一、轨迹规划概述

轨迹规划，说白了就是让机器人知道「怎么动」的问题。

你想想看，我们给机器人一个目标——比如「把螺丝拧到那个孔里」。但机器人自己得琢磨：我的手该走哪条路？速度多快？什么时候加速、什么时候减速？这些问题的答案，就是轨迹规划要解决的。

我个人习惯把轨迹规划拆成两个层面来看：

举个例子你就明白了。路径规划告诉你「沿着这条S形曲线走」，轨迹规划告诉你「前2秒加速到0.5m/s，中间3秒匀速，最后1秒减速停下来」。没有轨迹规划，机器人要么急停急启抖得像筛子，要么撞到东西还浑然不知。

核心定义：轨迹规划 = 路径 + 时间 + 运动约束

它输出的是一系列随时间变化的位置、速度、加速度指令，驱动执行器平滑运动。

我经常跟团队里的新人说，别把轨迹规划当成一个孤立的模块。它在整个机器人系统里，位置其实挺微妙的——夹在「决策层」和「控制层」之间。

来看这张图，你就清楚了：

看到没？轨迹规划正好卡在中间。上面决策层告诉你「去哪」，下面控制层负责「怎么执行」。而轨迹规划要做的，就是把「去哪」翻译成「怎么动」——具体到每一毫秒的位置指令。

我在项目中遇到过好几次这样的情况：决策层规划的路径明明没问题，但直接丢给控制层，机器人要么抖得厉害，要么电机过载报警。为什么？就是因为跳过了轨迹规划这一步，没有做速度平滑和约束检查。

我的经验：轨迹规划是「承上启下」的关键环节。决策层可以粗糙一点，控制层可以鲁棒一点，但轨迹规划必须精细。它决定了机器人最终的运动品质。

好了，现在问题来了——轨迹规划不是算一次就完事的。在真实任务中，环境在变，目标在变，机器人自身状态也在变。所以轨迹规划必须「实时」完成。

什么叫实时？我举个例子你就懂了。

你正在操控机械臂抓取一个移动的传送带上的零件。零件位置每秒钟都在变，你的轨迹规划必须在几毫秒内重新算出一条新轨迹。如果算慢了，零件已经跑远了，机械臂抓了个空。

实时轨迹规划的挑战，我总结为三个字：快、稳、全。

挑战	具体问题	我的踩坑经历
快	计算必须在控制周期内完成（通常1-10ms）	我曾经在一个焊接机器人项目里，用了复杂的B样条优化，结果单次规划耗时50ms，控制周期才5ms。机器人每走一步都要等规划，运动一顿一顿的。后来换成多项式插值+查表法，才压到3ms以内。
稳	轨迹必须连续平滑，不能有速度/加速度跳变	有一次我图省事，直接用线性插值做轨迹。结果机器人每到拐点就「咔」地一声，电机电流瞬间飙升。后来检查发现加速度不连续，产生了冲击力。从那以后，我至少保证加速度连续，最好加加速度（Jerk）也连续。
全	必须同时满足多种约束	约束包括：关节限位、速度上限、加速度上限、力矩上限、避障距离、末端执行器姿态... 我见过最夸张的一个项目，约束条件列了20多条。少考虑一条，现场就出事故。

⚠️ 特别注意：实时轨迹规划最怕的就是「算力不够」。你想想看，控制周期是固定的，但规划算法的复杂度可能随环境变化。如果某次规划超时了怎么办？

我的做法是：永远准备一个「保底轨迹」——比如紧急减速停车的轨迹。一旦规划超时，立刻切换到保底轨迹，保证安全。

说到这儿，我想跟你聊聊这个领域最核心的矛盾——最优性 vs 实时性。

理论上，我们可以用非线性优化、模型预测控制（MPC）这些高大上的方法，算出一条最优轨迹——时间最短、能耗最低、冲击最小。但问题是，这些算法算得太慢了。

反过来，如果你用简单的梯形速度曲线，算得飞快，但轨迹不够平滑，效率也不高。

我个人习惯的做法是：分层处理。

这样做的好处是，在线计算量很小，几毫秒就能搞定。坏处是灵活性受限——如果环境变化太大，模板可能不适用。

一句话总结本章：

轨迹规划就是把「去哪」变成「怎么动」，它卡在决策层和控制层之间，必须又快又稳又全。实时性是最硬的约束，所有算法选择都要围绕它来权衡。

嗯，这一章就聊到这儿。下一章我们深入讲讲轨迹规划的数学基础——那些多项式、样条曲线到底是怎么让机器人走得更顺的。

可可精品资料库