3. 空间与路径表示
大家好，我是你们这堂课的主讲。今天咱们聊一个非常基础、但又特别容易搞混的话题——空间与路径表示。
说实话，我刚开始做机器人那会儿，也在这上面栽过跟头。有一次调试机械臂，明明工作空间里看着路径挺顺的，结果一跑起来，机械臂直接撞上了旁边的立柱。后来才发现，我一直在用工作空间规划路径，压根没考虑构型空间里的障碍物。嗯，从那以后，我再也不敢轻视这两个空间的区别了。
一、工作空间 vs 构型空间：两个世界
先问大家一个问题：你平时看到的机器人，是在哪个空间里运动的？
答案很直观——我们肉眼看到的，是机器人在工作空间里的运动。工作空间就是机器人末端执行器（比如夹爪、焊枪）能到达的所有位置的集合。说白了，就是机器人“手”能摸到的范围。
但做规划的时候，我几乎从来不在工作空间里直接规划路径。为什么？因为机器人的关节角度和末端位置之间，存在一个非常复杂的映射关系。你想想看，工作空间里一个简单的直线运动，映射到关节空间里，可能是一个极其扭曲的曲线。
所以，我们引入了构型空间（Configuration Space，简称C-Space）。这个概念是我个人觉得机器人学里最优雅的设计之一。
核心定义：构型空间是机器人所有可能构型（即所有关节角度的组合）构成的抽象空间。一个点在这个空间里，就代表机器人一个完整的姿态。
举个例子：一个6轴工业机械臂，每个关节都有一个角度值。那么它的构型空间就是6维的。每个维度对应一个关节的角度范围。这个空间里的一个点，就是一组关节角度 (θ₁, θ₂, θ₃, θ₄, θ₅, θ₆)。
工作空间和构型空间的关系，我习惯用一个比喻来理解：
- 工作空间：就像你站在地图上看到的城市街道，是“结果”的集合。
- 构型空间：就像你身体所有关节的“状态”集合。你走路时，膝盖弯了多少度、手臂摆了多少度，这些状态组合起来，才决定了你最终站在哪个位置。
为什么要费劲把问题转到构型空间里？因为在构型空间里，机器人本身变成了一个点。障碍物也从复杂的形状，变成了“机器人不能进入的区域”。这样一来，路径规划问题就简化成了：在一个高维空间里，找一个点从起点到终点的无碰撞路径。
避坑指南：我曾经犯过一个错误——在构型空间里规划时，忘了考虑自碰撞。比如一个7轴协作机器人，手臂可能自己碰到自己。这在构型空间里表现为“禁止区域”的边界条件。一定要把自碰撞也建模进去，否则规划出来的路径，机器人自己就拧成麻花了。
二、路径 vs 轨迹：时间这个维度
好，接下来咱们聊聊路径和轨迹的区别。这两个词在日常对话里经常混用，但在机器人学里，它们有本质的不同。
路径（Path）：只关心“走哪条路”，不关心“什么时候走到”。它是一系列空间点的有序集合。比如，从A点到B点，中间经过C点、D点。至于你是用1秒还是10秒走完，路径本身不关心。
轨迹（Trajectory）：路径 + 时间信息。它给路径上的每个点都加上了时间戳，或者更精确地说，加上了速度、加速度等运动学约束。
我举个例子你就明白了：
假设你要从厨房走到卧室。路径就是：出厨房门 → 经过走廊 → 进卧室门。但轨迹会告诉你：前2秒以0.5m/s的速度走到走廊中间，然后减速到0.2m/s绕过地上的玩具，最后3秒加速到0.8m/s冲进卧室。
在机器人领域，路径规划通常只给出几何上的无碰撞路线。而轨迹规划，则要保证机器人能平滑、安全地沿着这条路线运动，不能有速度突变，不能有加速度过大的情况。
一句话总结：路径是“去哪”，轨迹是“怎么去、多快去”。
三、它们之间的关系：一张图说清楚
为了让大家更直观地理解这几个概念的关系，我画了一张流程图。这张图是我做项目时经常贴在工位上的，每次做规划前都看一眼，提醒自己别搞混了。
这张图展示了整个流程：
- 我们通常在工作空间里定义任务目标（比如“把螺丝拧到那个位置”）。
- 然后通过逆运动学，把目标位置映射到构型空间里。
- 在构型空间里做路径规划，找到一条无碰撞的几何路径。
- 最后，给这条路径加上时间信息（速度、加速度约束），生成可执行的轨迹。
四、实际项目中的选择：什么时候用哪个？
我根据自己多年的项目经验，整理了一个表格。大家在选方案的时候可以参考：
| 场景 | 推荐空间 | 原因 |
|---|---|---|
| 移动机器人导航（地面） | 工作空间（2D栅格地图） | 地面移动机器人自由度低，工作空间和构型空间几乎等价，直接在工作空间规划更直观 |
| 机械臂避障 | 构型空间 | 工作空间里看着没障碍，但关节可能撞到东西。必须在构型空间里规划才能保证安全 |
| 人形机器人全身运动 | 构型空间（高维） | 自由度太多，工作空间根本无法描述完整状态。必须用构型空间 |
| 视觉伺服抓取 | 工作空间 + 构型空间混合 | 视觉信息在工作空间里处理，但抓取规划要转到构型空间里做 |
重要提醒：千万不要以为构型空间规划是万能的。当机器人自由度很高时（比如人形机器人有30+个关节），构型空间的维度会变得非常高，规划算法的计算量会爆炸。这时候就需要用一些降维技巧，或者改用采样-based的方法（比如RRT*）。我做过一个项目，用A*在10维构型空间里规划，结果跑了半小时还没出结果……后来换了RRT，几秒钟就搞定了。
五、代码示例：从路径到轨迹的转换
最后，我给大家看一段简单的Python代码。它演示了如何把一条路径（一系列点）转换成一条带速度约束的轨迹。
import numpy as np
# 假设我们有一条路径：一系列位置点
path_points = np.array([
[0.0, 0.0, 0.0], # 起点
[0.5, 0.2, 0.1],
[1.0, 0.5, 0.2],
[1.5, 0.8, 0.3],
[2.0, 1.0, 0.5] # 终点
])
# 设定最大速度和加速度
max_velocity = 0.5 # m/s
max_acceleration = 0.2 # m/s²
def path_to_trajectory(path, v_max, a_max):
"""
把路径转换成轨迹（带时间戳）
这里用最简单的梯形速度规划
"""
# 计算每段路径的长度
distances = np.linalg.norm(np.diff(path, axis=0), axis=1)
total_distance = np.sum(distances)
# 计算加速段和减速段的时间
t_acc = v_max / a_max
d_acc = 0.5 * a_max * t_acc**2
# 如果总距离太短，无法达到最大速度
if total_distance < 2 * d_acc:
# 用三角形速度曲线
t_acc = np.sqrt(total_distance / a_max)
t_const = 0
else:
# 梯形速度曲线
d_const = total_distance - 2 * d_acc
t_const = d_const / v_max
total_time = 2 * t_acc + t_const
# 生成时间戳
num_points = len(path)
time_stamps = np.linspace(0, total_time, num_points)
# 计算每个点的速度（近似）
velocities = np.zeros(num_points)
for i in range(1, num_points):
dt = time_stamps[i] - time_stamps[i-1]
if dt > 0:
velocities[i] = distances[i-1] / dt
return time_stamps, velocities
# 执行转换
time_stamps, velocities = path_to_trajectory(
path_points, max_velocity, max_acceleration
)
print("时间戳:", time_stamps)
print("速度:", velocities)
这段代码虽然简单，但核心思想都在里面了：路径只告诉你怎么走，轨迹告诉你什么时候走到、走多快。实际项目中，你还要考虑加速度的连续性、加加速度（Jerk）的限制，否则机器人运动起来会抖得厉害。
个人经验：我建议大家在写轨迹规划代码时，一定要加上加加速度（Jerk）的限制。很多新手只约束速度和加速度，结果机器人运动时虽然速度变化平滑，但加速度突变会导致末端抖动。尤其是在做精密装配时，这种抖动会让零件对不准。我曾经在一个芯片贴装项目里吃过这个亏，后来加了Jerk约束，问题就解决了。
好了，今天的内容就到这里。空间与路径表示是机器人学的地基，搞清楚了，后面的规划算法才能建得稳。希望大家在实际项目中，能灵活运用这些概念，少走弯路。