1. 机器人轨迹规划概述
在工业机器人、服务机器人以及各类自动化设备中，轨迹规划是连接高层任务指令与底层伺服控制的关键桥梁。想象一下，当你给机器人下达"从A点移动到B点"这样简单的指令时，机器人需要解决一系列复杂问题：应该走什么样的路径？以多快的速度移动？如何保证运动过程中不会超速或产生剧烈抖动？这些正是轨迹规划要解决的核心问题。
轨迹规划的本质，是在满足机器人本体物理约束（如关节位置、速度、加速度极限）和环境约束（如避障）的前提下，生成一条在时间上光滑、在空间上合理的运动路径。这条路径经过时间参数化后，就变成了控制器可以跟踪的轨迹。一个优秀的轨迹规划方案，能让机器人运动既快速又平稳，既精确又节能。
注意：轨迹规划不同于路径规划。路径规划只关心空间几何路径，而轨迹规划还加入了时间维度，需要考虑运动的速度、加速度等时间相关参数。
2. 核心概念解析
2.1 路径、轨迹与参数化
理解路径(Path)和轨迹(Trajectory)的区别至关重要：
-
路径：描述的是机器人末端执行器或关节在构型空间中从起点到终点所经过的空间曲线。它只包含几何信息，没有时间概念。比如"沿着这条圆弧移动"就是一个路径描述。
-
轨迹：是经过时间参数化的路径。它不仅规定了机器人要经过的空间位置，还精确规定了在什么时间点应该到达什么位置、以什么速度移动。例如"在前2秒以0.5m/s匀速移动，后1秒减速停止"就是一个轨迹描述。
参数化是将路径几何描述转化为时间函数的过程。常见做法是：
- 先用归一化参数u∈[0,1]描述路径几何：p(u)
- 再通过时间映射函数u=g(t)将时间t映射到参数u
- 最终得到轨迹函数：s(t)=p(g(t))
2.2 轨迹规划流程
完整的轨迹规划通常分为两个层次：
-
路径规划：在机器人构型空间或任务空间中，寻找一条从起点到终点、满足几何约束（主要是无碰撞）的可行路径。这通常涉及复杂的几何搜索算法，如：
- A*算法：基于启发式搜索的最短路径算法
- RRT（快速探索随机树）：适合高维空间的概率完备算法
- PRM（概率路线图）：通过采样构建路线图的方法
-
轨迹生成：对规划出的路径进行时间参数化，确定机器人沿该路径运动的时间规律s(t)，确保生成的位置、速度、加速度曲线连续且不超过执行器的物理极限。
3. 关节空间轨迹规划方法
关节空间规划直接在机器人的关节空间中生成每个关节的运动轨迹q(t)。这种方法计算简单，不会在关节空间产生奇异点，且能保证关节位置、速度和加速度始终在硬件限制内。缺点是末端执行器在任务空间中的运动路径不够直观。
3.1 多项式插值
多项式插值是最基础的轨迹生成方法，通过多项式函数连接路径点。
3.1.1 三次多项式插值
给定起点和终点的位置及速度（通常起点和终点速度设为0），可以唯一确定一条三次多项式轨迹：
q(t) = a₀ + a₁t + a₂t² + a₃t³
其中四个系数a₀-a₃可以通过边界条件求解：
- 起点位置：q(0)=q₀
- 起点速度：q'(0)=v₀
- 终点位置：q(T)=q₁
- 终点速度：q'(T)=v₁
解这个方程组可以得到：
a₀ = q₀
a₁ = v₀
a₂ = [3(q₁-q₀)-(2v₀+v₁)T]/T²
a₃ = [2(q₀-q₁)+(v₀+v₁)T]/T³
实操技巧：在实际应用中，如果起点或终点速度不为0（比如需要从当前运动状态平滑过渡），只需相应调整v₀和v₁的值即可。
3.1.2 高阶多项式插值
当需要满足更多约束条件时（如指定起点/终点的加速度），可以使用更高阶的多项式。五阶多项式可以满足位置、速度和加速度的边界条件：
q(t) = a₀ + a₁t + a₂t² + a₃t³ + a₄t⁴ + a₅t⁵
六个系数可以通过以下六个边界条件确定：
- 位置：q(0)=q₀, q(T)=q₁
- 速度：q'(0)=v₀, q'(T)=v₁
- 加速度：q''(0)=a₀, q''(T)=a₁
3.2 S型速度曲线
在实际工业应用中，S型速度曲线（又称七段梯形速度曲线）更为常见。它将运动分为七个阶段：
- 加速度增加段（加加速度恒定）
- 加速度恒定段
- 加速度减小段
- 匀速段
- 减速度增加段
- 减速度恒定段
- 减速度减小段
这种曲线能保证加速度的连续性，避免冲击和振动，特别适合高精度应用。
S型曲线的数学表达相对复杂，通常需要分段描述。其核心优势是：
- 加速度连续变化，减少机械冲击
- 可精确控制最大加加速度（jerk），提高运动平滑性
- 容易实现时间最优控制
4. 笛卡尔空间轨迹规划
与关节空间规划不同，笛卡尔空间规划直接在末端执行器的任务空间中进行轨迹规划。这种方法能精确控制末端执行器的运动路径，特别适合需要严格遵循空间轨迹的应用（如焊接、涂胶等）。
4.1 位置插值
对于末端执行器的位置插值，常用的方法包括：
- 直线插值：在两点间生成直线路径
- 圆弧插值：生成圆弧路径
- 样条插值：生成更复杂的光滑曲线
直线插值最简单，给定起点p₀和终点p₁，轨迹可表示为：
p(t) = p₀ + (p₁-p₀)·f(t/T)
其中f(u)是归一化的时间函数，u∈[0,1]
4.2 姿态插值
姿态插值比位置插值复杂得多，因为三维旋转空间是非欧几里得的。常用的姿态表示方法有：
- 旋转矩阵：9个参数，冗余且不直观
- 欧拉角：直观但存在万向节锁问题
- 四元数：最常用的姿态插值方法
四元数插值常用slerp（球面线性插值）公式：
q(t) = [q₀sin(1-θ) + q₁sinθ]/sinθ
其中θ是q₀和q₁之间的夹角，θ=arccos(q₀·q₁)
注意：直接对欧拉角进行线性插值会导致旋转轴抖动和速度不均匀，必须使用四元数插值。
5. 时间最优轨迹规划
时间最优规划的目标是在满足所有约束条件（位置、速度、加速度、加加速度限制）的前提下，找到运动时间最短的轨迹。这是一个典型的优化问题，解决方法包括：
5.1 基于动态规划的算法
将整个轨迹离散化为多个阶段，在每个阶段应用约束条件，通过动态规划寻找最优解。这种方法计算量大但能得到全局最优解。
5.2 凸优化方法
将问题表述为凸优化问题，利用现有的凸优化求解器求解。这种方法计算效率高，适合在线规划。
5.3 启发式方法
如使用遗传算法、粒子群优化等启发式算法寻找近似最优解。这些方法不保证最优性，但在复杂约束下表现良好。
6. 实际应用中的问题与解决方案
6.1 奇异点问题
当机器人处于奇异构型时（如完全伸直或完全折叠），某些方向的运动能力会丧失。解决方案：
- 在规划阶段检测并避开奇异构型
- 使用阻尼最小二乘法求逆解
- 重新规划绕过奇异点的路径
6.2 轨迹拼接问题
当需要连续执行多个轨迹段时，如何保证段与段之间的平滑过渡。常用方法：
- 在连接点处保证位置、速度、加速度连续
- 使用过渡段进行平滑处理
- 重新规划整条轨迹
6.3 实时性要求
对于需要在线调整轨迹的应用（如视觉伺服），规划算法必须足够高效。优化策略：
- 使用预计算和查表法
- 简化动力学模型
- 采用分层规划架构
7. 轨迹规划评估指标
评估一个轨迹规划方案的优劣，可以从以下几个维度考虑：
- 运动平滑性：加速度和加加速度是否连续，是否会引起机械振动
- 时间最优性：是否尽可能缩短了运动时间
- 能量效率：是否最小化了能量消耗
- 计算效率：规划算法是否足够高效
- 鲁棒性：对模型误差和环境变化的适应能力
在实际项目中，往往需要根据具体应用场景在这些指标间进行权衡。例如，精密装配任务可能更看重平滑性，而物流分拣任务则更注重时间效率。