4. 轨迹优化目标函数：时间最优、能量最优、平滑性最优、多目标优化
聊到轨迹优化，其实核心就一句话：我们到底想让机器人怎么动？
是越快越好？还是越省电越好？还是动作看起来像人类一样丝滑？
嗯，这背后就是目标函数在起作用。我做了这么多年机器人，见过太多团队一上来就怼优化算法，结果目标函数没定义清楚，折腾半天全白费。今天咱们就把这四种最常见的优化目标掰开揉碎讲清楚。
4.1 时间最优：让机器人跑得飞快
时间最优，说白了就是让机器人从A点到B点，花的时间最短。
这在工业场景里特别常见。比如流水线上的抓取动作，每快0.1秒，一天就能多产几百个零件。我当年在汽车焊装线项目里，客户要求节拍必须压缩到3.2秒以内，那时候真是被时间最优逼得头发都少了一半。
数学上，时间最优的目标函数长这样：
J_time = ∫₀ᵀ 1 dt = T嗯，你没看错，就是积分1。从0到T，积分结果就是总时间T。我们要最小化这个T。
但这里有个坑——时间最优往往伴随着剧烈的加速度变化。你想想看，要让时间最短，电机就得拼命加速、急刹车。结果就是：
- 关节冲击大，齿轮容易坏
- 末端抖动明显，精度下降
- 能耗飙升，电机发热严重
4.2 能量最优：省电才是硬道理
能量最优的目标，是让机器人消耗的总能量最小。
对于移动机器人或者无人机来说，这直接决定了续航能力。我有个朋友做物流AGV，他们算过一笔账：能量效率每提升5%，一天就能多跑2小时，一年省下来的电费够买两台新机器人了。
能量最优的典型目标函数：
J_energy = ∫₀ᵀ (τ² · q̇²) dt其中τ是关节力矩，q̇是关节速度。说白了，就是力矩和速度的乘积积分，代表瞬时功率。
但这里有个有意思的现象：能量最优的轨迹往往不是最平滑的。为什么？因为有时候稍微"抖"一下，反而能利用惯性省力。就像你骑自行车上坡前先猛蹬几下，利用惯性冲上去，比匀速踩更省力。
4.3 平滑性最优：让动作看起来像人
平滑性最优，追求的是加速度变化率（也就是加加速度，Jerk）最小。
为什么要关注这个？因为人眼对加速度变化特别敏感。你想想看，一个机器人如果突然加速又突然减速，哪怕幅度不大，看起来也特别"机械"、特别生硬。
平滑性最优的目标函数：
J_smooth = ∫₀ᵀ (jerk²) dt = ∫₀ᵀ (q̇̇̇²) dt最小化加加速度的平方积分，能让轨迹的加速度变化非常平缓。
我在做人形机器人步态规划时，对这个体会特别深。如果只优化时间和能量，机器人走起来就像个醉汉——东倒西歪的。但加上平滑性约束后，步态立马变得自然，甚至能骗过外行人的眼睛。
4.4 多目标优化：成年人不做选择
现实世界里，我们很少只优化一个目标。时间、能量、平滑性，往往要同时考虑。
多目标优化的通用形式：
J_total = w₁ · J_time + w₂ · J_energy + w₃ · J_smooth其中w₁、w₂、w₃是权重系数，代表你对各个目标的重视程度。
举个例子：
| 应用场景 | w₁（时间） | w₂（能量） | w₃（平滑性） |
|---|---|---|---|
| 工业码垛 | 0.6 | 0.2 | 0.2 |
| 服务机器人 | 0.1 | 0.3 | 0.6 |
| 手术机器人 | 0.05 | 0.05 | 0.9 |
你看，不同场景下权重完全不同。手术机器人几乎只关心平滑性，因为哪怕一丁点抖动都可能造成危险。而工业码垛则更看重时间，毕竟效率就是钱。
4.5 知识体系总览
下面这张图，是我自己总结的轨迹优化目标函数的知识框架，你可以对照着理解：
这张图把四个目标函数的关系梳理得很清楚。你看，它们最终汇聚到"权衡"这个核心节点上。说白了，没有完美的轨迹，只有最适合场景的轨迹。
4.6 实际项目中的选择策略
说了这么多理论，最后分享一点实战经验。
我现在的习惯是：先做单目标优化，再做多目标权衡。
具体来说：
- 先分别算出时间最优、能量最优、平滑性最优的轨迹
- 看看这三个轨迹的差异有多大
- 根据实际需求，调整权重系数
- 用交叉验证的方式，检查不同权重下的轨迹质量
举个例子，我之前做协作机器人喷涂轨迹时，先算出来时间最优轨迹只要8秒，但末端抖动太大，喷出来的漆面不均匀。平滑性最优轨迹要15秒，漆面完美但太慢。最后我取了w₁=0.3、w₂=0.1、w₃=0.6，得到一条11秒的轨迹，漆面质量达标，效率也能接受。
这就是多目标优化的魅力——它不是找一个"最好"的解，而是找一个"最合适"的解。
公众号:蓝海资料掘金营，微信deep3321