1. 课程导入
在自动驾驶、智能底盘与移动机器人快速融合的今天，车辆不再只是“沿着一条线走”的机械体，而是一个在复杂约束下持续求解、持续修正的动态系统。所谓车辆约束轨迹规划，是指在车辆运动学、动力学、道路边界、交通规则、执行器能力等多重限制条件下，生成一条既安全又可行的时空轨迹；而可跟踪性工程，则是研究这条轨迹能否被真实控制器稳定、精确、鲁棒地跟随，并在误差、延迟、扰动出现时仍保持可控。二者不是先后关系，而是同一闭环中的“设计—验证—反馈”整体。
一、核心原理：规划与控制的耦合闭环
传统教学常把规划与控制分成两门课：规划输出一条几何路径或时间序列，控制负责跟踪。但在真实车辆上，这种“开环拼接”会带来三类典型问题：规划轨迹曲率突变导致前轮转角超限；规划速度剖面超出轮胎附着极限；规划周期与控制周期不匹配造成跟踪滞后。因此，本课程强调约束传递与能力映射：规划层需要知道控制层的带宽、延迟、饱和与执行器速率限制；控制层需要理解规划层的参考曲率、加速度与安全边界。
从数学上看，车辆轨迹通常表示为时间参数化状态序列：
ξ(t) = [x(t), y(t), θ(t), v(t), a(t), κ(t)]
约束集合：
|κ(t)| ≤ κ_max # 曲率约束
|a(t)| ≤ a_max # 纵向加速度约束
|δ(t)| ≤ δ_max # 前轮转角约束
|v(t)| ≤ v_max # 速度约束
d_obs(t) ≥ d_safe # 障碍安全距离
ξ(t) ∈ X_free # 可行状态空间可跟踪性则进一步引入闭环误差动态。若控制器为纯追踪或模型预测控制，其跟踪误差 e(t) 的收敛性不仅取决于控制器增益，还取决于参考轨迹的曲率变化率、速度与延迟匹配程度。因此，一条“好”的轨迹，应在满足约束的同时，使跟踪误差范数、控制输入变化率和舒适度指标尽可能小。
二、方法流程：从任务到可执行轨迹
本课程将贯穿一条完整的工程方法链，可概括为“建模—规划—评估—跟踪—迭代”五个阶段。第一阶段建立车辆运动学与动力学模型，明确状态量、控制量和约束边界；第二阶段在 Frenet 坐标系或笛卡尔坐标系下生成候选轨迹，常用方法包括采样法、优化法、搜索法和学习型方法；第三阶段对候选轨迹进行可跟踪性评估，计算曲率连续性、速度可行性、控制饱和风险和误差上界；第四阶段将轨迹送入控制器进行闭环仿真或实车测试；第五阶段根据跟踪结果反向修正规划参数或控制器参数。
- 建模：建立自行车模型、轮胎侧偏特性、执行器延迟模型。
- 规划：生成满足边界、障碍、动力学约束的候选轨迹。
- 评估：用可跟踪性指标筛选轨迹，而非只看路径长度。
- 跟踪：MPC、纯追踪、Stanley 或 LQR 控制器闭环执行。
- 迭代：根据误差与饱和情况调整约束或权重。
三、案例场景：一个弯道超车场景的启示
假设车辆在城市快速路弯道上需要超越前方慢车。规划器若只追求“最短路径”，可能生成一条曲率变化剧烈的轨迹，虽然几何上避开了障碍，但前轮转角需求超过 δ_max，控制器无法执行，实际跟踪出现明显横向偏差。若规划器在目标函数中加入曲率变化率惩罚，并限制横向加速度不超过 2.5 m/s²，则轨迹更平缓，虽然路径略长，但可跟踪性显著提升。
四、常见误区与复盘
初学者最容易陷入三个误区。第一，把规划当成纯几何问题，忽略车辆动力学与执行器限制；第二，把控制器当成理想跟踪器，认为只要参考轨迹存在，控制器就一定能跟上；第三，只关注单次仿真结果，忽略不同速度、不同附着系数和不同延迟下的鲁棒性。复盘时应重点检查：轨迹曲率是否连续、速度剖面是否满足附着椭圆、控制输入是否饱和、跟踪误差是否在允许范围内收敛。
| 维度 | 规划侧关注点 | 可跟踪性侧关注点 | 典型指标 |
|---|---|---|---|
| 几何 | 路径长度、避障间隙 | 曲率连续性、参考点可达性 | κ, dκ/ds |
| 运动学 | 前轮转角、速度剖面 | 转角速率、跟踪滞后 | δ, δ_dot, e_y |
| 动力学 | 横向加速度、附着利用 | 轮胎侧偏、饱和裕度 | a_y, μ, sat |
| 控制 | 参考轨迹平滑度 | 误差收敛、鲁棒性 | e(t), J_track |
| 工程 | 计算实时性 | 周期匹配、延迟补偿 | T_plan, T_ctrl |
五、学习目标与知识框架
完成本课程后，学习者应能够：理解车辆约束轨迹规划的基本问题定义与数学表达；掌握至少两种轨迹生成方法与可跟踪性评估方法；能够针对典型场景设计规划—控制联合仿真；能够识别并修正因约束传递不当导致的跟踪失败。整体知识框架分为四层：基础层（车辆模型、坐标系、约束数学）、规划层（采样、优化、搜索、学习）、可跟踪层（误差分析、稳定性、鲁棒性）、工程层（仿真、实车、工具链与评价体系）。