第1章：路径表示方法——给机器人一条清晰的路

大家好，我是你们的老朋友。今天咱们聊聊路径跟踪里最基础、也最容易被忽视的一环——路径的数学表示。

你想想看，机器人要沿着一条路走，首先得知道这条路长什么样吧？就像你开车去一个地方，导航得先告诉你路线。机器人也一样，它需要一条“数学上可描述”的路径。我个人习惯把路径表示比作“给机器人画地图”，画得越清楚，它跑得越稳。

1.1 直线路径——最简单，但别小看它

直线路径，说白了就是两点之间拉一条线。数学上就是：

起点 P0 = (x0, y0)
终点 P1 = (x1, y1)
路径参数化：P(s) = P0 + s * (P1 - P0)，s ∈ [0, 1]

这里的 s 是个好东西。s=0 时在起点，s=1 时在终点。s 从 0 到 1 变化，机器人就沿着直线走过去了。

1.2 圆弧路径——转弯的艺术

机器人不可能永远走直线。遇到弯道怎么办？圆弧路径就派上用场了。

圆弧的数学表示通常用圆心、半径和起始角度：

圆心 C = (cx, cy)
半径 R
起始角度 θ0，终止角度 θ1
路径参数化：P(θ) = (cx + R*cos(θ), cy + R*sin(θ))，θ ∈ [θ0, θ1]

嗯，这里要注意：圆弧的方向有顺时针和逆时针之分。我刚开始做的时候，有一次把方向搞反了，机器人直接往墙上怼……从那以后，我每次都会在代码里显式标注方向。

1.3 多项式曲线——让路径更平滑

直线和圆弧虽然简单，但很多时候不够灵活。比如你要让机器人走一个S形弯，或者避开障碍物，这时候多项式曲线就香了。

最常用的是三次多项式：

x(s) = a0 + a1*s + a2*s² + a3*s³
y(s) = b0 + b1*s + b2*s² + b3*s³

为什么是三次？因为三次多项式可以保证位置和速度的连续性。你想想看，如果路径在连接点处速度突变，机器人就会“咯噔”一下，这在精密控制里是绝对不允许的。

我个人习惯用五次多项式，虽然计算量大一点，但加速度也连续了，跑起来更顺滑。有一次做医疗机器人的路径规划，病人躺在上面，如果加速度突变，病人会感到不适。换成五次多项式后，体验感直接拉满。

1.4 路径离散化与插值——把连续路径变成离散点

好了，现在我们有了一条数学上完美的路径。但机器人控制器是数字的，它只能处理离散的点。怎么办？离散化。

说白了，就是把连续的路径切成一小段一小段。比如每隔0.01米取一个点：

for s = 0 to 1 step 0.01:
    point = P(s)
    store point in path_points[]

但这里有个坑：如果路径曲率变化大，均匀采样会导致弯道处点太少，直线处点太多。我建议用自适应采样——曲率大的地方多采点，曲率小的地方少采点。

1.5 路径坐标系——Frenet坐标系与笛卡尔坐标系

终于到了这一节的重头戏。路径跟踪里，坐标系的选择直接影响控制器的设计难度。

笛卡尔坐标系就是我们熟悉的x-y坐标系。机器人位置用(x, y)表示，方向用θ表示。直观，但有个问题：路径跟踪误差不好描述。

举个例子：机器人偏离路径1米，这个“1米”是横向的还是纵向的？在笛卡尔坐标系里，你得算一堆几何关系才能搞清楚。

Frenet坐标系就不一样了。它沿着路径走，用两个量描述机器人状态：

• s：沿路径走了多远（纵向距离）
• d：偏离路径多远（横向距离）

你看，是不是直观多了？d=0表示在路径上，d>0表示偏左，d<0表示偏右。控制目标就是让d趋近于0。

我记得第一次用Frenet坐标系做路径跟踪时，感觉整个世界都清晰了。以前在笛卡尔坐标系里调PID参数，调得我头大。换成Frenet坐标系后，横向控制和纵向控制可以分开调，效率翻倍。

1.6 本章知识体系总览

说了这么多，咱们用一张图把整个知识体系串起来。下面是我手绘的SVG框架图，展示了路径表示方法的核心逻辑：

这张图把咱们这一章的内容串起来了。从路径的数学表示开始，经过离散化与插值，再到坐标系的选择，最后服务于路径跟踪控制。每一步都有它的道理，缺一不可。

1.7 本章小结

好，咱们来捋一捋这一章的核心内容：

• 直线路径：最简单，适合初始对准和归位
• 圆弧路径：处理转弯，注意方向归一化
• 多项式曲线：三次保证位置速度连续，五次保证加速度连续
• 离散化与插值：把连续路径变成离散点，自适应采样更实用
• Frenet坐标系：把横向和纵向控制解耦，调参更轻松

我个人觉得，路径表示是整个路径跟踪的基石。地基没打好，后面再好的控制算法也白搭。所以这一章的内容，建议大家多花点时间消化。

可可精品资料库