4、轨迹生成基础：B样条、多项式、最小加加速度轨迹。哪种适合你的场景？我踩过的坑告诉你。

做机器人控制这些年，我试过不少轨迹生成方法。说实话，没有哪种是万能的。每种方法都有自己的脾气，选对了事半功倍，选错了……嗯，调试到怀疑人生。

今天咱们就聊聊三种最常见的轨迹生成方式：B样条、多项式、最小加加速度。我会结合自己的实战经验，告诉你它们各自适合什么场景，以及我踩过的那些坑。

多项式轨迹是最基础的方法。说白了，就是用一条多项式曲线把起点和终点连起来。最常见的是三次多项式和五次多项式。

三次多项式：只约束位置和速度。适合简单的点到点运动。

五次多项式：约束位置、速度、加速度。更平滑，适合对加速度有要求的场景。

核心公式（五次多项式）：

q(t) = a0 + a1*t + a2*t^2 + a3*t^3 + a4*t^4 + a5*t^5

六个系数由起点和终点的位置、速度、加速度共6个边界条件唯一确定。

我的经验：多项式轨迹适合简单场景，比如单关节运动。但如果你要经过多个中间点，千万别用高阶多项式硬拟合。我在项目中遇到过用7次多项式拟合5个点，结果轨迹在中间剧烈震荡——这就是著名的“龙格现象”。

B样条轨迹是我个人最常用的方法。它的核心优势是局部可控性——修改一个控制点，只影响附近一段轨迹，不会全局变形。

B样条有几个关键参数：

B样条递推公式（de Boor算法）：

// 给定控制点P和节点向量u
// 计算B样条曲线上的点
function deBoor(k, u, P, t) {
    // k: 阶数, u: 节点向量, P: 控制点, t: 参数
    // 返回曲线上的点
}

我曾经踩过的坑：刚开始用B样条时，我忽略了节点向量的选择。默认均匀节点向量导致轨迹在起点和终点附近抖动。后来改用“准均匀节点向量”（两端重复节点），问题就解决了。记住：节点向量的分布直接影响轨迹的起止行为。

最小加加速度轨迹（Minimum Jerk Trajectory）的目标是让加加速度（Jerk）的平方积分最小。说白了，就是让运动最“温柔”，没有突然的冲击。

它的数学形式是：

min ∫ (jerk(t))^2 dt
subject to: 位置、速度、加速度边界条件

解出来是一个5次多项式（对于点到点运动）。但如果是多段轨迹，就需要用样条拼接。

适用场景：

我的建议：最小加加速度轨迹虽然平滑，但计算量稍大。如果你用的是低算力控制器（比如STM32），建议用查表法预计算轨迹点，而不是实时求解。

特性	多项式轨迹	B样条轨迹	最小加加速度轨迹
连续性	C2（五次多项式）	Ck-1（k阶）	C2（加加速度连续）
局部可控性	无（全局影响）	有（局部修改）	无（全局优化）
计算复杂度	低	中	高
适合场景	简单点到点	复杂路径、多段轨迹	高精度、低振动
我的推荐指数	★★★☆☆	★★★★★	★★★★☆

下面这张SVG图总结了三种轨迹生成方法的核心逻辑和适用场景。你可以把它当作选型指南。

说了这么多，到底怎么选？我个人的经验是：

最后提醒一句：别在仿真里觉得完美就上线。我吃过这个亏——仿真里B样条跑得飞起，一上实际机器人就抖成筛子。为什么？因为实际关节有摩擦力、弹性变形，仿真模型没考虑。所以，一定要在实物上验证轨迹的平滑性和可执行性。

好了，轨迹生成的基础就聊到这里。记住：没有最好的方法，只有最适合你场景的方法。多试、多调、多踩坑，慢慢就有感觉了。