1. 课程导入

在移动机器人、自动驾驶与无人机等系统中，全局规划负责回答“从起点到终点大致怎么走”，而局部规划负责回答“未来几秒内，面对真实感知到的障碍、动态目标和执行误差，具体该怎么走”。当环境从结构化道路、空旷仓库走向人流密集区、非结构化野外、狭窄通道与多机协同场景时，局部规划器面临的不是单一的最短路径问题，而是安全性、可行性、平滑性、实时性与不确定性之间的多目标权衡。本课程围绕“复杂场景局部规划与鲁棒优化工程”展开，目标是把算法原理、工程实现与鲁棒性验证串成一条可落地的技术链路。

学习目标

完成本课程后，学习者应能够：

• 准确描述复杂场景的构成要素，包括动态障碍、感知噪声、狭窄可行域、非凸约束与执行不确定性；
• 理解局部规划与全局规划、控制模块之间的接口关系，能设计清晰的输入输出与频率分层；
• 掌握主流局部规划方法的适用边界，包括采样类、优化类、学习类与混合方法；
• 能够把鲁棒优化思想转化为可实现的约束、代价项、安全裕度与回退策略；
• 具备对局部规划器进行场景化测试、指标评估与故障复盘的能力。

什么是复杂场景

复杂场景并不是“障碍物多”这么简单。工程上，它通常同时具备以下特征中的三项以上：动态性（行人、车辆、其他机器人持续运动）、不确定性（感知延迟、定位漂移、预测误差）、非凸性（可行域被障碍切割成多个连通区域）、紧耦合性（多机共享狭窄空间，彼此行为相互影响）、实时性压力（规划周期通常为 10–100 ms）、任务约束（不能急停、不能倒车、必须保持舒适度）。这些特征叠加后，经典“先全局后局部”的串行结构往往会在局部极小值、震荡、死锁或保守停滞中失效。

局部规划与鲁棒优化的关系

局部规划解决“怎么走”，鲁棒优化解决“在不确定下仍然怎么走”。二者不是并列关系，而是目标与保障的关系：局部规划给出轨迹生成与决策框架，鲁棒优化为这个框架注入对扰动的抵抗能力。具体而言，鲁棒优化通过三类手段进入局部规划：其一，在约束中引入安全裕度，例如将障碍膨胀半径设为感知误差上界与跟踪误差上界之和；其二，在代价函数中加入风险项与平滑项，使轨迹远离高不确定区域；其三，在系统层面设计回退与重规划机制，当不确定性超出假设边界时切换到保守策略。

整体课程框架与工程应用概览

本课程共 30 章，按“基础认知—方法体系—鲁棒增强—工程落地—综合实战”五段推进。前段建立复杂场景建模、坐标系与运动学基础；中段系统讲解采样规划、轨迹优化、模型预测控制、学习型规划与多机协同；后段聚焦鲁棒优化、不确定性建模、安全验证与实时性工程；最后通过仓储、园区配送、野外巡检等案例完成综合训练。

典型工程场景

以园区配送机器人为例：全局规划给出沿道路的粗略路径，局部规划需要在 50 ms 内处理突然横穿的行人、路边停靠车辆与自身定位漂移。若仅使用确定性优化，规划器可能生成贴边轨迹，一旦跟踪误差偏大就会侵入障碍；若过度保守，则会在人流中频繁停车，导致任务超时。鲁棒优化的价值在于：用感知误差与跟踪误差的联合上界膨胀障碍，用风险代价抑制高风险区域，并设置“减速—绕行—停车”三级回退。

局部规划周期: 50 ms
安全裕度 = 感知误差上界 + 定位误差上界 + 跟踪误差上界
示例: 0.15 m + 0.10 m + 0.08 m = 0.33 m
回退策略: 正常绕行 -> 减速让行 -> 安全停车
评估指标: 碰撞率、最小间距、平均速度、求解耗时、接管次数

常见误区与复盘

• 误区一：把鲁棒优化等同于加大膨胀半径。过度膨胀会压缩可行域，导致无解或保守停滞，应结合风险代价与机会约束做精细化建模。
• 误区二：只关注算法精度，忽略时间预算。局部规划是实时系统，超时返回的“最优轨迹”没有工程价值，必须设计任意时间算法与降级路径。
• 误区三：用单一场景调参后直接上线。复杂场景的分布会漂移，需要建立场景库、回归测试与线上监控闭环。
• 误区四：忽视模块接口与坐标系一致性。大量“规划失败”实际源于时间戳不同步、坐标系混淆或障碍物速度定义不一致。