1 概念与基本原理
1.1 里程计的定义与定位角色
里程计（通常指基于运动的位移估计）是利用传感器提供的“运动量”来推算系统位姿随时间的变化量的技术。这里的位姿一般包含位置与航向（在平面场景中为三自由度；在三维场景中还包含俯仰与横滚等姿态分量）。在移动机器人、自动驾驶车载系统与移动设备中，它常作为定位链条中的一项“先验/连续运动约束”，与地图定位、视觉定位或卫星定位等信息源互补：当外部定位信息更新频繁且可靠时可修正里程计漂移；当外部信息短时缺失时，里程计提供平滑的短期运动连续性。
1.2 基于运动的位移估计思路
基本思想是：传感器测得的速度、角速度或直接位移（如编码器计数对应的轮转角）可转换为局部坐标系下的运动增量，再通过运动学关系更新全局坐标系下的位姿。由于推算依赖模型（例如“轮转角—车体前进距离”的关系）与数值积分，因此误差会被连续累计，最终形成轨迹偏离，即常说的“漂移”。
1.3 运动模型：从速度到位姿的推算
运动模型描述“位姿如何随速度变化”。以平面运动为例，常见形式包含：
- 由线速度与航向角决定位置增量；
- 由角速度决定航向角增量；
- 运动平台特性将轮端输入映射到车体速度（例如差速底盘将左右轮转速映射到前进速度与角速度）。
工程上通常先在离散时间步内计算“速度或增量”，再用积分（显式或更稳定的离散化）更新位姿，从而得到随时间变化的轨迹增长。
1.4 坐标系与姿态表示（平面/三维）
里程计的推算离不开坐标系约定，例如：
- 车体坐标系（随系统运动）与世界坐标系（固定在场景中）之间的转换；
- 在平面中仅需航向角表示姿态；在三维中则需更完整的姿态参数化（如欧拉角、四元数等）以避免某些数值退化。
坐标变换与姿态更新决定了传感器测量量如何正确投影到世界坐标，从而影响最终轨迹误差的形态与增长速度。
2 常见传感器与输入量
2.1 轮速与轮式里程计（编码器脉冲）
轮式里程计多利用轮速计或轮编码器输出的脉冲/转角。编码器脉冲计数可换算为轮转角，轮转角再乘以轮半径与传动关系得到轮对应的行程。对车体而言，需要进一步结合底盘几何关系，把轮端行程映射为车体的线速度与角速度，从而更新位置与航向。
2.2 差速/全向/阿克曼等运动平台的对应输入
不同底盘决定“速度从何处来”：
- 差速驱动：通常通过左右轮速度确定前进速度与转向角速度，适合两轮或履带等可等效差速的结构；
- 全向/麦克纳姆等：轮端速度可组合得到车体在平面内的平移速度分量（有时还包含可选的旋转分量），用于更灵活的运动；
- 阿克曼转向：通过前轮转角与轮速估计车辆运动学参数，常见于汽车形态平台。
2.3 IMU 在运动估计中的作用（角速度、加速度）
IMU通常提供角速度与加速度。其作用主要体现在：
IMU的优势是高频率输出与短期平滑性，但也存在偏置导致的长时漂移风险。
2.4 关节编码器与足式/履带平台的位移估计
对于足式机器人或特定履带/多自由度平台，传感器可以来自关节编码器或足端运动学信息。通过关节角度与机构几何可估计身体相对地面的位移增量；若进一步结合接触状态（例如足端是否着地），可把“关节运动”转换为“主体运动”。履带平台也可采用编码器计数估计履带行程，再结合打滑建模进行修正。
3 里程计算法框架
3.1 开环积分：速度积分与航向更新
开环方法通常直接把传感器测得的速度或角速度进行积分，得到随时间累计的位姿变化。其计算流程相对简单，适合快速原型或短时间运行：
- 将传感器输入换算为车体运动量（线速度、角速度或等效增量）；
- 在离散时间步内更新航向角；
- 将线速度按当前姿态投影到世界坐标，累加位置增量。
由于缺少外部校验，误差会持续积累，因此更依赖良好的标定与噪声抑制。
3.2 闭环修正：基于约束的状态更新（几何约束）
闭环修正利用“约束”对状态进行校正。约束来源可包括：
- 运动学约束（例如底盘几何限制速度与转动的关系）；
- 几何约束（如平面行走时的重力方向、或某些系统在特定姿态下的可行域）；
- 对闭合路径的误差回分配（例如回环段的位姿不一致性用于修正漂移）。
相较开环积分，闭环能在一定程度上抑制累计偏差，但需要额外假设或可用约束信息。
3.3 误差传播与状态建模（系统/随机误差）
里程计误差通常可分解为：
为了便于融合与滤波，常把系统视为状态空间模型：位姿与可能的偏置（例如IMU偏置、尺度因子）构成状态向量，利用误差传播关系描述协方差随时间的增长，从而更合理地量化“可信度”。
3.4 滤波与估计：卡尔曼滤波与其变体概念
卡尔曼滤波及其变体是常见的里程计融合框架概念。其一般流程包括预测（由运动模型积分得到先验）与更新（由观测或约束提供校正）。在多源融合中，观测可能来自IMU、视觉里程计、外部定位或几何约束。工程实现中还会考虑非线性带来的影响（如使用扩展/无迹等思想），以及离散化误差与数值稳定性问题。
4 误差来源与漂移机理
4.1 轮半径与传动比误差
轮半径与传动比直接决定“轮转角—位移”的比例。若半径估计偏大或偏小，会造成全局尺度误差：走得越久，轨迹长度偏差越显著。传动比误差同理，尤其在不同磨损程度或更换轮胎后更容易出现系统性变化。
4.2 轮滑、打滑与地面条件变化
轮滑与打滑会破坏“编码器计数等于实际行程”的假设。地面摩擦系数、坡度、湿滑程度、路面不平整都会影响轮端输出与车体真实运动之间的对应关系。该类误差常表现为轨迹形态突然偏转、局部偏离加剧，且难以用单一常数修正。
4.3 IMU 偏置漂移与姿态积分误差
IMU的角速度偏置会导致姿态随时间线性累积误差；加速度偏置则会引入速度与位置的更复杂漂移。即使短时效果良好，长时仍可能因偏置与噪声积分而逐渐失真，因此常与其他传感器联合估计偏置或进行周期性校正。
4.4 时间同步与传感器噪声影响
时间戳不同步会让同一时刻的“运动量”和“姿态更新”不对应，从而造成不必要的系统性误差。噪声则会在积分过程中被放大，尤其在需要二次积分（由加速度推速度再推位置）的链路中更明显。合理的滤波、重采样与同步策略能显著改善稳定性。
4.5 误差累积的可视化与量化指标
为了理解漂移，工程上常将结果进行轨迹对比、残差分析和统计评估。量化指标可包括位置误差、相对位姿误差、轨迹长度误差以及随时间增长的误差曲线。可视化方面，常用轨迹叠加、误差热力图或误差随步长/时间的曲线，以便定位误差主导来源是尺度偏差、姿态偏差还是局部打滑。
5 标定与工程实现
5.1 传感器标定：比例因子与安装参数
标定目标包括比例因子（如轮半径、编码器每转对应距离）、安装参数（传感器与车体坐标的外参）、以及可能的零偏。安装角误差会导致坐标投影错误，产生持续的航向或横向漂移。工程实践中通常通过静态校验、直线走行与转弯工况测试来逐项验证。
5.2 运动学参数辨识（轮距、轴距、零偏）
差速与阿克曼模型都依赖几何参数，如轮距、轴距、转向相关的几何关系。零偏则常指IMU初始偏置或编码器的基准误差。辨识通常通过多次重复运动（直行、原地旋转、弧线行驶）拟合参数，使模型预测与观测更一致。
5.3 噪声参数的离线/在线估计
滤波框架需要噪声强度（协方差）来决定“信任程度”。噪声参数可在离线阶段通过静态数据与运动实验估计，也可在在线运行中自适应调整。过度乐观的噪声会导致融合过度依赖预测而忽略校正；过度悲观则会让估计变得抖动或迟钝。
5.4 运行时工程细节：时间戳、插值与数值稳定性
实现层面常见关键点包括：
- 使用一致的时间基准与插值策略，确保不同传感器输入对齐；
- 选择合适的离散化方法，避免积分步长过大造成偏差；
- 处理IMU积分中的数值稳定性，例如姿态更新采用更稳健的表示与归一化；
- 对异常值（传感器饱和、跳变）做检测与鲁棒处理，避免估计突然“飞走”。
6 与其他定位/感知的融合
6.1 与IMU融合：短时高频稳定与长时漂移抑制
IMU在高频层面对姿态变化敏感，因此与轮速等低频较稳的位移线索结合时，常见策略是：利用IMU提供更连续的姿态约束以减少短时抖动，同时通过其他传感器校正偏置与漂移。结果一般表现为短时间更平滑、长时间更不容易累计发散。
6.2 与视觉/激光里程计互补（概念层面）
视觉或激光里程计通常能提供随视野或观测条件变化的位姿增量：在纹理丰富、特征可追踪时效果较好；在光照变化、遮挡或视野不足时会退化。与轮式/IMU里程计融合时，可利用“互补性”在不同场景下保持稳定估计，例如当视觉短时失效时由运动模型支撑，恢复后再逐步校正。
6.3 与GPS或地图定位的协同（概念层面）
GPS或地图定位提供的是更偏“绝对/低频校正”的信息。里程计在两次外部校正之间维持连续轨迹，外部定位到来时对位置与航向进行校准，从而减少长期漂移。协同的关键在于处理不同更新频率与不确定性差异，避免在外部定位突变时把误差“反向注入”。
6.4 融合策略的评价：一致性与鲁棒性
评价融合质量通常关注：
- 一致性：估计协方差与实际误差是否匹配；
- 鲁棒性：在打滑、遮挡、信号突降时是否能稳健降级；
- 可解释性：误差来自哪里、融合在何时占主导。
当系统频繁遭遇退化工况时，更需要看融合策略能否自动调节“信任权重”。
7 评估方法与实验设计
7.1 轨迹评估指标（位姿误差、相对位姿误差）
常用指标包括：
- 绝对位姿误差（与参考轨迹对比的误差距离与角度偏差）；
- 相对位姿误差（在固定时间间隔或路程间隔内的位移、航向差，强调短中期漂移表现）；
- 轨迹一致性统计（例如误差分布的均值、方差、分位数）。
相对误差往往能更直观反映里程计在运行中的漂移速度。
7.2 回环与一致性检查的概念（与漂移相关）
回环检查指机器人或车辆走到某个区域后再次接近先前位置，观察估计是否能在该位置形成闭合。若闭合误差随时间明显增长，通常意味着系统性漂移未被有效约束。即使无法获得完全准确的“真实回环”，也可以用一致性度量评估漂移趋势。
7.3 数据集与测试场景选择原则（室内/室外）
测试场景应覆盖里程计容易退化或误差来源不同的条件，例如：
- 室内平坦地面与光照变化；
- 室外不同路面摩擦与坡度；
- 快速转弯与低速匀速直行的差异；
- 有遮挡/无遮挡的观测条件（若融合视觉/激光）。
数据集应保证传感器记录完整且时间同步良好，以便公平对比方法。
7.4 消融实验：参数与模块影响分析
消融实验通过逐一移除或替换某些模块来分析贡献，例如：
- 只用轮式开环 vs 加入IMU融合；
- 固定尺度因子 vs 使用在线尺度/偏置估计；
- 使用不同滤波器参数设置。
这种实验能帮助定位“误差主要来自模型、标定还是噪声假设”，避免仅凭表面指标下结论。
8 应用场景
8.1 移动机器人导航与自主探索
移动机器人依赖连续运动估计来支持地图构建、路径规划与障碍规避。里程计提供的轨迹增长可作为局部运动的“里程参考”，与激光/视觉等外部信息共同形成可用的定位基础。在自主探索中，里程计稳定性直接影响建图与路径回溯的可信度。
8.2 车载平台的运动估计与辅助定位
在车载场景，轮速、IMU与车体运动学模型结合可输出平滑的运动预测，辅助导航系统进行短时定位与轨迹平滑。与GPS或地图匹配信息结合后，可实现更长时间尺度的稳定估计。道路摩擦变化与转弯工况更容易触发误差，需要对应策略降低影响。
8.3 室内服务与仓储物流（低成本定位）
室内环境中卫星信号通常不可用，成本友好的定位方案往往需要依赖轮式或关节式里程计，并通过偶尔的外部校正（如视觉锚点、UWB或地图匹配）抑制漂移。由于室内路径重复性较高，里程计配合约束与融合可以在满足精度要求的同时降低硬件成本。
8.4 移动终端与可穿戴设备（近身运动跟踪）
在近身运动跟踪中，IMU是关键输入，里程计可用于估计步态引起的位移与姿态变化。与外部感知（摄像头、深度、或特定环境标记）融合时，可降低长时漂移对轨迹的影响。该类应用常强调低功耗与鲁棒性，误差控制更依赖良好的偏置处理与滤波策略。
9 局限性、改进方向与“常见吐槽”
9.1 漂移难题：为何“越走越不准”
里程计依靠模型与积分推算，任何尺度偏差、偏置误差、投影误差都会随时间累计。外部校正信息越少，漂移越容易在长时间运行中体现。即便短时视觉/激光未发生明显退化，只要缺少约束，积分误差仍会“越攒越多”。
9.2 在低纹理/复杂地面下的退化现象
若依赖视觉融合，低纹理、运动模糊与遮挡会使视觉增量不稳定；若主要依赖轮式里程计，复杂地面导致的打滑会破坏轮端行程与真实位移之间关系。两类退化在真实环境中经常同时出现，因此需要更强的鲁棒融合和对误差来源的识别。
9.3 结合学习方法与自适应模型的思路（概念层面）
近年来的改进方向之一是让模型参数随工况变化而自适应，例如对尺度因子、打滑强度或噪声强度进行学习式估计。概念上，这类方法希望在不完全依赖手工调参的情况下，提高在不同路况、不同载荷或不同安装状态下的泛化能力。但其效果往往与训练数据覆盖度、在线稳定性约束和过拟合风险相关。
9.4 工程常见问题与调参“避坑指南（梗式轻量说明）”
常见“坑”包括：
- 时间戳不同步导致估计抖动（看起来像传感器在“甩锅”）；
- 轮半径/轮距没标准就直接上滤波（滤波再强也救不了尺度误差）；
- 噪声参数拍脑袋，导致融合要么过度信任预测、要么过度追着噪声跑（估计“上头”）；
- 开环积分步长过大造成数值偏差（离散化要跟传感器更新节奏匹配）。
工程实践通常强调先标定与数据质量，再谈融合与滤波调参，最后通过消融实验验证改动是否真正带来收益。