1. 课程导入
在自动驾驶、移动机器人、无人机以及高端数控装备中，“轨迹”是控制系统与物理世界交互的核心载体。轨迹质量不仅决定运动是否平滑、精准、安全，更直接影响乘坐舒适性、能耗、机械寿命与任务成功率。所谓轨迹质量评估，是指围绕一条规划或执行中的轨迹，从几何、运动学、动力学、时间一致性、安全裕度等维度建立量化指标，并给出可比较、可追溯、可复现的判定结论。而闭环验证工程，则是把评估结果反馈到规划、控制、仿真与实车测试环节，形成“生成—评估—诊断—修正—再验证”的工程闭环。
一、核心原理：从开环检查到闭环验证
传统轨迹检查常停留在开环层面：规划出一条曲线后，人工观察曲率是否连续、速度是否超限，或者仅用单一指标做阈值判断。这种方式存在三个根本问题：第一，指标割裂，几何平滑但动力学不可行的情况难以发现；第二，缺乏场景约束，同一轨迹在不同载重、不同路面附着下质量差异巨大；第三，没有反馈通路，评估结论无法自动转化为规划器或控制器的修正依据。
闭环验证工程的基本原理是建立“轨迹—指标—场景—判定—反馈”的因果链。轨迹作为被评估对象，经过多维度指标提取后，与场景约束和任务需求共同输入判定模块，输出通过、降级或拒绝三类结论，并将诊断信息回注到上游模块。其关键不是单次评估的精度，而是整个回路能否稳定收敛：每一次修正都应使轨迹质量指标单调改善，且不引入新的安全风险。
二、学习目标与整体知识框架
完成本课程后，学习者应能独立完成以下任务：其一，针对给定轨迹，选择并计算几何、运动学、动力学三类核心指标；其二，根据场景参数建立约束模型，判断轨迹是否满足任务与安全要求；其三，搭建从仿真到实车的闭环验证流程，设计回归用例与基线阈值；其四，对评估失败案例进行根因定位，并给出可执行的修正建议。
整体知识框架可分为四层。第一层是指标层，包括曲率连续性、加加速度、横向误差、速度/加速度裕度、时间一致性等；第二层是场景层，涵盖载重、路面附着、障碍分布、交通参与者行为等约束；第三层是验证层，包括MIL/SIL/HIL仿真、实车数据回放、场景复现与回归测试；第四层是工程层，涉及工具链集成、数据管理、版本基线与质量门禁。四层之间通过统一的数据接口和判定规则耦合，形成可迭代的工程体系。
| 层级 | 核心对象 | 典型指标/手段 | 输出物 |
|---|---|---|---|
| 指标层 | 轨迹曲线、速度剖面 | 曲率、加加速度、横向误差 | 指标向量 |
| 场景层 | 载重、附着、障碍 | 约束边界、安全裕度 | 场景约束集 |
| 验证层 | 仿真与实车数据 | MIL/SIL/HIL、回放复现 | 验证报告 |
| 工程层 | 工具链、基线、门禁 | 回归测试、版本对比 | 质量门禁结论 |
三、典型场景：从仿真到实车的闭环
以城市低速自动驾驶为例。规划器输出一条避障轨迹后，评估模块首先计算曲率是否连续、横向加速度是否超过舒适阈值；随后结合当前载重与路面附着，判断制动距离是否留有安全裕度；若判定为“降级”，则反馈模块定位到具体越界指标，并建议降低规划速度或增大转弯半径。修正后的轨迹重新进入评估，直至通过。通过后的轨迹进入仿真回归库，并在实车测试中回放验证。若实车数据与仿真偏差超过阈值，则触发场景模型修正，形成更高一层的闭环。
评估输入示例：
trajectory_id: T2024-0517-003
points: 120
max_curvature: 0.18 1/m
max_jerk: 3.6 m/s^3
lateral_error_rms: 0.07 m
load: 420 kg
friction: 0.65
判定结果: 降级
越界指标: max_jerk > 3.0 m/s^3
建议: 将规划速度上限由 8 m/s 降至 6.5 m/s四、常见误区与复盘要点
误区二：用固定阈值应对所有场景。载重和附着变化会显著改变安全边界。
误区三：评估与规划脱节。没有反馈通路的评估只是“事后检查”，无法提升系统质量。
误区四：回归基线长期不更新。场景和硬件变化后，旧基线可能失效。
复盘时应重点回答三个问题：本次评估是否覆盖了关键场景？越界指标是否被准确定位到上游模块？修正后的轨迹是否在回归测试中稳定通过？只有把这三个问题固化为工程习惯，轨迹质量评估才能真正从“单点检查”走向“闭环验证工程”。