Arduino BLDC基于编码器+PID的全向移动机器人防滑控制，是以Arduino/ESP32为主控、BLDC无刷电机为底盘驱动，通过编码器实时检测各轮转速与IMU/加速度计交叉验证，经PID闭环动态调整扭矩分配，实现全向移动中打滑检测、抑制与恢复的主动防滑控制系统。 该方案具备编码器+IMU双源滑移检测、BLDC+FOC精准扭矩分配、PID自适应防滑与全向运动学解耦四大特点，主要应用于仓储物流AGV、竞赛机器人、服务机器人及科研教学等场景；实际部署时需重点关注编码器分辨率与安装精度、PID调参策略、全向轮特殊防滑特性、电源隔离与EMC防护及主控算力瓶颈。
一、 技术架构与主要特点
编码器+IMU双源滑移检测：这是防滑控制的核心感知机制。系统通过两路独立信号交叉验证来判断是否发生打滑：
编码器侧：每台BLDC电机尾部安装增量式正交编码器（如磁编码器或霍尔编码器），通过中断捕获脉冲，实时计算各轮的实际转速。编码器提供高频（可达数百Hz）的轮端速度信息，是速度闭环和里程计的基础。
IMU侧：IMU（如MPU6050、ICM-20948）提供机器人本体的实际加速度和角速度。IMU不受车轮打滑影响，反映的是机器人真实的运动状态。
滑移率计算：将编码器推算的轮端速度（v_encoder）与IMU积分得到的本体速度（v_imu）进行对比，计算滑移率：slip_ratio = (v_encoder - v_imu) / v_imu。当滑移率超过设定阈值时，判定该轮发生打滑，触发防滑逻辑。
BLDC+FOC精准扭矩分配：BLDC电机配合FOC（磁场定向控制）驱动，具备毫秒级电流响应和极低转矩脉动，是实现防滑控制的执行基础。当检测到某轮打滑时，系统可以：
降扭矩：立即降低打滑轮的扭矩输出，使其恢复附着。
差动补偿：增加对侧或相邻轮的扭矩，维持整体运动平衡，防止因单侧打滑导致的偏航或侧翻。
再生制动：FOC驱动器支持能量回收式刹车，可在紧急防滑时提供强大的电磁制动力，响应速度远优于机械刹车。
PID自适应防滑控制：防滑控制的核心算法采用分层PID架构：
内环（电流/扭矩环）：基于BLDC的FOC驱动器实现，控制频率通常在1~10kHz，确保扭矩输出的精确性和快速响应。
中环（速度环）：基于编码器反馈构建PID速度闭环，实时比较目标转速与实际转速，动态调整PWM输出。当检测到打滑时，PID控制器自动降低目标速度，并通过积分限幅（Anti-windup）防止积分饱和导致的过冲。
外环（防滑协调环）：根据滑移率动态调整各轮的PID增益或扭矩分配比例。例如，当左前轮打滑时，系统自动降低左前轮的扭矩权重，增加右后轮的扭矩补偿，维持全向运动的合成矢量不变。
自适应机制：高级系统引入MRAC（模型参考自适应控制），根据地面摩擦系数的变化实时调整PID参数，使系统在冰面、湿地、地毯等不同地面上均能保持稳定的防滑性能。
全向运动学解耦与防滑融合：全向移动机器人（如麦克纳姆轮、全向轮底盘）的运动学模型将车体的线速度（vx, vy）和角速度（ω）分解为各轮的独立转速指令。防滑控制需在这一解耦过程中嵌入约束条件——当某轮检测到打滑时，运动学解算器需重新分配各轮的速度指令，在保证车体运动意图不变的前提下，将打滑轮的负载转移到其他附着良好的轮上。
二、 典型应用场景
仓储物流AGV/AMR：在仓库地面可能存在油污、水渍或减速带的情况下，AGV需要精确沿路径行驶。编码器+PID防滑控制确保在低摩擦区域不会因打滑偏离轨迹，差动补偿维持直线行驶精度，避免货物倾倒。
机器人竞赛（RoboMaster、RoboCup等）：竞赛机器人在高速运动中频繁急加速、急停和急转弯，极易因轮胎突破附着极限而打滑。防滑控制使机器人在极限工况下仍能保持可控性，提升运动精度和对抗能力。
服务机器人（送餐、导引、清洁）：在商场、酒店等光滑地面上，服务机器人需要平稳运行。防滑控制确保机器人在瓷砖、大理石等低摩擦地面上不会因突然加速或转向而失控滑移，保障行人安全。
科研与教育平台：作为移动机器人防滑控制、全向运动学和PID调参的教学实验平台，帮助学生理解编码器反馈、滑移检测、扭矩分配等核心概念。
三、 关键注意事项
编码器分辨率与安装精度：
编码器分辨率直接影响速度估计精度和防滑检测灵敏度。低分辨率编码器在低速时脉冲间隔大，速度更新率低，可能导致防滑检测延迟。建议选用高分辨率编码器（单圈≥500脉冲），或采用"测周期法"（测量脉冲间隔时间）替代"测频法"（计数脉冲数）来提升低速精度。
编码器必须与电机轴严格同轴安装，机械间隙（backlash）和偏心会引入周期性速度波动，被误判为打滑。安装后需进行编码器标定，消除零偏和方向错误。
PID调参策略：
速度环PID调参遵循"先P再D后I"原则：先调Kp使系统快速响应但不剧烈震荡，再加Kd抑制超调，最后加Ki消除稳态误差。
防滑场景下，PID参数需根据地面条件动态调整。在低摩擦地面（如冰面），应降低Kp和Ki，增大Kd，使系统对打滑更敏感、响应更柔和，避免因过大的控制量加剧打滑。
必须加入积分限幅（Anti-windup），防止打滑期间积分项持续累积，导致恢复附着后出现剧烈过冲。
全向轮的特殊防滑特性：
麦克纳姆轮和全向轮的被动滚子与地面接触时存在固有的侧向滑移，这是正常运动学特性而非故障打滑。防滑算法需区分"运动学侧滑"和"附着失效打滑"——前者可通过运动学模型预测并补偿，后者需触发防滑逻辑。
全向轮在斜向运动时，各轮的实际受力方向与滚动方向不一致，导致有效摩擦系数降低。防滑阈值需根据运动方向动态调整。
电源隔离与EMC防护：
BLDC电机启停时电流冲击极大（堵转可达额定3_{5倍），严禁与Arduino及传感器共用电源。必须采用隔离DC-DC模块为控制电路独立供电，并在电机驱动端并联大容量低ESR电容（1000}4700μF）吸收反电动势。
编码器信号线需使用屏蔽双绞线，远离动力线布线（间距≥5cm），防止高频PWM噪声干扰编码器脉冲计数，导致速度估计错误。
主控算力瓶颈：
多路编码器中断处理、IMU数据读取、PID运算和运动学解算对主控算力要求较高。标准Arduino Uno（16MHz）在同时处理4路编码器+PID+运动学解算时可能达到算力极限。建议采用ESP32（双核240MHz）或STM32等高算力主控，利用双核架构将编码器中断和PID运算分配到高优先级核心，运动学解算和通信分配到低优先级核心。
控制回路必须使用硬件定时器中断，确保PID控制周期稳定（建议≥50Hz），严禁使用delay()函数阻塞主循环。
安全冗余设计：
必须设置硬件急停按钮和软件限速保护。当滑移率持续超过安全阈值（如>30%）且PID降扭矩无法恢复时，系统应自动切断所有电机动力并触发报警。
启用硬件看门狗定时器，防止程序跑飞导致电机失控。
加入S曲线加减速算法，避免阶跃速度指令导致轮胎瞬间突破附着极限。

1、四轮麦克纳姆平台——IMU偏航角与轮速比较检测打滑
场景：四轮麦克纳姆轮全向移动平台，在高速运动和原地旋转时检测轮子打滑，并通过降低打滑轮扭矩来恢复抓地力。

核心逻辑：在100Hz的控制循环中，同时读取IMU角速度（积分获得偏航角）和四个编码器轮速（通过运动学模型推算理论偏航角）。当两者偏差超过阈值，判定为打滑，触发防滑PID降低对应轮的输出。

#include <SimpleFOC.h>
#include <MPU6050_tockn.h>

// 四个BLDC电机与编码器
BLDCMotor motorFL(7), motorFR(8), motorRL(9), motorRR(10);
Encoder encFL(2, 3, 2048), encFR(18, 19, 2048), encRL(20, 21, 2048), encRR(22, 23, 2048);
MPU6050 mpu6050(Wire);

// 防滑参数
float slipThreshold = 0.15;  // 滑移率阈值15%
float slipIntegral[4] = {0, 0, 0, 0};
bool slipDetected[4] = {false, false, false, false};

void setup() {
  // 初始化电机、编码器、IMU，校准陀螺仪零点
}

void loop() {
  static unsigned long lastTime = 0;
  float dt = (millis() - lastTime) / 1000.0;
  if (dt >= 0.01) { // 100Hz控制循环
    // 1. 更新IMU偏航角
    mpu6050.update();
    float yawRate = mpu6050.getGyroZ();
    float yawAngle = mpu6050.getAngleZ(); // 积分得到

    // 2. 读取编码器，计算各轮实际速度
    float wheelRPM[4] = {encFL.getRPM(), encFR.getRPM(), encRL.getRPM(), encRR.getRPM()};

    // 3. 根据期望运动计算各轮理论速度
    float targetRPM[4];
    calculateTargetSpeeds(targetRPM, cmdVx, cmdVy, cmdOmega); // 麦克纳姆轮逆运动学

    // 4. 核心：滑移率检测与防滑扭矩调节
    for (int i = 0; i < 4; i++) {
      // 比较实际速度与理论速度的偏差
      float slipRatio = (targetRPM[i] - wheelRPM[i]) / max(abs(targetRPM[i]), 1.0);
      
      if (abs(slipRatio) > slipThreshold) {
        // 检测到打滑，减小积分项并降低输出扭矩
        slipDetected[i] = true;
        slipIntegral[i] *= 0.9; // 积分分离
        // 输出修正 = 速度PID输出 * (1 - 防滑系数)
        float tractionReduction = 1.0 - 0.3 * abs(slipRatio);
        motor[i].move(pidOutput[i] * tractionReduction);
      } else {
        slipDetected[i] = false;
        // 正常PID控制
        motor[i].move(pidOutput[i]);
      }
    }
    lastTime = millis();
  }
}

2、三麦克纳姆轮全向自平衡平台——卡尔曼滤波融合多轮编码器+IMU
场景：采用三麦克纳姆轮的全向移动机器人，在维持姿态平衡的同时进行多方向位移，解决全向运动与姿态控制的耦合问题。

核心逻辑：使用卡尔曼滤波器融合3个编码器（提供位移/速度信息）和IMU（提供姿态角），输出稳定的融合姿态和轮速。PID控制器根据目标姿态和速度，通过逆运动学分配各轮扭矩，同时叠加平衡扭矩。

#include <SimpleFOC.h>
#include <Arduino_IMU.h>
#include <PID_v1.h>

BLDCMotor motors[3] = {BLDCMotor(7), BLDCMotor(8), BLDCMotor(9)};
float wheelSpeeds[3] = {0};
PID speedPID[3];

// 卡尔曼滤波器变量（姿态融合）
float angle = 0, bias = 0;
float P[2][2] = {{1,0},{0,1}}, K[2];

// 期望运动量
float targetVx = 0.2, targetVy = 0; // m/s
float balanceTorque = 0;

void setup() {
  // 初始化电机、编码器、IMU
}

// 卡尔曼滤波更新
float kalmanUpdate(float accAngle, float gyroRate, float dt) {
  angle += (gyroRate - bias) * dt;
  P[0][0] += dt * dt * (-bias) * 0.002 + dt * dt * dt * 0.004;
  // ... (卡尔曼滤波状态更新)
  float y = accAngle - angle;
  K[0] = P[0][0] / (P[0][0] + 0.04);
  angle += K[0] * y;
  bias += K[1] * y;
  return angle;
}

void loop() {
  float dt = 0.01;
  
  // 1. 读取IMU加速度和陀螺仪
  float accAngle = IMU.readAcceleration().x;
  float gyroRate = IMU.readGyroscope().x;
  float fusedAngle = kalmanUpdate(accAngle, gyroRate, dt);

  // 2. 读取3个编码器，计算实际速度
  for (int i = 0; i < 3; i++) {
    float currPos = motors[i].getEncoderPulse() / 1024.0 * 2 * PI * 0.03;
    wheelSpeeds[i] = (currPos - lastPos[i]) / dt;
    lastPos[i] = currPos;
  }

  // 3. 平衡控制器（角度环）
  float balancePID = pidAngle.compute(fusedAngle, 0); // 目标角度0
  balanceTorque = balancePID;

  // 4. 全向运动学逆解：将目标Vx/Vy转为各轮速度
  float targetWheelSpeed[3];
  inverseKinematics(targetVx, targetVy, 0, targetWheelSpeed); // 3轮逆解

  // 5. 各轮速度PID控制 + 平衡扭矩叠加
  for (int i = 0; i < 3; i++) {
    float speedCorrection = speedPID[i].compute(wheelSpeeds[i], targetWheelSpeed[i]);
    motors[i].move(speedCorrection + balanceTorque); // 叠加平衡扭矩
  }
  delay(10);
}

3、MPC预测控制 + 路面状态感知——全局防滑最优控制
场景：高负载全向移动平台，在多变的室内外环境中作业，需根据路面摩擦系数实时优化各轮扭矩分配，避免任何一个轮子过度滑移。

核心逻辑：在MPC（模型预测控制）框架中，显式地将“滑移率惩罚”加入代价函数。系统通过IMU/编码器估计当前路面摩擦系数，预测未来几个步长的滑移趋势，求解最优控制序列，主动预防打滑，而非被动响应。

// 状态变量: [位置x, 位置y, 偏航角, 速度vx, 速度vy, 偏航角速度omega]
// 控制量: [四个轮子的扭矩]

void loop() {
  // 1. 状态估计
  updateIMUData();
  updateWheelSpeeds();
  estimateRoadCondition(); // 估计每个轮子接触的摩擦系数

  // 2. MPC优化求解
  Matrix<float, 6, 10> X_pred; // 预测时域10步
  Matrix<float, 4, 5> U_opt;   // 控制时域5步
  float min_cost = 1e9;

  // 遍历候选控制序列 (简化为枚举)
  for (int k = 0; k < 1000; k++) {
    // 生成候选控制量 U_candidate
    // 用运动学模型预测未来状态 X_pred = A * X + B * U
    // 计算代价函数：状态偏差 + 控制能量 + 滑移率惩罚
    float cost = 0;
    for (int i = 0; i < 4; i++) {
      float slip = (vWheel[i] - vBody[i]) / max(vBody[i], 0.01);
      if (abs(slip) > 0.2) cost += 10 * (slip - 0.2)^2; // 滑移重罚
    }
    // 更新最优解
  }

  // 3. 应用第一个控制量
  applyMotorTorques(U_opt.col(0));

  // 4. 防滑后处理：检测持续打滑，主动降低扭矩
  for (int i = 0; i < 4; i++) {
    if (motorCurrents[i] > expectedCurrent[i] * 1.5) {
      torqueReduction[i] = 0.5; // 立即减半
    } else {
      torqueReduction[i] = min(torqueReduction[i] + 0.01, 1.0); // 缓慢恢复
    }
    motors[i].move(pidOutput[i] * torqueReduction[i]);
  }
  
  delay(20);
}

要点解读
编码器与IMU的对比是打滑检测的最可靠方法：通过电机编码器获得的轮速可以计算机器人的“期望运动”，而IMU（特别是陀螺仪）直接测量底盘的“实际角速度”和加速度。当二者出现显著偏差（如编码器显示轮子在转，但IMU显示底盘不动或偏航），即可判定发生了打滑。

防滑控制的核心是扭矩削减而非增加：这与ABS（防抱死制动系统）的原理一致。一旦检测到某个轮子打滑，系统需要立即降低该轮BLDC电机的驱动力矩，让轮胎从滑动摩擦恢复为滚动摩擦。强行加大扭矩只会让打滑更严重。

PID积分分离是防止“积分饱和”导致防滑失效的关键：在打滑瞬间，速度误差很大，PID积分项会快速累积到一个很大的值。如果打滑恢复后，这个巨大的积分项会使电机输出远超需求的扭矩，导致系统振荡。实现积分分离（打滑时冻结积分项或乘以衰减系数）是工程上的标准做法。

全向轮的运动学特性要求PID参数动态调整：麦克纳姆轮在不同运动方向（纵向、横向、斜向）下，轮子与地面的接触方式和摩擦力差异很大。一套固定的PID参数很难在所有方向上同时取得好效果。工程中常根据当前运动模式（如纯横向移动时采用更保守的参数）或根据IMU反馈实时调整PID增益，实现自适应防滑。

避障与平衡等紧急任务的优先级高于精确的路径跟随：在全向移动场景中，特别是自平衡机器人，维持姿态稳定（防倾倒）或紧急避障的优先级高于精确到达某一坐标点。控制系统应设计为分层结构：安全层（IMU/超声波）硬中断 > 防滑层（扭矩调节） > 运动控制层（路径跟踪）。当检测到打滑或失衡风险时，应暂时牺牲轨迹精度，优先恢复稳定性和抓地力。

4、工业AGV——湿滑地面防滑控制（速度闭环+滑移率检测）
适用场景：工厂车间湿滑地面，AGV满载搬运货物时，因地面摩擦系数骤降易打滑，需通过编码器实时检测车轮速度偏差，结合PID闭环控制实现防滑，避免货物晃动与轨迹偏移。

核心逻辑：
编码器速度采集：4个全向轮各配编码器，实时采集实际速度；
滑移率计算：对比目标速度与实际速度，计算滑移率（当实际速度偏差超过阈值，判定打滑）；
动态PID调整：打滑时自动降低PID参数，限制电机转矩，逐步恢复牵引力，避免急加速加剧打滑。

/* ===== 工业AGV：湿滑地面防滑控制（编码器+PID） =====
 * 核心：速度闭环+滑移率检测，打滑时动态调整PID
 * 适配：麦克纳姆轮，4路BLDC，编码器反馈
 */
#include <SimpleFOC.h>

// 硬件定义：4个BLDC电机+编码器
BLDCMotor motor[4] = {
  BLDCMotor(7), BLDCMotor(7), BLDCMotor(7), BLDCMotor(7)
};
BLDCDriver3PWM driver[4] = {
  BLDCDriver3PWM(3,5,6),  BLDCDriver3PWM(9,10,11),
  BLDCDriver3PWM(4,8,7),  BLDCDriver3PWM(2,12,13)
};
Encoder enc[4] = {
  Encoder(18,19), Encoder(20,21), Encoder(22,23), Encoder(24,25)
};

// 防滑控制参数
const float SLIP_THRESHOLD = 0.3; // 滑移率阈值（30%）
float targetSpeed[4] = {0.5, 0.5, 0.5, 0.5}; // 目标速度（m/s）
float actualSpeed[4] = {0}; // 实际速度（编码器换算）
float pidKp = 1.2, pidKi = 0.3, pidKd = 0.1; // 初始PID参数
float baseKp = 1.2, baseKi = 0.3, baseKd = 0.1;
float adjustedKp = 1.2;

void setup() {
  Serial.begin(115200);
  // 初始化所有电机（速度闭环模式）
  for (int i=0; i<4; i++) {
    motor[i].linkDriver(&driver[i]);
    motor[i].linkSensor(&enc[i]);
    motor[i].controller = MotionControlType::velocity;
    motor[i].init();
    motor[i].initFOC();
  }
}

void loop() {
  for (int i=0; i<4; i++) {
    // 1. 编码器采样速度（简化：单位换算为m/s，实际需结合轮径）
    actualSpeed[i] = motor[i].velocity_controller.sensor_vel * 0.01;
    
    // 2. 计算滑移率：(目标速度-实际速度)/目标速度
    float slipRate = (targetSpeed[i] - actualSpeed[i]) / targetSpeed[i];
    
    // 3. 防滑控制：滑移率超阈值，降低PID参数
    if (slipRate > SLIP_THRESHOLD) {
      adjustedKp = baseKp * (1 - slipRate * 0.5); // 按滑移率线性降低Kp
      motor[i].PID_velocity.P = adjustedKp;
      motor[i].PID_velocity.I = baseKi * 0.5; // 同时降低积分，避免超调
    } else {
      motor[i].PID_velocity.P = baseKp;
      motor[i].PID_velocity.I = baseKi;
    }
    
    // 4. 速度PID闭环控制
    motor[i].move(targetSpeed[i]);
    motor[i].loopFOC();
  }
  delay(10);
}

5、仓储AGV——窄巷道快速转向防滑（位置闭环+转矩限制）
适用场景：仓库窄巷道内，AGV需快速转向取货，因地面摩擦不足易侧滑，需通过编码器监测转向偏差，结合PID位置闭环控制，同时限制转向时的电机转矩，避免侧滑。

核心逻辑：
转向位置闭环：编码器监测车轮转向角度，目标角度与实际角度的偏差作为PID输入；
动态转矩限制：转向时，根据转向速度自动限制电机转矩，防止侧滑；
滑移补偿：若实际角度无法跟上目标角度（判定侧滑），降低转向速度，逐步逼近目标。

/* ===== 仓储AGV：窄巷道转向防滑（编码器+PID位置闭环） =====
 * 核心：转向位置闭环+转矩限制，侧滑时降低转向速度
 * 适配：前转向轮（编码器反馈角度），转矩可控BLDC
 */
#include <SimpleFOC.h>

// 硬件定义：转向轮电机+编码器
BLDCMotor steerMotor(7);
BLDCDriver3PWM steerDrv(3,5,6);
Encoder steerEnc(18,19);

// 转向防滑参数
float targetAngle = 45; // 目标转向角度（度）
float actualAngle = 0;  // 实际角度（编码器换算）
float maxTorque = 3.0;  // 最大允许转矩（N·m）
float torqueLimit = 2.0; // 初始转矩限制
float Kp = 1.5, Ki = 0.2, Kd = 0.05; // 位置PID参数
float steerSpeed = 10; // 目标转向速度（度/s）

void setup() {
  Serial.begin(115200);
  // 初始化转向电机（位置闭环模式）
  steerMotor.linkDriver(&steerDrv);
  steerMotor.linkSensor(&steerEnc);
  steerMotor.controller = MotionControlType::angle;
  steerMotor.init();
  steerMotor.initFOC();
  // 设置转矩限制
  steerMotor.PID_angle.limit = torqueLimit;
}

void loop() {
  // 1. 编码器采样实际转向角度
  actualAngle = steerMotor.angle_controller.sensor_angle;
  
  // 2. 位置偏差计算
  float angleError = targetAngle - actualAngle;
  
  // 3. 防滑判定：偏差大且实际速度低，判定侧滑
  if (abs(angleError) > 10 && abs(steerMotor.velocity_controller.sensor_vel) < steerSpeed * 0.3) {
    // 侧滑时：降低转向速度，限制转矩
    steerSpeed *= 0.8;
    torqueLimit = maxTorque * 0.6;
    steerMotor.PID_angle.limit = torqueLimit;
  } else if (abs(angleError) < 5) {
    // 接近目标角度，恢复转矩
    torqueLimit = maxTorque;
    steerMotor.PID_angle.limit = torqueLimit;
    steerSpeed = 10;
  }
  
  // 4. 位置PID控制（目标角度+速度限制）
  steerMotor.move(steerSpeed * 0.1); // 位置控制输入为速度，实现位置闭环
  steerMotor.loopFOC();
  
  delay(20);
}

6、救援机器人——泥泞斜坡防滑（动态PID+差速补偿）
适用场景：地震废墟泥泞斜坡，救援机器人需爬坡时，因附着力低易打滑，需通过编码器监测各轮速度差，结合动态PID与差速补偿，避免单侧轮打滑导致侧翻。

核心逻辑：
差速滑移检测：对比左右轮速度，若差值超过阈值，判定单侧打滑；
差速补偿控制：打滑侧轮降低目标速度，另一侧保持速度，实现差速补偿，维持牵引力；
动态PID调整：根据坡度实时调整PID参数，斜坡越陡，Kp越高，同时限制最大转矩防止打滑。

/* ===== 救援机器人：泥泞斜坡防滑（编码器+差速补偿+动态PID） =====
 * 核心：差速检测+坡度自适应PID，打滑时差速补偿
 * 适配：履带/轮式救援车，左右2轮BLDC，编码器反馈
 */
#include <SimpleFOC.h>

// 硬件定义：左右驱动轮
BLDCMotor motorL(7), motorR(7);
BLDCDriver3PWM drvL(3,5,6), drvR(9,10,11);
Encoder encL(18,19), encR(20,21);

// 防滑参数
float targetSpeed = 0.3; // 爬坡目标速度（m/s）
float actualSpeedL = 0, actualSpeedR = 0;
float slopeAngle = 15; // 坡度角度（度，可通过IMU获取，此处简化）
float maxSpeedDiff = 0.15; // 允许的速度差阈值
float Kp = 1.0, Ki = 0.2, Kd = 0.05;
float slopeKpFactor = 0.02; // 坡度对Kp的影响系数

void setup() {
  Serial.begin(115200);
  // 初始化左右轮（速度闭环）
  motorL.linkDriver(&drvL); motorR.linkDriver(&drvR);
  motorL.linkSensor(&encL); motorR.linkSensor(&encR);
  motorL.controller = MotionControlType::velocity;
  motorR.controller = MotionControlType::velocity;
  motorL.init(); motorL.initFOC();
  motorR.init(); motorR.initFOC();
}

void loop() {
  // 1. 编码器采样左右轮速度
  actualSpeedL = motorL.velocity_controller.sensor_vel * 0.01;
  actualSpeedR = motorR.velocity_controller.sensor_vel * 0.01;
  
  // 2. 计算速度差
  float speedDiff = abs(actualSpeedL - actualSpeedR);
  
  // 3. 坡度自适应调整PID（坡度越陡，Kp越高）
  Kp = 1.0 + slopeAngle * slopeKpFactor;
  motorL.PID_velocity.P = Kp;
  motorR.PID_velocity.P = Kp;
  
  // 4. 差速防滑补偿
  if (speedDiff > maxSpeedDiff) {
    if (actualSpeedL < actualSpeedR) {
      // 左轮打滑，降低左轮目标速度
      motorL.move(targetSpeed * 0.7);
      motorR.move(targetSpeed);
    } else {
      // 右轮打滑，降低右轮目标速度
      motorL.move(targetSpeed);
      motorR.move(targetSpeed * 0.7);
    }
  } else {
    // 正常爬坡，同步速度
    motorL.move(targetSpeed);
    motorR.move(targetSpeed);
  }
  
  motorL.loopFOC();
  motorR.loopFOC();
  delay(15);
}

要点解读

1. 防滑的核心：编码器“闭环反馈”是防滑控制的基础前提
   编码器是防滑控制的“眼睛”，其精度与实时性直接决定防滑效果，核心要点包括：
   闭环不可或缺：开环控制无法感知车轮打滑，必须通过编码器采集实际速度/角度，与目标值对比形成闭环，才能发现打滑并调整；
   采样频率要求：编码器采样频率需≥100Hz，才能快速捕捉打滑的瞬态变化（如湿滑地面急加速打滑），避免因采样滞后导致防滑失效；
   信号抗干扰设计：编码器需采用差分信号线，避免电机电磁干扰导致信号失真，必要时增加滤波电路，确保采样数据准确。
2. PID的“动态调整”：防滑的本质是参数随工况自适应
   固定PID参数无法适应不同摩擦工况（湿滑/泥泞/斜坡），动态调整PID是防滑的核心，要点如下：
   参数与工况绑定：根据滑移率、坡度、负载等工况动态调整PID参数——打滑时降低Kp（比例系数），避免转矩过大加剧打滑；斜坡时适当提高Kp，补偿重力分量；
   积分限幅防超调：打滑时需限制积分项，避免积分累积过大导致电机转矩超调，加剧打滑，可采用积分分离策略（偏差大时关闭积分）；
   微分抑制震荡：微分项可抑制打滑恢复时的震荡，但需避免微分系数过大导致信号噪声放大，需结合实际工况微调Kd。
3. 滑移的“精准检测”：防滑控制的触发条件
   防滑控制的前提是准确检测打滑，核心是滑移率与速度差的量化判定，要点包括：
   滑移率阈值设定：根据不同地面摩擦系数设定阈值——湿滑地面阈值设为30%，泥泞地面设为40%，避免误判；
   差速检测逻辑：全向车或多轮车需监测各轮速度差，当速度差超过阈值时，判定单侧打滑，触发差速补偿；
   多条件融合判定：单一检测指标易误判，需结合速度偏差、加速度变化、电机电流等多指标融合判定（如打滑时电流会骤升），提升检测可靠性。
4. 防滑的“核心动作”：转矩限制与差速补偿的协同
   防滑控制的核心动作是限制转矩+差速补偿，两者协同避免打滑扩大，要点如下：
   转矩限制的必要性：打滑时电机输出转矩超过地面附着力，会导致车轮空转，必须动态限制电机最大转矩，使转矩≤附着力；
   差速补偿的场景适配：多轮驱动场景（仓储AGV转向、救援机器人爬坡），单侧打滑时，通过差速补偿——打滑侧降低速度，另一侧保持速度，维持整体牵引力，避免侧翻或失控；
   补偿的平滑性：差速补偿需采用渐变式调整，避免速度突变导致机械冲击，可采用斜坡函数实现速度平滑过渡。
5. 工程落地的“可靠性设计”：从硬件到软件的全链路保障
   防滑控制的工程落地需兼顾硬件与软件的可靠性，避免因设计缺陷导致防滑失效，要点包括：
   硬件抗干扰与物理保护：编码器信号线需采用屏蔽线，与动力线分层布线；电机端并联续流二极管吸收反电动势；同时预留机械制动装置，极端打滑时强制刹车；
   软件容错与降级机制：编码器故障时，自动切换为电流闭环模式，限制电机转矩；滑移率持续超阈值超过3秒，触发报警并停机，避免失控；
   参数调试的量化方法：采用阶跃响应法调试PID参数——先固定Ki、Kd，调整Kp使速度响应无超调；再加入积分消除稳态误差，最后加入微分抑制震荡，结合实际地面测试反复优化。

请注意：以上案例仅作为思路拓展的参考示例，不保证完全正确、适配所有场景或可直接编译运行。由于硬件平台、实际使用场景、Arduino 版本的差异，均可能影响代码的适配性与使用方法的选择。在实际编程开发时，请务必根据自身硬件配置、使用场景及具体功能需求进行针对性调整，并通过多次实测验证效果；同时需确保硬件接线正确，充分了解所用传感器、执行器等设备的技术规范与核心特性。对于涉及硬件操作的代码，使用前务必核对引脚定义、电平参数等关键信息的准确性与安全性，避免因参数错误导致硬件损坏或运行异常。