1. 速度规划概述
大家好,欢迎来到《速度规划配置与参数调优实战》的第一章。
说实话,我刚开始接触运动控制那会儿,对「速度规划」这四个字完全没概念。当时觉得,让电机转起来不就行了吗?要什么规划?直到我第一次调试一台六轴机器人,看着它在高速运动中剧烈抖动,差点把末端执行器甩飞出去……嗯,从那以后,我再也不敢小看速度规划了。
这一章,我们先聊聊最基础的问题:速度规划到底是什么?为什么非它不可?它又用在哪里?
什么是速度规划
速度规划,说白了就是决定一个运动过程「怎么走」。不是简单的起点到终点,而是中间每一时刻的速度、加速度、甚至加加速度怎么变化。
你想想看,如果让电机直接从 0 瞬间跳到 1000 rpm,会发生什么?冲击、振动、甚至丢步。速度规划就是解决这个问题的——它给运动过程加一个「平滑的过渡」。我习惯把它比作开车:你不会一脚油门踩到底,而是缓缓加速,到了路口再缓缓减速。速度规划做的,就是这件事。
核心定义:速度规划是指在已知运动路径或轨迹的前提下,根据运动学约束(最大速度、最大加速度、最大加加速度等),生成一条满足约束且平滑的速度-时间曲线。
常见的速度规划曲线有这么几种:
| 曲线类型 | 特点 | 典型场景 |
|---|---|---|
| T 型曲线 | 匀加速-匀速-匀减速,简单粗暴 | 低精度点位运动 |
| S 型曲线 | 加加速度连续,平滑性好 | 工业机器人、CNC 加工 |
| 多项式曲线 | 高阶连续,灵活性高 | 自动驾驶路径跟踪 |
| 梯形速度曲线 | 类似 T 型,但加减速段更灵活 | 伺服电机点位控制 |
我个人最常用的是 S 型曲线。为什么?因为它在保证效率的同时,把冲击降到了最低。我在一个焊接机器人项目里试过 T 型曲线,结果焊缝处总有抖动纹路,换成 S 型曲线后,问题直接消失了。
为什么需要速度规划
这个问题,我分三点来讲。
第一,保护机械结构。 没有速度规划,电机就是「硬起硬停」。冲击力会直接传递到减速机、联轴器、甚至工件上。我曾经见过一个案例,某产线的直角坐标机器人因为没做速度规划,运行半年后导轨出现了明显的磨损痕迹。加了 S 型曲线后,导轨寿命延长了至少一倍。
第二,提高运动精度。 速度突变会导致系统振动,振动会带来位置误差。尤其是在高速高精场景下,比如 CNC 雕铣,一个微小的振动就能让工件表面出现刀纹。速度规划通过平滑加速度变化,让系统「稳得住」。
第三,降低能耗。 这个可能很多人没注意到。急加速急减速,电机需要输出更大的瞬时扭矩,电流峰值高,能量损耗也大。平滑的速度曲线能让电机工作在更高效的区间。我在一个 AGV 项目里实测过,优化速度规划后,单次搬运的能耗降低了约 12%。
一个小技巧: 如果你不确定该用哪种速度曲线,先从 S 型曲线开始试。它虽然不是最快的,但一定是最稳的。等系统稳定后,再根据实际需求往效率方向优化。
速度规划的应用场景
速度规划不是某个领域的专属技术,它几乎出现在所有需要「精确控制运动」的地方。我挑三个最典型的场景聊聊。
工业机器人
工业机器人是速度规划的「重度用户」。从码垛、焊接、喷涂到装配,每个动作背后都有一套速度规划算法在支撑。
我记得有一次调试一个六轴机器人做高速拾放。客户要求节拍时间在 0.8 秒以内,但机器人总是出现末端抖动。我检查了轨迹和动力学参数,都没问题。最后发现是速度规划里的加加速度限制设得太低,导致加速段被拉长,机器人为了赶时间在减速段「急刹车」。调整加加速度参数后,抖动消失,节拍也达标了。
工业机器人常用的速度规划策略包括:
- 点位运动(PTP): 各关节独立规划,追求最短时间
- 直线/圆弧运动(LIN/CIRC): 笛卡尔空间规划,保证末端轨迹精度
- 样条插补: 复杂曲面加工,需要高阶连续的速度曲线
CNC 加工
CNC 对速度规划的要求比工业机器人更苛刻。因为加工过程中,刀具和工件直接接触,任何速度波动都会在表面留下痕迹。
CNC 速度规划的核心挑战是「拐角处理」。当刀具从一个方向突然转向另一个方向时,速度必须降下来,否则会过切。但降得太慢又影响效率。这就是所谓的「拐角减速」问题。
我见过一个做模具的师傅,他手动调整每段路径的进给率,硬是把加工时间从 40 分钟压到了 28 分钟。后来我帮他写了一个自适应速度规划模块,自动识别拐角并优化减速策略,最终时间压到了 25 分钟,而且表面光洁度还更好。
注意: CNC 速度规划中,加加速度(Jerk)的设定非常敏感。设得太小,加工效率低;设得太大,机床振动加剧,甚至可能损坏主轴。我建议从机床说明书的推荐值开始,然后以 10% 的步长逐步上调,直到出现轻微振动再回调 5%。
自动驾驶
自动驾驶的速度规划,和工业场景有很大不同。工业场景的路径是已知的、固定的,而自动驾驶的路径是实时感知、实时规划的。
自动驾驶的速度规划需要考虑更多因素:
- 交通规则: 限速、红绿灯、停止线
- 障碍物: 前车减速、行人横穿
- 舒适性: 乘客不能感到明显的推背感或前倾
- 安全性: 紧急制动必须在安全距离内完成
我参与过一个园区无人配送车的项目。最开始我们用的是一套简单的梯形速度曲线,结果在转弯时乘客(其实是测试工程师)差点从座位上滑下来。后来我们改用了基于模型预测控制(MPC)的速度规划,把加速度和加加速度都作为优化目标,舒适性明显提升。
自动驾驶中常用的速度规划方法:
| 方法 | 优点 | 缺点 |
|---|---|---|
| ST 图规划 | 直观、易于处理静态障碍物 | 动态场景下计算量大 |
| 多项式拟合 | 平滑性好、实时性高 | 难以处理复杂约束 |
| MPC 优化 | 可处理多约束、多目标 | 调参复杂、计算资源要求高 |
本章知识体系
下面这张图,是我自己梳理的速度规划知识框架。你可以把它当作整个课程的地图。
这张图把速度规划拆成了五个层次。从最核心的概念出发,到具体的曲线类型和约束条件,再到不同场景下的应用。后面的课程,我们会沿着这个框架一步步深入。