路径规划与轨迹规划：你真的分得清吗？
很多刚入行的朋友问我：「路径规划和轨迹规划，不就是一回事吗？」
嗯，我当年也这么想。直到第一次在产线上调试AGV，车明明沿着规划好的路径走，却在转弯时翻了——我才意识到，这两者差得远了。
简单说：路径规划只关心「走哪条路」，轨迹规划还要管「怎么走」。
路径是一条几何线，轨迹是这条线上每个点的位置、速度、加速度，甚至加加速度。
核心区别一句话：
路径 = 空间中的一条曲线（几何）
轨迹 = 路径 + 时间参数化（运动学/动力学约束）
1. 几何路径 vs 时间参数化
先看路径。路径规划的输出，通常是一系列离散的路径点，或者一条连续的曲线。比如A*算法找出来的折线段，或者RRT*生成的平滑曲线。它只描述「机器人应该经过哪些位置」，不包含任何时间信息。
但机器人要动起来，必须知道「什么时候到哪个点」。这就是时间参数化——给路径加上时间戳。
举个例子：
路径：从(0,0)到(10,0)的一条直线。
轨迹：t=0s在(0,0)，t=2s在(5,0)，t=4s在(10,0)，且速度保持2.5m/s。
我个人习惯把时间参数化看作「给路径注入灵魂」。没有时间参数，路径只是一具空壳。
实战小技巧：
我在做机械臂轨迹规划时，经常先用RRT*找一条无碰撞路径，再用五次多项式做时间参数化。这样既保证了路径的几何可行性，又保证了运动平滑性。
2. 约束类型：运动学、动力学、环境
为什么轨迹规划比路径规划难？因为约束太多了。我把它分成三类：
| 约束类型 | 典型约束 | 影响 |
|---|---|---|
| 运动学约束 | 最大速度、最大加速度、关节限位 | 决定轨迹的平滑性和可达性 |
| 动力学约束 | 最大力矩、电机功率、惯性力 | 决定轨迹的物理可行性 |
| 环境约束 | 障碍物、地面摩擦、狭窄通道 | 决定轨迹的安全性和可执行性 |
运动学约束是最基础的。比如AGV的最大转弯半径，机械臂每个关节的角度范围。这些约束决定了路径的几何形状是否可达。
动力学约束就复杂多了。我记得有一次做四足机器人跳跃规划，路径规划出来的轨迹在运动学上完全可行，但动力学仿真时发现电机力矩不够，机器人直接趴地上了。从那以后，我每次做轨迹规划都会先检查动力学可行性。
环境约束是「隐形杀手」。你以为路径避开了障碍物，但实际运行时，地面摩擦系数变化、传感器噪声、动态障碍物突然出现，都可能让轨迹失效。
我曾经踩过的坑：
做仓储AGV项目时，路径规划避开了所有静态障碍物，但没考虑地面有油渍。结果AGV在转弯时打滑，直接撞上货架。后来我在轨迹规划里加入了地面摩擦系数估计和动态速度调整，才彻底解决这个问题。
3. 路径规划 vs 轨迹规划：一张图看懂
下面这张图是我自己总结的，每次给团队新人培训都会用：
4. 实战中的选择策略
你可能会问：那我到底该用路径规划还是轨迹规划？
答案是：大多数场景下，两者都要用。
我一般这样决策：
- 如果机器人运动速度很慢（比如巡检机器人0.5m/s），路径规划基本够用，轨迹规划可以简化成匀速运动。
- 如果机器人需要高速运动（比如无人机竞速、机械臂抓取），必须做完整的轨迹规划，否则必然出问题。
- 如果环境动态变化（比如人机协作），需要实时重规划，这时候路径规划和轨迹规划要耦合在一起做。
我的个人习惯：
做项目时，我会先跑一遍路径规划，确认几何路径可行。然后立刻做轨迹规划，检查运动学和动力学约束。如果轨迹规划失败，我会返回修改路径规划的参数（比如增加路径平滑度、调整路径点密度）。这样来回迭代几次，基本就能拿到可执行的轨迹。
5. 一个简单的代码示例
下面是一个用Python实现的路径到轨迹转换示例。路径是直线，轨迹用梯形速度曲线参数化：
import numpy as np
# 路径：从(0,0)到(10,0)的直线
path_points = np.array([[0, 0], [10, 0]])
# 轨迹参数
v_max = 2.0 # 最大速度 m/s
a_max = 1.0 # 最大加速度 m/s^2
total_distance = 10.0
# 梯形速度曲线时间计算
t_acc = v_max / a_max # 加速时间
d_acc = 0.5 * a_max * t_acc**2 # 加速段距离
if 2 * d_acc <= total_distance:
# 有匀速段
d_const = total_distance - 2 * d_acc
t_const = d_const / v_max
t_total = 2 * t_acc + t_const
else:
# 没有匀速段（三角形速度曲线）
t_acc = np.sqrt(total_distance / a_max)
t_total = 2 * t_acc
print(f"轨迹总时间: {t_total:.2f} s")
print(f"加速时间: {t_acc:.2f} s")
# 生成时间参数化轨迹
dt = 0.01
t = np.arange(0, t_total, dt)
trajectory = []
for ti in t:
if ti < t_acc:
# 加速段
s = 0.5 * a_max * ti**2
v = a_max * ti
elif ti < t_total - t_acc:
# 匀速段
s = d_acc + v_max * (ti - t_acc)
v = v_max
else:
# 减速段
t_dec = ti - (t_total - t_acc)
s = total_distance - 0.5 * a_max * (t_acc - t_dec)**2
v = a_max * (t_acc - t_dec)
# 线性插值到路径
ratio = s / total_distance
x = path_points[0,0] + ratio * (path_points[1,0] - path_points[0,0])
y = path_points[0,1] + ratio * (path_points[1,1] - path_points[0,1])
trajectory.append([ti, x, y, v])
trajectory = np.array(trajectory)
print(f"轨迹点数: {len(trajectory)}")这段代码虽然简单，但包含了轨迹规划的核心思想：把几何路径映射到时间域，同时满足速度和加速度约束。
注意：
实际项目中，路径往往不是直线，而是复杂的曲线。这时候需要先对路径进行弧长参数化，再在弧长域上做时间参数化。我常用的方法是先对路径点做三次样条插值，然后计算弧长，最后用梯形速度曲线映射到时间域。
6. 总结一下
路径规划和轨迹规划的区别，说白了就是「地图」和「导航」的区别。地图告诉你路在哪，导航告诉你什么时候加速、什么时候转弯、什么时候刹车。
做轨迹规划时，一定要时刻记住三个约束：运动学约束决定能不能动，动力学约束决定动得稳不稳，环境约束决定动得安不安全。三者缺一不可。
嗯，这一章就到这里。记住：路径是骨架，轨迹是血肉。只有两者结合，才能让机器人真正动起来。