一、纠偏基础：什么是轨迹纠偏？为什么需要传感器反馈？常见应用场景
各位同学，咱们今天聊聊轨迹纠偏。说实话，这词儿听起来挺唬人，但说白了就是一件事——让机器人别跑偏。
你想想看，任何运动系统，从AGV小车到机械臂，再到无人机，理论上都有个规划好的路径。但现实世界不是理想模型，轮子会打滑，电机有误差，地面不平整，风一吹无人机就晃。这时候，光靠开环控制，机器人迟早会走到沟里去。
我刚开始做AGV项目时，就吃过这个亏。当时觉得路径规划算得够精确了，结果小车跑了几圈，定位误差直接累积到十几厘米。嗯，从那以后，我再也不敢轻视纠偏这件事了。
1.1 什么是轨迹纠偏？
轨迹纠偏，就是让机器人实时修正自己的运动路径，让它始终贴着理想轨迹走。它不是一次性校准，而是一个持续的闭环过程。
核心逻辑其实很简单：
- 期望轨迹：你规划好的路径，比如AGV要走一条直线
- 实际轨迹：机器人真正走过的路线
- 偏差量：期望和实际之间的差距
- 修正动作：根据偏差量调整控制指令
说白了，就是测量→比较→修正→再测量，一直循环到任务结束。
关键点：纠偏不是一次性的，它是贯穿整个运动过程的。你每时每刻都在问自己——"我现在偏了没？偏了多少？该怎么调回去？"
1.2 为什么需要传感器反馈？
这个问题其实很直白。没有传感器，你就不知道机器人到底在哪儿。
我见过不少新手，觉得电机编码器就够了。但编码器只能告诉你电机转了多少圈，它不知道轮子有没有打滑，不知道地面有没有坡度。说白了，编码器是"猜"位置，传感器才是"看"位置。
传感器反馈的作用，我归纳为三点：
- 提供真实位置信息：激光雷达、视觉、IMU，这些传感器告诉你"你现在实际在哪儿"
- 消除累积误差：纯靠里程计，误差会越积越大。传感器能帮你"归零"
- 应对环境变化：地面湿滑、光线变化、风力干扰，传感器能感知到这些变化
个人经验：我在做仓储AGV时，试过只用编码器做定位。结果跑了50米，横向偏差达到了8厘米。后来加了激光雷达做SLAM，偏差直接降到1厘米以内。传感器反馈，真的不是锦上添花，而是刚需。
1.3 常见应用场景
咱们来看看三个典型场景，每个我都踩过坑。
场景一：AGV（自动导引车）
AGV的纠偏，核心是横向偏差和航向角偏差。说白了，就是车有没有偏左偏右，车头有没有歪。
常用的传感器组合：
- 磁条/磁钉：便宜但路径固定，改线麻烦
- 激光雷达：灵活，可以做SLAM，但成本高
- 二维码/视觉：精度高，但需要贴码维护
我做过一个项目，客户要求AGV在狭窄通道里走直线，两侧只有5厘米余量。当时用的就是激光雷达+IMU融合。激光雷达提供位置，IMU提供高频姿态修正。嗯，效果还不错，偏差控制在±1厘米以内。
场景二：机械臂
机械臂的纠偏，和AGV不太一样。它更关注末端执行器的位置和姿态。
为什么需要纠偏？因为机械臂有柔性变形、关节间隙、负载变化。你编程让机械臂走到(100, 200, 300)这个点，它实际可能走到(101, 199, 302)。
常用的传感器：
- 六维力传感器：感知末端受力，用于力控纠偏
- 视觉相机：看工件位置，做视觉伺服
- 激光跟踪仪：高精度测量末端位置
避坑指南：我曾经在焊接机械臂项目上，只用了关节编码器做位置反馈。结果焊出来的焊缝歪歪扭扭。后来加了激光焊缝跟踪传感器，实时修正轨迹，焊缝质量才达标。记住，机械臂的刚性比你想象的要差。
场景三：无人机
无人机纠偏，难度最大。因为它有6个自由度，而且受风的影响很大。
核心传感器：
- GPS：室外定位，精度米级
- IMU（惯性测量单元）：加速度计+陀螺仪，高频姿态估计
- 视觉/光流：室内或无GPS环境下的定位
- 气压计：高度估计
我做过一个无人机编队项目，要求多架无人机保持固定间距飞行。单靠GPS根本不行，偏差太大。后来用了RTK-GPS（厘米级精度）+视觉SLAM融合，才勉强达到要求。
说白了，无人机纠偏的核心就是多传感器融合。没有哪个传感器是万能的，GPS有遮挡，IMU有漂移，视觉有光照限制。只有融合起来，才能互补短板。
1.4 知识体系总览
下面这张图，是我自己总结的轨迹纠偏知识体系。你可以把它当作整个课程的地图。
这张图把轨迹纠偏拆成了三个核心模块：传感器感知（获取数据）、偏差计算（分析差距）、控制修正（执行动作）。三个模块缺一不可，而且需要紧密配合。
核心观点：轨迹纠偏不是某个单一技术，而是一套完整的闭环体系。传感器是眼睛，偏差计算是大脑，控制修正是手脚。三者协同，才能让机器人走对路。
好了，第一章的内容就到这里。记住一句话：没有传感器反馈的轨迹规划，就是盲人骑瞎马。后面的章节，我会带着大家一步步深入，从传感器选型到融合算法，再到实战代码，咱们一个一个啃下来。
可可精品资料库