窗口别开太大，5到10个样本就够。一阶低通可以写成：

filtered_v = alpha × raw_v + (1 - alpha) × filtered_v

alpha一般取0.2到0.5，具体调。调alpha的原则是：观察机器人低速启动一瞬间，速度是从零缓慢爬升，还是出现反向抖动。如果抖动，说明alpha偏大，毛刺偏高。

滤波会带来延迟。在里程计做定位更新时，我不建议对位移增量做重滤波，因为位移是积分量，本身已经平滑了。需要滤波的是速度信号，因为控制环对噪声敏感。弄明白“哪里该滤、哪里别多此一举”，往往比学会滤波器本身更重要。

3. 左右轮合成：差速模型与航向推算

3.1 线速度与角速度的计算公式

两轮差速机器人是最常见的底盘形式，左右轮各自独立驱动。给定左右轮速度vl和vr，车身中心的线速度和角速度用两个公式算：

v = (vl + vr) / 2 ω = (vr - vl) / b

其中b是左右轮之间的轮距，也叫基线宽度。理解这个公式，可以想象你走路：两脚速度一样时走直线，左脚快右脚慢时向右转，速度差越大，转弯半径越小。角速度公式里的轮距b出现在分母上，意味着b估算不准，航向角误差会被直接放大。

实际代码里，更常用的是先算左右轮各自的位移增量Δsr和Δsl，再合成：

Δs = (Δsr + Δsl) / 2 Δθ = (Δsr - Δsl) / b

这里的Δθ单位是弧度。一旦算错单位，把角度当弧度用，航向会偏差得非常离谱。我见过有人把弧度结果直接拿来当度数累加，转一圈下来航向变成360度乘以57.3倍，直接爆表。

3.2 弧长法更新坐标，比直线近似更稳

拿到Δs和Δθ，怎么更新x、y坐标？最直观的是直线近似：

x += Δs × cos(θ) y += Δs × sin(θ) θ += Δθ

这在采样周期很短、转向很慢时是够用的。但采样周期稍长或者转向较猛，直线近似会低估转弯路径的弧线长度。更稳妥的办法是用弧长法：

θ_mid = θ + Δθ / 2 x += Δs × cos(θ_mid) y += Δs × sin(θ_mid) θ += Δθ

也就是说，位移增量按这一小段弧线上的中间航向角来投影。这个做法的物理含义是：在Δt内，机器人不是走一条直线，而是走一条微弧，用弧中点方向计算投影更贴近真实轨迹。

下面给一段简单的Python示例，方便直接理解整个更新流程：

import math class Odometry: def __init__(self, baseline): self.x = 0.0 self.y = 0.0 self.theta = 0.0 self.baseline = baseline # 轮距，单位米 def update(self, d_sr, d_sl): d_s = (d_sr + d_sl) / 2.0 # 位移增量 d_theta = (d_sr - d_sl) / self.baseline # 航向角增量 theta_mid = self.theta + d_theta / 2.0 self.x += d_s * math.cos(theta_mid) self.y += d_s * math.sin(theta_mid) self.theta += d_theta

每周期调用一次update，传入左右轮各自的位移增量。这种写法有两个好处：一是没有多余的变量累积，二是弧中点投影已经在公式里，不会因为采样周期拉长而出现明显的轨迹畸变。

3.3 轮距不准时航向误差会被悄悄放大

轮距b在公式里是分母。假设实际轮距是500mm，你代码里写成480mm，那么所有角速度计算都会放大4%左右。这个误差，最明显的后果是：原地旋转时，机器人实际转了100度，里程计认为转到96度左右，看起来差距不大，但累积一圈后，方向误差会明显反映在终点位置上。

更麻烦的是，轮距误差和轮径误差产生的现象很像，都表现为“转完之后位置偏了”。区别在于，轮距误差主要影响航向，轮径误差除了影响航向，还会影响直行距离。排查时要区分：跑直线不直，可能是左右轮径不一致；原地旋转后航向偏移，优先检查轮距；跑正方形最后无法回原点，就要结合起来看。

所以，我强烈建议在新底盘接入里程计之前，先把轮径和轮距标定做掉。这一步偷懒，后面所有调试都会被里程误差干扰，你会分不清是控制器问题、SLAM问题还是里程计问题。

4. 标定轮径和基线宽度：入手里程估计的第一道关

4.1 直线往返标定法：校准轮子的有效直径

标定轮径的土办法也很有效：找一块平整地面，用卷尺量出10米的直线距离，让机器人以较低速度、开环方式沿直线跑过去。注意一定要开环，不要用里程反馈闭环，因为闭环会修正误差，导致测不出真实的轮径偏差。

记录机器人从起点到终点累计的里程计位移，用实际距离除以里程计读数，得到一个修正系数。然后把理论轮径乘上这个系数，得到新的有效轮径。举个例子，理论轮径120mm，在10米直线行驶后，里程计显示9.35米，修正系数就是10/9.35≈1.0695，实际有效轮径约为128.3mm。这个值比卡尺量的几何直径更接近真实滚动半径。

往返各跑几次，取平均，能排除地面坡度、起步打滑等随机误差。标定速度不要高，建议0.2到0.5m/s，因为低速下轮子和地面的滑移最小，测出来的滚动半径更接近真实。

4.2 原地旋转标定法：反推真实基线宽度

轮距标定可以用原地旋转法。让机器人原地旋转N圈（比如5圈），同时用高精度陀螺仪或外部量角器测出实际旋转角度。里程计内部会按照当前代码里的轮距b计算累计航向角。如果实际旋转角度和里程计计算角度不一致，就能反推出真实轮距：

真实b = 理论b × 里程计计算角度 / 实际旋转角度

比如代码设b=500mm，原地旋转5圈后里程计显示1800度，但陀螺仪实测为1820度，里程计比实际转少了1.1%，说明真实轮距比500mm大，修正为500×1820/1800≈505.6mm。

这里有个细节：旋转速度不能太快，否则打滑会影响旋转圈数；旋转时地面要平整，不能有坡度和斜纹。如果没有陀螺仪，也可以让机器人贴着一个圆柱或墙角旋转，用外部标记物做角度参考，但精度会差一些，适合没传感器的情况。

4.3 跑一圈正方形校验：把误差现象和原因对上

标定完之后，强烈建议做一个综合校验：控制机器人沿正方形跑一圈，边长3到5米，记录回到起点后的位置偏差。这个实验能一次性暴露多个误差源。

如果终点横向偏移明显，比如向右偏了20cm，大概率是左右轮径不一致导致直线不直；如果终点朝向偏了但位置偏移不明显，比如回到起点附近但车头角度不对，说明轮距标定还有误差；如果整个正方形轨迹呈顺时针旋转扩散状，说明左右轮径误差和轮距误差叠加了。根据现象再稍微微调一两次参数，里程计就能达到“短距离内很好用”的状态。

这个校验过程，我建议保留数据。把每次标定的参数、跑正方形后的偏差都记录下来，后面换轮胎、换底盘后，直接对比基线数据，比重新从头摸索快很多。我自己就有一个专门的本子记录这些参数，每次改完都会注释在代码文件头部，方便回滚对比。

5. 常见问题与排坑实录

5.1 编码器丢脉冲：接线、中断与软件滤波

丢脉冲是里程估计里最隐蔽的问题，不会直接报错，只是里程悄悄变短。比如轮子转了一圈，按分辨率应该输出500个脉冲，但实际只计到480个，长期累积下来，里程明显偏小且无规律。

这类问题通常有三个来源。一是接线接触不良，特别是电机运行振动后，编码器线束插头松动，产生瞬间丢脉冲。二是电气干扰，电机PWM驱动线上的大电流变化会干扰编码器信号线，脉冲毛刺可能导致计数器多计或者少计。三是中断处理太慢，如果单片机主循环里有耗时操作，外部中断的脉冲计数服务被抢占，就会漏计。

排查建议：先把编码器线换成屏蔽双绞线，屏蔽层单端接地，并且让编码器线和电机动力线分开走线槽，不要平行捆在一起。然后在电机驱动输出端加续流吸收，或者给编码器供电加一级LC滤波。代码层面，优先用硬件定时器捕获外部中断，中断服务函数里只做计数和清零标志，不要在中断里做浮点运算或里程更新。

5.2 打滑和空转：里程虚增的几个典型现场

打滑是轮式里程计最无解的问题，因为它相当于给编码器一个虚假的转角输入，轮子转了但车身没动，里程计却以为走了很远。打滑常发生在急加速、急刹车、粗糙度差异大的地板、上坡启动等场景。

针对打滑，软件层面能做的事有限。一种思路是检测“轮速异常”：比如一个轮子瞬间速度远大于另一个轮子，或者当前电流很大但轮速很小，就认为打滑，暂时冻结里程更新，等运动恢复后再继续。另一种思路是限制加速度，让底盘柔和启停，从物理上减少打滑机会。

悬空空转也是类似问题。有些机器人会被人工抬起来转运，此时轮子还在转，里程计已经在“虚拟跑图”。如果传感器里有IMU，可以通过加速度计检测到机身姿态变化或振动特征，识别“被抬起”的状态，主动把里程计清零或者标记为无效。这个功能在AGV项目里很实用，不然一台被搬走的Robot，定位会瞬间漂到十万八千里外。

5.3 轮径随负载变化：不要指望一次标定吃一辈子

橡胶轮和充气轮其实是被压扁的，负载越大变形越厉害，有效滚动半径越小。同一个人之后，空载和满载状态下跑同样的路程，里程计读数能差1%到3%。如果你在AGV上装了较重的料架，里程计的定位误差会在几个小时后变成明显的累积误差。

在实际工程中，很难对每种负载都重新标定。比较可行的做法是：把里程计当作短时相对约束，定期用激光雷达、二维码或地面磁条等绝对参考来校正位置。也就是说，里程计的定位输出只用于前后几秒内的推算，一旦绝对参考更新，就重置里程计的累积误差。这种做法既能发挥里程计平滑连续的优势，又不会让它把系统误差带飞。

另外，定期检查轮胎胎压。市面上很多机器人用低配橡胶轮，胎压变化对有效半径的影响肉眼可见。气胎胎压不足时，轮径变小，里程计系统性偏大，体现在直行距离“虚胖”上。如果你发现同一路线一段时间后里程偏差明显变大，先去看看胎压，再考虑别的。

5.4 与IMU融合时的协方差设置思路

里程计和IMU是经典互补组合：里程计短时位移稳定，但航向角受轮距误差影响；IMU的加速度计噪声大，但陀螺仪短时航向变化很准。融合时要注意，里程计的航向在长时间后会漂移，陀螺仪也漂移，两者不能互相彻底修正，只能做短期内的互相约束。

一个我踩过的坑是：把里程计的协方差设得太小，导致EKF过度信任里程计，一旦轮子打滑，融合结果直接被带偏。后来我把里程计的噪声方差设置为随着运行距离增长而增大，也就是信任度随时间降低；IMU的陀螺仪航向在短时间内的权重调高，这样才能在打滑瞬间让融合输出更加平滑。

里程估计在工程里的定位，应该是“好用的局部约束”，而不是“全局万能定位”。想明白这一点，融合的参数调节才不会走弯路。

最后分享一点个人体会：里程估计的实现并不难，难的是理解它的边界。编码器给出的永远是“轮子转了多少圈”，而不是“车身实际走了多远”。如果能接受这个前提，老老实实做标定、做校验、合理设置融合权重，轮式编码器绝对是最可靠又低调的定位基石。如果非要拿它当万能定位源，再好的公式和代码也救不回来。