课程导入：航迹规划的定义、发展历程、应用领域与学习路径

航迹规划（Trajectory Planning / Path Planning）是智能体（无人机、机器人、自动驾驶车辆等）在给定环境中，从起始状态到达目标状态，同时满足运动学约束、动力学约束、安全避障要求与任务性能指标（如时间最短、能耗最低、路径最平滑）的决策过程。它不仅是导航系统的核心大脑，更是衡量智能体自主化水平的关键标尺。本章作为全课程的起点，将系统梳理航迹规划的定义内涵、技术演进脉络、典型应用场景，并给出贯穿30章内容的学习路径与能力目标，帮助学习者建立全局认知框架。

1.1 航迹规划的定义与核心要素

航迹规划在学术与工程实践中常被细分为两个层次：路径规划（Path Planning）与轨迹规划（Trajectory Planning）。路径规划解决的是"从A点到B点走哪条路"的几何问题，输出是一条无碰撞的路径曲线，通常只包含空间位置信息；而轨迹规划在此基础上增加了时间维度，为路径上的每个点赋予期望速度、加速度甚至姿态角，输出的是"何时到达何处、以何种速度运动"的完整运动描述。在无人机航拍、自动驾驶变道、机械臂抓取等实际任务中，真正下发到执行器的是轨迹而非单纯路径，因此本课程将两者统一纳入"航迹规划"范畴，强调从几何路径到时间参数化的完整链路。

一个完整的航迹规划问题由四个核心要素构成：状态空间、约束条件、目标函数与求解算法。状态空间描述了智能体可能处于的所有位置与姿态组合，例如四旋翼无人机的状态可表示为(x, y, z, φ, θ, ψ)六维向量；约束条件包括环境障碍约束（不可穿越区域）、运动学约束（最小转弯半径、最大爬升角）、动力学约束（最大加速度、电机推力极限）以及任务约束（禁飞区、时间窗口）；目标函数则量化了轨迹的优劣程度，常见指标有路径长度、飞行时间、能量消耗、平滑度、安全裕度等。求解算法是在上述框架下寻找满足约束且使目标函数最优（或次优）的轨迹的计算方法。

1.2 航迹规划的发展历程：从几何搜索到智能决策

航迹规划的技术演进与机器人学、计算机科学和控制理论的发展紧密交织，大致可分为四个阶段：

值得关注的是，经典算法并未过时。在实际工程中，A* 或 RRT 常被用作全局规划器生成参考路径，而 MPC 或 TEB 作为局部规划器负责平滑跟踪与动态避障。这种"全局-局部"分层架构至今仍是工业界的主流方案。例如，在百度 Apollo 自动驾驶框架中，全局路径由基于高精地图的搜索算法生成，而局部轨迹则由基于二次规划的优化器实时求解。

1.3 典型应用领域与场景化需求

航迹规划的应用场景决定了其技术选型与实现难度。以下从四个代表性领域展开分析：

1.3.1 无人机（UAV）

无人机航迹规划面临三维空间、动态风场、续航限制三大挑战。在电力巡检场景中，无人机需沿输电线路飞行，既要保持安全距离（通常为5-10米），又要避开铁塔、树木等障碍，同时考虑电池电量约束，规划算法需在起飞前完成全局路径预规划，并在飞行中根据实时风速进行局部修正。在测绘任务中，则需规划覆盖整个区域的扫描路径，通常采用"牛耕式"或"螺旋式"航迹，并保证相邻航带的重叠率（一般要求30%-50%）。

1.3.2 自动驾驶车辆

自动驾驶对航迹规划的实时性要求最为严苛——在60km/h车速下，车辆每秒前进约16.7米，规划周期必须控制在100ms以内。其规划系统通常分为三层：路由规划（全局，基于道路网络）、行为规划（决策，如变道、超车、让行）、运动规划（局部，生成平滑轨迹）。运动规划需满足车辆运动学模型（如阿克曼转向模型），并考虑乘坐舒适性（横向加速度一般不超过2m/s²）。

1.3.3 移动机器人（仓储/服务）

仓储机器人（AGV）在密集货架环境中运行，路径规划需解决多机器人协同避碰问题。以亚马逊Kiva机器人为例，其调度系统将路径规划与任务分配联合优化，通过交通管制策略（如单向通道、交叉口优先级）避免死锁。服务机器人（如酒店配送）则更关注动态行人避让，常采用社会力模型或基于学习的轨迹预测来预判行人运动。

1.3.4 工业机械臂

机械臂规划在关节空间进行，维度通常为6-7维，且需满足关节角度限位、速度与力矩约束。在焊接、喷涂等连续作业中，轨迹平滑性直接影响加工质量，因此常采用多项式插值或B样条曲线生成平滑轨迹。此外，机械臂还需考虑奇异点规避与碰撞检测的实时性。

1.4 课程学习路径与目标

本课程共30章，按照"基础理论→核心算法→工程实践→前沿拓展"四个阶段递进设计，确保学习者从零基础成长为具备独立规划能力的工程师。

阶段一：基础理论（第1-6章）

涵盖坐标系与变换、环境建模（栅格地图、八叉树、拓扑地图）、运动学与动力学约束建模、碰撞检测原理。此阶段目标是建立统一的数学描述框架，使学习者能够将实际规划问题转化为算法可处理的形式化表达。

阶段二：核心算法（第7-18章）

系统讲解四大类算法：图搜索类（Dijkstra、A*、D* Lite、JPS）、采样类（PRM、RRT、RRT*、Informed RRT*）、优化类（贝塞尔曲线、B样条、MPC、最小快照法）、智能类（遗传算法、蚁群算法、深度强化学习）。每类算法均配以代码实现与仿真实验，强调算法适用边界与参数调优方法。

阶段三：工程实践（第19-26章）

聚焦真实系统集成：ROS导航框架、PX4无人机规划栈、Apollo自动驾驶规划模块、多机协同规划、动态环境重规划、规划系统评估与调试。此阶段将引入大量真实日志与故障案例，训练学习者排查与优化能力。

阶段四：前沿拓展（第27-30章）

探讨学习型规划器、语义地图与规划融合、集群智能规划、规划安全性与伦理问题。帮助学习者把握技术趋势，为科研或高级工程岗位做准备。

1.5 常见误区与学习复盘

根据多年教学与工程经验，初学者在航迹规划学习中容易陷入以下误区：

• 误区一：只调库不看原理。直接调用ROS的navfn或OMPL库虽然能快速跑通demo，但遇到参数失效或环境变化时往往无从下手。建议至少手写一遍A*和RRT的完整实现，理解数据结构与算法流程。
• 误区二：忽视约束建模。很多学习者将规划问题简化为纯几何问题，忽略运动学约束，导致规划出的路径在物理上不可执行。例如，无人机规划出90°急转弯路径，但实际最小转弯半径远大于此。
• 误区三：过度追求最优性。在动态环境中，花2秒计算一条最优路径，不如花50ms计算一条可行路径。实时性往往比最优性更重要，RRT*虽然渐进最优，但在高维空间中收敛极慢。
• 误区四：忽略仿真与实物的差距。仿真中完美的轨迹，在实机上可能因模型误差、通信延迟、执行器饱和而失效。课程将在工程实践阶段专门讲解鲁棒性设计方法。