多移动机器人系列（一）-移动机器人运动学模型

夏辰宇

已于 2025-08-24 19:09:19 修改

阅读量1.8k

点赞数 24

CC 4.0 BY-SA版权

文章标签： python 机器学习机器人

于 2024-02-15 14:54:35 首次发布

本文链接：https://blog.csdn.net/qq_45097839/article/details/127149897

本文介绍了移动机器人在不同领域的应用，重点讨论了两轮差速和四旋翼机器人的运动模型，以及如何使用ROS1/2和Python进行控制。文章详细阐述了运动学模型的线性化过程，为单个和集群移动机器人控制奠定了基础。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

系列文章目录

移动机器人跟踪，控制和集群，基于ROS1/ROS2与python实现。

前言

移动机器人是机器人的一个重要的分支，在无人驾驶、太空探索、海洋勘探和医疗服务等领域得到了广泛的使用。其中轮式移动机器人是一个重要的分支，轮式移动机器人又可以根据驱动方式的不同分为阿克曼结构，两轮差速结构和麦克纳姆轮结构等。

随着相关技术的迅猛发展，移动机器人的性能得到了极大地提高。对于一些具有时间分布和空间分布的任务，单个移动机器人具有一定的局限性。通过多个移动机器人相互之间的协作，在处理一些时空分布的任务上表现出极大地优势，多移动机器人已经成为为移动机器人发展的热门领域之一。

ROS（移动机器人操作系统）的出现极大地加速了移动机器人的开发过程。ROS提供了一个松耦合的框架，提高了代码的复用率，极大地加快了机器人开发的进度。

在ROS的编程语言中，使用较多的有C++和Python。其中，C++的执行效率会更高一些，适合一些对实时性有要求的场合，例如图像处理领域。Python的开源社区会更好一些，在开源社区中可以找见各种第三方库，开发起来会更方便一些。在本文中，主要使用Python作为开发语言。

一、移动机器人简介

移动机器人是机器人的一个重要的分支，在。按照运动结构的不同，移动机器人可以分为空中移动机器人，轮式移动机器人，腿足式移动机器人和水下潜航器等。

在本文中，仅对两轮差速移动机器人和四旋翼移动机器人进行研究。其中两轮差速移动机器人选用Turtlebot3，四旋翼使用PX4。

二、移动机器人运动模型

从运动学方面完成对移动机器人的控制，运动学到动力学的解算由底层控制器完成，在这里不涉及。我们做如下假设：1 移动机器人做纯滑动无滚动的运动。2 忽略地形对移动机器人的影响。 3 忽略移动机器人运动过程中两轮半径的变化。4 忽略移动机器人执行机构的动态特性。

$\left\{\begin{matrix} \dot{x}=vcos\theta\\ \dot{y}=vsin\theta\\ \dot{\theta}=\omega \end{matrix}\right.$

三、运动学模型线性化

在移动机器人的线性控制中，需要对移动机器人的运动学方程进行线性化。线性化可以分为精确线性化和近似线性化。其中近似线性化方法简单，适应范围广，但是精度较低。精确线性化需要根据具体情形进行分析，计算量较大。在这里使用近似线性化。

选取移动机器人的的状态量为 $X=[x,y,\theta ]^{T}$ ，移动机器人的控制量为 $u=[v,\omega ]^{T}$ 。用 $r$ 表示参考轨迹上的任意一点，移动机器人在参考点上的参考状态量 $X_{r}=[x_{r},y_{r},\theta _{r}]^{T}$ ，参考控制量 $u_{r}=[v_{r},\omega _{r}]^{T}$ 。

为了建立移动机器人的线性化误差方程，在轨迹上的某一参考点 $r$ ，将移动机器人非线性运动方程表示为更一般的形式。

$\dot{X}_{r} = f(X_{r},u_{r})$

在参考点处对移动机器人的运动学方程进行泰勒展开，忽略高阶项，只保留线性项，可以得到：

$\dot{X} = f(X_{r},u_{r})+\frac{\partial f(X,u)}{\partial X}|_{X=X_{r},u=u_{r}}(X-X_{r})+\frac{\partial f(X,u)}{\partial u}|_{X=X_{r},u=u_{r}}(u-u_{r})$

其中，雅克比矩阵定义如下：

$\frac{\partial f(X,u)}{\partial X}|_{X=X_{r},u=u_{r}}=\begin{bmatrix} 0 &0 &-v_{r}sin\theta _{r} \\ 0 &0 & v_{r}cos\theta _{r} \\ 0 &0 &0 \end{bmatrix}$

$\frac{\partial f(X,u)}{\partial u}|_{X=X_{r},u=u_{r}}=\begin{bmatrix} cos\theta _{r} &0 \\ sin\theta _{r} &0 \\ 0 &1 \end{bmatrix}$

进一步可以得到：

$\bigtriangleup\dot{X}=A_{m} \bigtriangleup X+B_{m}\bigtriangleup u$

式中，

$\Delta \dot{X}=\begin{bmatrix} \dot{x}-\dot{x}_{r}\\ \dot{y}-\dot{y}_{r}\\ \dot{\theta }-\dot{\theta }_{r} \end{bmatrix}$ ， $A_{m}=\begin{bmatrix} 0 & 0 & -v_{r}sin\theta _{r}\\ 0& 0& v_{r}cos\theta _{r}\\ 0& 0& 0\end{bmatrix}$

$\Delta X=\begin{bmatrix} x-x_{r}\\ y-y_{r}\\ \theta-\theta_{r}\\ \end{bmatrix}$ , $B_{m}=\begin{bmatrix} cos\theta_{r} &0 \\ sin\theta_{r} &0 \\ 0 &1 \end{bmatrix}$ , $\Delta u=\begin{bmatrix} v-v_{r}\\ \omega -\omega _{r} \end{bmatrix}$

至此得到了移动机器人基于误差的连续状态方程，在实际的应用过程中还需要进一步地离散处理，这里采用近似离散化的方式对其进行离散，通过向前欧拉法离散化，可以得到 $k$ 时刻移动机器人在参考点 $r$ 的线性化误差方程：

$\tilde{x}(k+1)=(I+TA_{m})\tilde{x}(k)+TB_{m}\tilde{u}(k)$

式中， $T$ 为离散时间间隔，

$\left\{\begin{matrix} \tilde{x}=\Delta X(k)\\ \tilde{u}=\Delta u(k) \end{matrix}\right.$

将公式进一步简化为：

$\tilde{x}(k+1)=A\tilde{x}(k)+B\tilde{u}(k)$

式中， $A=(I+TA_{m})$ ， $B=TB_{m}$ 。

$A_{m}=\begin{bmatrix} 1 & 0 & -v_{r}Tsin\theta _{r}\\ 0 & 1 & v_{r}Tcos\theta _{r}\\ 0 & 0 & 1\end{bmatrix}$ , $B=\begin{bmatrix} Tcos\theta_{r} &0 \\ Tsin\theta_{r} &0 \\ 0& T \end{bmatrix}$