Hey there，我之前帮不少朋友调试过差速驱动的小型机器人，你的问题其实特别典型——双轮+球轴承支撑的结构跑偏，大多是电机特性不一致、机械间隙或者轮子打滑导致的，而你手上的电机旋转数据+双陀螺仪刚好是精准解决这个问题的王牌组合，咱们一步步来拆解：

一、先搞清楚手里的数据能干嘛 #

• 电机旋转数据（应该是编码器读数吧？）：这是最直接的执行反馈，能精准知道电机有没有按你的指令输出转速，甚至能算出轮子的实际线速度
• 轮胎旁的双陀螺仪：能直接检测每个轮子的转向角速度，完美弥补电机数据的盲区——比如轮子打滑时，电机转了但轮子没动，这时候陀螺仪能立刻发现异常

二、数据融合的核心方案：闭环PID+互补滤波 #

不用搞太复杂的算法，先把基础的闭环控制搭起来，再融合传感器数据就行：

1. 先做静态校准，解决基础偏差 #

先让机器人以中等低速（比如输入值300）尝试直线行驶10秒，记录两组数据：

• 两台电机的实际转速差（比如电机A每分钟转102圈，电机B只转96圈）
• 两个陀螺仪的角速度差（比如A侧陀螺仪角速度1.3rad/s，B侧只有1.0rad/s）
  从这两组数据里算出一个静态补偿系数：比如电机B需要比A多输入20左右的数值，才能让两侧转速一致。这个系数先作为初始值，后续再动态调整。

2. 实时数据融合的PID控制器 #

我们的核心目标是让两侧轮子的有效线速度完全一致，这里的“有效速度”需要用互补滤波把电机数据和陀螺仪数据融合起来（因为单一数据都有缺陷）：

# 伪代码示例：单轮数据融合逻辑
import math

def fuse_wheel_speed(motor_rot_speed, gyro_angular_vel, wheel_radius):
    # 电机计算的轮子线速度：转速（转/秒）* 轮子周长
    motor_line_speed = motor_rot_speed * 2 * math.pi * wheel_radius
    # 陀螺仪计算的轮子线速度：角速度 * 轮半径（轮子边缘的角速度等于陀螺仪检测值）
    gyro_line_speed = gyro_angular_vel * wheel_radius
    # 互补滤波：给电机数据更高权重（比如0.7），陀螺仪补滑差（0.3）
    # 权重可以根据实际情况调，比如打滑时提高陀螺仪权重
    fused_speed = 0.7 * motor_line_speed + 0.3 * gyro_line_speed
    return fused_speed

拿到两侧的融合速度后，就可以用PID控制器做实时修正：

• 设定目标：两侧fused_speed的差值为0
• 把PID输出的修正值，加到转速较慢的电机输入上（或者从较快的电机输入里减去）
• 一定要做限幅处理：修正后的电机输入必须在0-900范围内，别超量程

3. 反向运行的特殊调整 #

反向行驶时，核心逻辑和正向是通用的，但要注意两个细节：

• 方向符号对应：把融合速度的正负号和行驶方向绑定（比如正为前进，负为后退），这样PID的差值计算逻辑完全不用改——只要两侧反向的有效速度一致，机器人就能走直线
• 反向间隙补偿：很多机器人的齿轮组有反向间隙，导致反向时的阻力和正向不一样，你可以单独测一组反向的静态补偿系数，在切换方向时自动切换补偿值就行

三、进阶优化小技巧 #

• 动态调整滤波权重：如果检测到轮子打滑（比如电机转速很高，但陀螺仪角速度很低），自动把陀螺仪的权重调到0.5甚至更高，优先信任陀螺仪的实际运动数据
• 加入整体航向校验：如果能加一个中心陀螺仪测机器人的整体航向，把它和两侧轮子的融合速度推导的航向做对比，能进一步修正整体偏移
• 温度补偿：电机转速会随温度变化（电阻变了），长期运行可以记录温度-转速曲线，做动态补偿，稳定性会更好

内容的提问来源于stack exchange，提问作者user9549355