一、轨迹跟踪概述

大家好，欢迎来到《轨迹跟踪系统化调参实战》的第一章。

先聊聊什么是轨迹跟踪。说白了，就是让机器人按照我们规划好的路径去走。你给它一条线，它得老老实实沿着线跑，不能偏，不能抖，更不能冲出跑道。

我刚开始接触这行的时候，觉得这事挺简单的——不就是让轮子转嘛。后来真上手了才发现，这里面的门道深着呢。你想想看，一个AGV小车在仓库里跑，偏差几厘米就可能撞货架；机械臂抓取零件，轨迹偏个毫米级，工件就报废了；自动驾驶就更不用说了，偏差直接关乎安全。

轨迹跟踪，本质上是一个控制问题。系统接收期望轨迹（位置、速度、加速度随时间的变化），然后通过控制器输出指令，让实际轨迹尽可能逼近期望轨迹。

核心公式（简化版）：

误差 = 期望轨迹 - 实际轨迹
控制量 = f(误差, 误差变化率, 历史误差...)

这里的 f() 就是我们要调参的对象——PID、LQR、MPC，或者更复杂的非线性控制器。

嗯，这里要注意一点：轨迹跟踪和路径规划是两码事。规划是告诉你"往哪走"，跟踪是告诉你"怎么走稳"。我见过不少新手把这两个混为一谈，结果调了半天参数，发现问题是规划出来的路径本身就不合理。

轨迹跟踪的应用场景，我归纳为三大类。每一类我都踩过坑，咱们一个一个说。

场景	典型设备	精度要求	我遇到的坑
AGV/移动机器人	仓储AGV、巡检机器人	±1~5 cm	地面打滑导致积分饱和
机械臂	焊接、喷涂、装配机器人	±0.1~1 mm	关节柔性引起末端抖动
自动驾驶	乘用车、物流车	±10~30 cm	大曲率弯道跟踪发散

AGV的场景，我最有发言权。早年在做仓储机器人项目时，我们用的是一套纯PID跟踪算法。直线段跑得挺好，一到转弯就"甩尾"。后来发现是前馈没加，转弯时的向心力补偿不够。你想想看，一个满载几百公斤的AGV，转弯时惯性有多大？不加补偿，光靠反馈拉回来，肯定 overshoot。

机械臂的轨迹跟踪，精度要求是最高的。我记得有一次做焊接机器人项目，客户要求焊缝跟踪误差不超过0.3mm。我们用了前馈+反馈的复合控制结构，光调前馈的动力学参数就花了两周。这里有个经验：机械臂的关节柔性（谐波减速器的弹性变形）是轨迹跟踪的大敌，很多高频抖动都是它引起的。

自动驾驶的轨迹跟踪，我参与得不多，但有个教训印象很深。当时帮朋友调一个LQR跟踪器，在直道上效果完美，一上高速匝道（大曲率弯道）就偏出去。为什么？因为LQR的权重矩阵Q和R是固定的，弯道和直道需要的权重完全不一样。后来加了曲率自适应，才解决问题。

为什么要系统化调参？这个问题我问过自己很多次。

早期我做项目，调参基本靠"试"。改一个参数，跑一下，看曲线，再改。运气好半天搞定，运气不好折腾一星期。更可怕的是，换一台机器人，同样的参数完全不能用，又得从头试。

这种"玄学调参"的问题在于：

我曾经踩过的坑：

有一次给客户交付AGV，现场调试时发现跟踪误差总是超限。我按老经验调了PID三个参数，折腾了两天没搞定。后来静下心来做了一次系统辨识，才发现是轮胎磨损导致模型参数变了。如果一开始就走系统化流程，半天就能定位问题。

系统化调参，说白了就是给调参这件事建立一套方法论。它包含几个核心步骤：

这套流程，我在多个项目里验证过。从AGV到机械臂，从实验室到产线，系统化调参至少能节省50%的调试时间。更重要的是，它让调参这件事从"艺术"变成了"工程"。

我的个人习惯：

每次开始调参前，我会先花30分钟把被控对象的模型写出来。哪怕只是一个简化的二阶系统，也比完全黑箱调试强。模型能告诉你：哪些参数是敏感的，哪些参数可以忽略。这30分钟，往往能省下后面几天的弯路。

下面这张图，是我自己总结的轨迹跟踪系统化调参的整体框架。你可以把它当作这门课的"地图"——我们后面每一章，都会对应图中的某个模块。

这张图里，核心的闭环是"期望轨迹 → 控制器 → 被控对象 → 实际轨迹 → 反馈"。而系统化调参，就是围绕这个闭环，从建模、指标、迭代三个维度去优化控制器的参数。

后面的章节，我们会逐一深入每个环节。从最基础的PID调参开始，到LQR、MPC这些高级控制器，再到实际工程中的抗饱和、前馈补偿、鲁棒性设计。每一章我都会结合自己踩过的坑，给你一套可复用的调参流程。

嗯，第一章就到这里。记住一句话：调参不是玄学，是工程。我们后面慢慢展开。