当前位置：首页 > news >正文

用Python从零实现一个自行车模型（Bicycle Model），手把手教你理解自动驾驶的底层逻辑

news 2026/7/6 16:11:43

用Python从零实现自行车模型：解锁自动驾驶的底层逻辑

自行车模型（Bicycle Model）是理解自动驾驶车辆运动学的基石。这个简化模型将四轮车辆抽象为两轮结构，让我们能够专注于核心运动原理。本文将带你从零开始，用Python实现一个完整的自行车模型，并通过可视化理解其行为。

1. 自行车模型基础与假设

自行车模型的核心在于简化现实世界的复杂性。想象一下，当你驾驶汽车低速转弯时，左右前轮的转向角度差异可以忽略不计。这正是自行车模型的基本假设之一：

单轮抽象：将左右两侧轮胎合并为一个虚拟轮胎
低速场景：忽略轮胎侧向力（速度<5m/s时成立）
二维平面：不考虑垂直方向（Z轴）运动
刚性车身：忽略悬架系统和载荷转移

class BicycleModel: def __init__(self, lf=1.2, lr=1.5): self.lf = lf # 前轴到重心的距离 self.lr = lr # 后轴到重心的距离 self.L = lf + lr # 轴距

这个模型的关键参数包括：

δf：前轮转向角（rad）
V：车速（m/s）
Ψ：航向角（车辆纵轴与全局X轴夹角）
β：滑移角（车速方向与车辆纵轴夹角）

2. 运动方程推导与实现

自行车模型的运动学可以通过四个微分方程描述。让我们逐步推导并实现这些方程：

2.1 航向角变化率

根据几何关系，航向角变化率Ψ˙与转向角的关系为：

def yaw_rate(self, V, delta_f, beta): return (V * np.cos(beta) * np.tan(delta_f)) / self.L

2.2 位置更新方程

车辆在全局坐标系中的位置变化由以下方程决定：

def position_update(self, V, beta, psi): x_dot = V * np.cos(beta + psi) y_dot = V * np.sin(beta + psi) return x_dot, y_dot

2.3 滑移角计算

滑移角β反映了车速方向与车辆朝向的差异：

def slip_angle(self, delta_f): return np.arctan((self.lr * np.tan(delta_f)) / self.L)

2.4 完整运动模型

整合以上方程，我们得到完整的运动学模型：

def kinematic_model(self, state, delta_f, V, dt): x, y, psi = state beta = self.slip_angle(delta_f) # 更新状态 x += V * np.cos(beta + psi) * dt y += V * np.sin(beta + psi) * dt psi += (V * np.cos(beta) * np.tan(delta_f)) / self.L * dt return np.array([x, y, psi])

3. Python实现与可视化

现在让我们用Matplotlib创建一个交互式仿真环境：

import numpy as np import matplotlib.pyplot as plt from matplotlib.widgets import Slider def simulate(): model = BicycleModel() fig, ax = plt.subplots(figsize=(10, 8)) plt.subplots_adjust(bottom=0.3) # 初始化状态 state = np.array([0, 0, 0]) # x, y, psi trajectory = [state.copy()] # 创建控件 ax_delta = plt.axes([0.25, 0.2, 0.65, 0.03]) ax_vel = plt.axes([0.25, 0.15, 0.65, 0.03]) delta_slider = Slider(ax_delta, '转向角(rad)', -0.5, 0.5, valinit=0) vel_slider = Slider(ax_vel, '速度(m/s)', 0, 5, valinit=1) def update(val): nonlocal state, trajectory delta = delta_slider.val V = vel_slider.val state = model.kinematic_model(state, delta, V, 0.1) trajectory.append(state.copy()) ax.clear() plot_vehicle(ax, state, delta) plot_trajectory(ax, trajectory) ax.set_xlim(-10, 10) ax.set_ylim(-10, 10) fig.canvas.draw_idle() delta_slider.on_changed(update) vel_slider.on_changed(update) plt.show()

这个仿真环境允许你实时调整：

转向角（-0.5到0.5弧度）
车速（0到5 m/s）

4. 参数影响分析

自行车模型的行为受多个参数影响，我们通过实验来分析这些影响：

4.1 轴距的影响

轴距(m)	转弯半径(δf=0.3rad)	稳定性
2.0	6.47	低
2.7	8.74	中
3.5	11.33	高

# 测试不同轴距下的转弯半径 def test_wheelbase(): deltas = np.linspace(0.1, 0.5, 5) for L in [2.0, 2.7, 3.5]: radii = [] model = BicycleModel(lf=L/2, lr=L/2) for delta in deltas: radius = L / np.tan(delta) radii.append(radius) plt.plot(deltas, radii, label=f'L={L}m') plt.legend()

4.2 速度与转向角组合

# 测试不同速度下的轨迹 def test_velocity(): model = BicycleModel() velocities = [1, 2, 3] deltas = [0.1, 0.2, 0.3] fig, axes = plt.subplots(1, 3, figsize=(15, 5)) for ax, delta in zip(axes, deltas): for V in velocities: state = np.array([0, 0, 0]) trajectory = [state.copy()] for _ in range(100): state = model.kinematic_model(state, delta, V, 0.1) trajectory.append(state.copy()) trajectory = np.array(trajectory) ax.plot(trajectory[:,0], trajectory[:,1], label=f'V={V}m/s') ax.set_title(f'δf={delta}rad') ax.legend()

5. 模型局限性及改进方向

虽然自行车模型简单实用，但它有明显的局限性：

低速限制：仅适用于速度<5m/s的场景
忽略动力学：不考虑轮胎力、质量分布等因素
简化转向：实际车辆使用阿克曼转向几何

对于更精确的建模，可以考虑：

class EnhancedBicycleModel(BicycleModel): def __init__(self, lf, lr, tau=0.5): super().__init__(lf, lr) self.tau = tau # 转向延迟时间常数 def steering_delay(self, delta_d, delta_f, dt): # 一阶转向延迟模型 return delta_f + (delta_d - delta_f)/self.tau * dt

这个增强模型引入了：