3. 路径表示方法
好，咱们今天聊聊路径怎么表示。这个问题，说白了就是：你规划出来的那条线，怎么描述给机器人或者车辆去执行？
我刚开始做路径规划那会儿，觉得这事儿特简单——不就是一堆点嘛，连起来就行了。结果第一次实车测试就翻车了。车辆在拐弯处剧烈抖动，方向盘像抽风一样来回打。后来我才明白，路径的表示方式，直接决定了控制器的执行效果。
3.1 参数化曲线：让路径有“灵魂”
先说说参数化曲线。为什么需要它？因为离散点连成的折线，说白了就是“硬拐”。你想想看，一个直角弯，用折线表示就是两条直线硬接在一起。但实际车辆有最小转弯半径，根本拐不过去。
参数化曲线的好处是：它用数学公式来描述路径。每个点都有连续的一阶导、二阶导。这样控制器就能提前知道“前面要拐弯了，该减速了”。
3.1.1 贝塞尔曲线
贝塞尔曲线是最直观的参数化曲线。它的核心思想是：用几个控制点来“拉”出一条平滑曲线。
公式长这样：
B(t) = Σᵢ₌₀ⁿ C(n,i) * (1-t)^(n-i) * tⁱ * Pᵢ其中 t 在 0 到 1 之间变化，Pᵢ 是控制点。
我个人习惯用三阶贝塞尔曲线（4个控制点）。为什么？因为低阶曲线计算快，而且能保证曲率连续。我在项目中遇到过一个问题：用五阶贝塞尔曲线做路径，结果计算量太大，控制器跟不上实时更新。后来换成三阶，效果反而更好。
3.1.2 B样条曲线
B样条曲线是贝塞尔曲线的“升级版”。它解决了贝塞尔曲线的两个痛点：
- 局部控制：移动一个控制点，只影响附近一小段曲线。贝塞尔曲线是全局的，动一个点整条线都变。
- 连续性可控：你可以指定曲线在连接点处的光滑程度（C0、C1、C2连续）。
B样条的数学形式：
C(t) = Σᵢ₌₀ⁿ Nᵢₚ(t) * Pᵢ其中 Nᵢₚ(t) 是基函数，p 是阶数。
嗯，这里要注意：B样条的阶数越高，曲线越光滑，但计算也越慢。我一般用三次B样条（p=3），它在光滑度和计算效率之间取得了很好的平衡。
3.2 路径离散化表示：把曲线变成“点阵”
参数化曲线虽然好，但控制器最终要执行的是离散的点。为什么？因为控制器的控制周期是固定的（比如50Hz），它只能在每个周期读取一个目标点。
路径离散化，就是把连续曲线变成一系列等间距或等时间间隔的点。
常用的离散化方法：
- 等参数采样：在 t 上均匀取点。简单，但曲线曲率大的地方点会稀疏。
- 等弧长采样：沿着曲线长度均匀取点。效果好，但计算量大。
- 自适应采样：在曲率大的地方加密，曲率小的地方稀疏。我推荐这个。
举个例子，等弧长采样的伪代码：
function sampleByArcLength(curve, numPoints):
totalLength = computeArcLength(curve)
step = totalLength / (numPoints - 1)
points = []
for i in 0 to numPoints-1:
targetLength = i * step
t = findParameterByLength(curve, targetLength)
points.append(curve.eval(t))
return points我在项目中遇到过一个问题：用等参数采样，结果在急弯处路径点间距太大，车辆直接冲出了路径。后来改成自适应采样，问题就解决了。
3.3 路径平滑性度量：怎么才算“平滑”？
这个问题很有意思。你说一条路径平滑，凭什么？总得有个量化指标吧。
常用的平滑性度量有三个：
| 度量指标 | 含义 | 计算公式 | 我的建议 |
|---|---|---|---|
| 曲率 | 路径弯曲程度 | κ = |x'y'' - x''y'| / (x'² + y'²)^(3/2) | 必须小于车辆最小转弯半径的倒数 |
| 曲率变化率 | 曲率的变化速度 | dκ/ds | 越小越好，避免方向盘急打 |
| 加加速度 | 加速度的变化率 | jerk = da/dt | 影响乘坐舒适性 |
说白了，平滑性就是看路径的“脾气”好不好。曲率突变，就像一个人突然急转弯；曲率变化率大，就像方向盘在抖；加加速度大，就像急刹车急加速。
3.4 知识体系总览
下面这张图，是我自己总结的路径表示方法知识体系。你可以把它当作一个“地图”，随时回来看看。
这张图把三个核心内容串起来了。你从参数化曲线出发，经过离散化得到可执行的点，再用平滑性度量来评价效果。这三者缺一不可。
好了，路径表示方法就聊到这儿。记住一句话：路径是给控制器看的，不是给你看的。它好不好，让控制器说了算。
可可精品资料库