第一章：课程导论与基础

大家好，我是这门课的主讲人。在机器人运动规划这个领域摸爬滚打了十几年，我踩过的坑比走过的路还多。今天咱们聊的「避障场景的实时轨迹重规划」，说白了就是让机器人学会在动态环境中随机应变。

嗯，先别急着看代码。咱们得把地基打牢。

1.1 避障场景概述

什么叫避障场景？你想想看，一个扫地机器人撞到拖鞋，它得绕过去吧？一辆自动驾驶汽车突然遇到行人横穿马路，它得急刹或者变道吧？一架无人机在森林里穿梭，得躲开树枝吧？

这些场景都有一个共同点：环境是动态的，障碍物是突然出现的。

我个人习惯把避障场景分成三类：

• 静态避障：障碍物位置固定，比如墙壁、柱子。这类问题相对简单，一次规划就能搞定。
• 动态避障：障碍物在移动，比如行人、车辆。你需要预测它们的运动轨迹。
• 未知环境避障：你根本不知道前面有什么，全靠传感器实时感知。这是最刺激的。

我在项目中遇到过最头疼的情况，是无人机在室内走廊里飞行。你以为走廊是空的，结果突然有人推门出来。这时候如果还用预先规划好的路径，那肯定撞上。所以，实时重规划就派上用场了。

1.2 实时轨迹重规划的定义与挑战

实时轨迹重规划，听起来很高级对吧？其实没那么玄乎。它就是：当机器人发现原计划走不通时，立刻重新算一条路。

但这里有个大坑——「实时」两个字。

为什么这么说？因为计算需要时间。你想想看，一辆时速60公里的汽车，每秒跑16.7米。如果重规划算法需要100毫秒才能算出新路径，那车已经跑出去1.67米了。万一前面是个小孩呢？

所以，实时重规划面临三大挑战：

1. 计算速度：算法必须在毫秒级完成。我曾经用A*算法做重规划，结果算一次要200毫秒，直接被老板骂了一顿。
2. 路径质量：不能为了快就随便找条路。路径要平滑，不能有急转弯，否则机器人会翻车。
3. 鲁棒性：传感器有噪声，障碍物检测可能出错。算法得能容忍这些误差。

1.3 应用场景

实时轨迹重规划不是实验室里的玩具，它在现实中有大量应用。我挑三个最典型的说说：

自动驾驶

这是最苛刻的场景。车辆在高速公路上行驶，突然前方出现事故车辆。系统必须在几百毫秒内完成感知、决策、规划、控制的全流程。我记得有一次测试，我们的车在80km/h的速度下成功避开了突然切入的车辆，那一刻真的很有成就感。

无人机

无人机在复杂环境中飞行，比如穿越森林或搜索废墟。它的优势是三维空间运动，但劣势是续航短、计算资源有限。我见过一个团队用FPGA做实时重规划，把计算时间压缩到了10毫秒以内，效果相当不错。

机器人

这里主要指地面移动机器人，比如仓储机器人、服务机器人。它们通常在结构化环境中工作，但也会遇到意外情况。比如，一个AGV在仓库里搬运货物，突然前面掉下来一个箱子。这时候就需要快速重规划。

应用场景	典型速度	计算时间要求	主要挑战
自动驾驶	60-120 km/h	< 100 ms	安全性、法规合规
无人机	10-30 m/s	< 50 ms	续航、计算资源
地面机器人	1-5 m/s	< 200 ms	环境复杂性

1.4 课程目标与学习路径

这门课的目标很明确：让你掌握实时轨迹重规划的核心算法和工程实践。学完之后，你能自己写一个能在真实机器人上跑的重规划系统。

我建议的学习路径是这样的：

• 先学基础：路径规划的基本算法，比如A*、Dijkstra、RRT。这些是地基。
• 再学实时化：怎么让算法跑得快？用增量式搜索、启发式方法、并行计算。
• 然后学鲁棒性：怎么处理传感器噪声、动态障碍物？用概率方法、模型预测控制。
• 最后学工程：怎么把算法部署到嵌入式系统上？怎么调参？怎么测试？

好了，第一章就到这里。咱们把概念理清了，后面才能深入。记住一句话：实时重规划不是魔法，是工程。