轨迹规划常用算法解释对比

轨迹规划的核心，是为机器人运动体规划出一条从起点到终点， 满足运动学和动力学约束、平滑、安全且高效的可行路径 ，通常分为“路径规划”和“轨迹规划”两步：路径规划负责找到一条无碰撞的几何路径（走哪条路），而轨迹规划则在此基础上，为路径赋予时间信息，明确每个时刻的具体位置、速度和姿态（这条路怎么走）。

目前主流的规划方法可分为五大类，各有千秋，下表总结了它们的关键特征

1

基于图搜索

核心思想

将连续的空间离散化为由“节点”和“边”构成的图（如网格地图），然后在图上运行搜索算法，寻找从起点到终点的最优路径。

主要算法

• Dijkstra算法 ：典型的“广度优先”策略，能保证在有权图中找到最短路径，但需要遍历所有节点，效率较低。
• A*算法 ：在Dijkstra基础上引入了启发函数（预估到终点的距离），搜索更具方向性，在保证最优性的同时大大提高了搜索效率，是目前最主流的图搜索算法之一。
• D / D Lite算法：专门用于动态环境，当环境发生变化（如出现新障碍物）时，能高效地局部修复原有路径，无需完全重新规划。

优点与不足

优点在于 能保证找到全局最优解 ，且理论基础扎实，实现相对简单， 缺点 是计算量随地图规模指数级增长，在高维空间中效率低下，且离散化过程会丢失精度。

适用场景

广泛用于静态环境下的全局路径规划 ，例如手机地图导航、城市交通规划等。其变种D*算法适用于需要应对突发障碍的 动态环境 ，如自动驾驶和机器人导航。

2

基于采样

核心思想

不在整个空间搜索，而是在构型空间中随机采样点，然后连接这些点构建路径图，能高效处理高维复杂问题。

主要算法

• PRM (概率路图法) ：分为学习阶段和查询阶段，先随机采样大量点，连接近邻点构成路径网络图，再用A*等算法在图里搜索路径。适合 单次建模、多次查询 的场景。
• RRT (快速扩展随机树) ：从起点开始随机采样并生长，像树一样快速探索空间，直到到达目标。适合 单次查询 的实时规划。
• RRT *：RRT的改进版，在扩展过程中会重新连接节点，能保证路径的 渐进最优性 ，即采样次数越多，找到的路径越接近最优解。

优点与不足

优点是 在高维、复杂的配置空间中效率高 ，具有概率完备性（采样足够多一定能找到解），缺点 是随机性导致路径通常 非最优 ，且生成的轨迹往往不够平滑，需要后续平滑处理。

适用场景

非常适合处理 高自由度、工作空间复杂 的机器人运动规划问题，如机械臂在杂乱环境中的避障路径搜索。

3

基于插值与曲线

核心思想

不是直接搜索路径，而是通过数学函数（如多项式、样条）直接生成平滑轨迹。它通常假设已经知道一系列需要经过的路径点（waypoints）。

主要算法

• 多项式插值 ：用一个多项式来拟合从起点到终点的轨迹， 三次多项式 是最简单的，能保证位置和速度连续；而 五次多项式 还能额外保证加速度连续，运动更加平滑，适合对冲击有严格要求的场景。
• 样条插值 ：为了更灵活地拟合多个路径点，样条曲线由多个低阶多项式（如三次样条）分段构成，保证整体轨迹的二阶导数（加速度）连续，且局部修改不影响整体，非常实用。

优点与不足

优点在于生成的轨迹平滑性好 ，速度和加速度曲线连续，易于控制，缺点是这种方法本身不具备“规划”和“避障”能力，其路径依赖于用户输入的路点。

适用场景

广泛应用于对运动平稳性要求极高的场景，如工业机械臂的高精度搬运、装配和焊接等。在自动驾驶中，也常用于生成车道变换时的平滑曲线。

4

基于优化

核心思想

将轨迹规划建模成一个优化问题，设定一个包含安全、平滑、能耗等多重目标的目标函数，并满足机器人动力学、避障等约束，通过求解该问题来得到最优轨迹。

主要算法

包括 直接优化法 （如基于梯度的优化）， 模型预测控制 (MPC) ，以及处理复杂约束的 GCS (图-凸)优化 等。

优点与不足

优点是能 综合平衡多种复杂约束 ，求解质量高，生成的轨迹通常平滑且满足动力学。 缺点 是计算复杂度高，对初值敏感，且容易陷入局部最优解。

适用场景

适用于追求 高性能、高精度 的复杂场景，例如，在自动驾驶中用于生成考虑舒适性、效率和安全的轨迹；在航空航天中用于计算燃料最优的飞行路径。

5

局部规划与反应式避障

核心思想

这类方法通常不依赖完整地图，而是依靠实时传感器信息进行短视的路径规划，主要用于应对 动态和未知环境 中的避障。

主要算法

• 动态窗口法 (DWA) ：这是移动机器人中最常用的局部规划算法之一，通过 速度空间采样 ，模拟多种可能的运动轨迹，并根据安全、效率和目标方向等标准，选择最优轨迹执行。
• 人工势场法 (APF) ：通过构建虚拟的引力场（吸引机器人到目标）和斥力场（避开障碍物），让机器人在合力作用下运动。算法简单高效，但容易陷入局部最小值（死锁）。

优点与不足

优点 是实时性极强，能快速响应环境变化。 缺点 是视野有限，容易陷入局部最优，如无法走出“U”型障碍。

适用场景

广泛应用在 动态或未知环境 中，如自动驾驶、服务机器人的实时避障。实际应用中常与全局规划结合，由A*等算法提供全局路线，DWA负责局部避障，实现优势互补。

6

典型组合策略（以机械臂为例）

实际工业应用中，很少单一算法打天下，常见组合如下：

方案1：离线全局规划 + 在线局部平滑

• 步骤： ① 在已知环境地图中，用 A* 或 RRT* 在配置空间中找到无碰撞路径（可能折线化、不平滑）。 ② 用 五次样条 或 贝塞尔曲线 对路径进行平滑，保证速度、加速度连续。 ③ 将平滑后的轨迹发送给控制器执行。
• 适用：焊接、喷涂、装配等静态环境任务。

方案2：基于优化的实时重规划

• 步骤： ① 使用 模型预测控制(MPC) 框架，在每个控制周期内求解一个短时域的优化问题，生成未来若干步的最优轨迹。 ② 可融合传感器反馈，实时修正轨迹应对微小扰动或障碍物移动。
• 适用：动态环境、力控装配、人机协作。

方案3：路径点示教 + 样条插值（最传统的工业方式）

• 步骤： ① 操作员通过示教盒手动移动机械臂到关键点并记录。 ② 控制器自动用 三次样条 或 B样条 生成通过所有点的平滑轨迹。 ③ 可选：调整张量参数控制曲线局部形状。
• 适用：绝大多数传统工业机器人（如焊接、涂胶、去毛刺）。

按典型任务类型的算法推荐

7

总结

没有一种轨迹规划算法是“万能”的， 选择哪种方法，需要在“最优性”、“效率”和“平滑性”之间做出权衡 。在实际移动机器人的复杂系统中，常采用 分层规划 的策略：由A*或PRM等算法负责 全局 的粗粒度导航，再由DWA或轨迹优化等算法负责 局部 的精细控制与避障，从而兼顾系统的性能与鲁棒性。

• 静态、无避障、示教型：选 样条插值
• 静态、有避障、自动规划：选 RRT + 平滑
• 动态、需实时响应：选 全局A* + 局部DWA 或 MPC
• 追求极致性能（时间/能耗/精度）：选 轨迹优化