路径规划与轨迹规划：到底差在哪？
很多新手刚接触这个领域时，都会问同一个问题：路径规划和轨迹规划，不都是让机器人从A走到B吗？
嗯，表面上看确实差不多。但实际做项目时，这两者的区别会直接影响你的算法选型和系统性能。我当年在做一个仓储机器人项目时，就因为这个概念没搞清楚，白白浪费了两周时间。
今天咱们就把这事儿彻底掰扯清楚。
路径 vs 轨迹：一个管空间，一个管时间
先给个最直白的定义：
- 路径（Path）：只描述机器人要经过的空间位置序列。它不管速度，不管加速度，更不管什么时候到。
- 轨迹（Trajectory）：在路径的基础上，给每个点加上时间信息。说白了，就是「什么时间，在什么位置，以什么速度运动」。
举个例子你就明白了。假设你要从北京开车到上海：
- 路径规划：告诉你走京沪高速，经过济南、徐州、南京，最后到上海。这就是一条几何路径。
- 轨迹规划：告诉你几点从北京出发，在哪个服务区休息多久，每个路段开多快，几点到上海。这就是带时间律的轨迹。
核心区别一句话：路径是「去哪儿」，轨迹是「怎么去、多快去、什么时候到」。
几何路径 vs 时间律
咱们再深入一点。路径规划的输出，本质上是一个几何曲线。它可以是直线段、圆弧、样条曲线，甚至是一堆离散点。但不管形式如何，它只描述空间关系。
而轨迹规划，要在几何路径上叠加一个时间律。这个时间律通常用s(t)来表示——s是沿路径走过的距离，t是时间。
我习惯把轨迹规划拆成两步来看：
- 路径生成：先确定几何形状
- 时间参数化：再决定怎么沿着这条路径走
举个例子，同样是走一条直线：
| 参数 | 匀速轨迹 | 梯形速度轨迹 | S形速度轨迹 |
|---|---|---|---|
| 速度曲线 | 恒定 | 先加速→匀速→减速 | 加加速→匀加速→减加速→匀速→加减速→匀减速→减减速 |
| 加速度 | 0 | 分段常数 | 连续变化 |
| 冲击度（Jerk） | 0 | 无穷大（突变点） | 有限值 |
| 适用场景 | 简单移动 | 大多数工业机器人 | 高精度、高舒适度场景 |
你看，几何路径完全一样，但加上不同的时间律，机器人的运动表现天差地别。
我曾经踩过的坑：在做一个码垛机器人项目时，我直接用梯形速度规划，结果末端执行器在加减速切换点产生了明显的振动。后来换成S形速度曲线，问题才解决。记住，加速度突变会激发机械结构的谐振频率——这是轨迹规划里最容易忽略的细节。
路径规划算法：A* 和 RRT 简介
路径规划算法有很多，但最经典、最常用的就是A*和RRT。我分别说说它们的核心思想。
A* 算法：有地图就找最优
A* 是一种基于搜索的路径规划算法。它适合在已知的栅格地图或拓扑地图上工作。
核心公式很简单：
f(n) = g(n) + h(n)- g(n)：从起点到当前节点n的实际代价
- h(n)：从节点n到终点的估计代价（启发式函数）
- f(n)：总代价，A*每次选f(n)最小的节点扩展
说白了，A* 就是「既看走过的路，也看没走的路」。它比Dijkstra聪明的地方在于，有了启发式函数h(n)的引导，搜索方向更明确，效率更高。
我个人习惯：在二维栅格地图上，启发式函数用欧几里得距离或曼哈顿距离都行。但如果地图有障碍物，欧几里得距离会低估实际代价，导致搜索节点增多。这时候曼哈顿距离反而更准——前提是机器人只能四方向移动。
RRT 算法：没地图也能找
RRT（Rapidly-exploring Random Tree）是另一种思路。它不需要完整的地图，只需要一个碰撞检测器。
算法流程大致是：
- 从起点开始，随机采样一个点
- 在已有树上找离采样点最近的节点
- 从这个节点向采样点方向生长一段距离
- 如果新节点没碰到障碍物，就加入树中
- 重复直到新节点接近终点
你想想看，RRT 本质上是在用随机采样来「探索」空间。它不保证最优，但保证能找到一条可行路径——只要存在的话。
我当年做机械臂避障时，就用的RRT。因为机械臂的构型空间是6维甚至7维的，A*根本没法建图。而RRT只需要一个碰撞检测函数，就能在高维空间里快速找到路径。
| 对比项 | A* | RRT |
|---|---|---|
| 地图需求 | 需要完整栅格/拓扑地图 | 只需要碰撞检测 |
| 最优性 | 保证最短路径（在栅格分辨率内） | 不保证最优，但可改进为RRT* |
| 适用维度 | 低维（2D/3D） | 高维（6D/7D构型空间） |
| 计算效率 | 随地图规模增大而快速增加 | 随机采样，效率相对稳定 |
| 典型应用 | 扫地机器人、AGV导航 | 机械臂运动规划、无人机航迹 |
轨迹规划的核心问题
好，现在路径有了，接下来就是轨迹规划要解决的核心问题。我总结为三个：
1. 时间最优 vs 平滑性
你想让机器人跑得最快，那就用最大速度、最大加速度。但这样做的代价是运动不平滑，机械冲击大，甚至可能让电机过载。
反过来，你想让运动极其平滑，那就得牺牲时间。这是个典型的权衡问题。
实际工程中，我一般会设定一个「时间上限」，然后在满足这个上限的前提下，尽量提高平滑性。说白了，就是「别太慢，也别太颠」。
2. 约束处理
轨迹规划必须满足一堆约束：
- 运动学约束：速度、加速度、加加速度的上下限
- 动力学约束：关节力矩、末端力的限制
- 几何约束：不能碰障碍物，末端姿态要满足任务要求
- 时间约束：必须在某个时间点到达某个位置
这些约束往往互相矛盾。比如你想让机械臂末端走一条直线，但某个关节可能因此需要极高的速度——这就违反了运动学约束。
核心思路：轨迹规划本质上是一个带约束的优化问题。目标函数可以是时间最短、能量最小、冲击最小等。约束就是上面说的那些物理限制。
3. 实时性
很多轨迹规划算法需要在机器人运动过程中在线计算。比如，当机器人发现前方有动态障碍物时，必须快速重新规划轨迹。
这就对算法的计算效率提出了要求。我见过一些团队用非线性优化做轨迹规划，效果确实好，但算一次要好几秒——这在实时场景下根本没法用。
所以实际工程中，分段多项式和样条曲线用得最多。它们计算快，而且能保证一定的平滑性。
知识体系总览
下面这张图把本章的核心逻辑串起来了：
你看，路径规划解决的是「能不能到」的问题，轨迹规划解决的是「怎么到得好」的问题。两者缺一不可。
实际项目中，我通常先跑路径规划拿到一条几何路径，然后再用轨迹规划给它加上时间信息。但有些场景下，比如动态避障，需要把路径和轨迹放在一起优化——这就是更高级的「时空联合规划」了。
嗯，不过那是后面章节的内容。今天先把基础打牢，搞清楚路径和轨迹的区别，后面的路就好走了。