第一章：航迹规划入门
1.1 什么是航迹规划？
航迹规划，说白了就是让机器人自己找到一条路。
这条路得满足几个条件：
从A点走到B点，不能撞墙，还得走得漂亮。
我刚开始接触这行时，觉得这不就是寻路吗？
后来才发现，事情远没那么简单。
你想想看，一个无人机在楼宇间穿梭，
一辆自动驾驶汽车在十字路口转弯，
一台扫地机器人在客厅里绕开拖鞋——
这些场景背后，都是航迹规划在起作用。
我个人习惯把航迹规划拆成三个层次：
- 全局规划：先看地图，找一条大致的路径
- 局部规划：边走边看，避开突然出现的障碍物
- 轨迹优化：让路径更平滑，更省时，更安全
核心定义：航迹规划 = 在约束条件下，寻找从起点到终点的最优或可行路径。
1.2 航迹规划的应用领域
这三个领域，我都有幸参与过。
每个领域都有自己的脾气。
无人机
无人机航迹规划，最头疼的是三维空间。
高度、风速、禁飞区，都得考虑。
我在项目中遇到过一件事：
一架测绘无人机，规划好的路径被一棵突然长高的树挡住了。
嗯，你没听错，树长高了——因为季节变化。
从那以后，我养成了一个习惯：
做无人机规划时，一定要留出安全余量。
- 农业植保：规划喷洒路径，避免重复或遗漏
- 电力巡检：沿电线飞行，避开铁塔和树木
- 物流配送：在楼宇间穿行，寻找最佳降落点
机器人
地面机器人，尤其是移动机器人，
航迹规划的核心是「避障」。
我记得有一次调试AGV小车，
它总是卡在一个货架旁边，原地打转。
后来发现，是规划算法把货架腿当成了墙。
避坑指南：
我曾经以为传感器数据越精确越好，
后来才明白，噪声处理比精度更重要。
- 仓储物流：多机器人协同，避免碰撞
- 家庭服务：扫地机器人，规划全覆盖路径
- 医疗辅助：手术机器人，规划微创路径
自动驾驶
自动驾驶的航迹规划，是最复杂的。
因为它面对的是「人」——不可预测的交通参与者。
你想想看，一个行人突然横穿马路，
一辆自行车突然变道，
这些场景，算法都得处理。
我建议初学者先从简单场景入手：
比如高速公路巡航，再慢慢过渡到城市道路。
- 车道保持：沿车道线行驶，不压线
- 变道超车：判断安全间隙，完成变道
- 路口通行：处理红绿灯、行人、其他车辆
| 领域 | 核心挑战 | 典型算法 |
|---|---|---|
| 无人机 | 三维空间、动态障碍 | A*、RRT* |
| 机器人 | 实时避障、多机协同 | DWA、TEB |
| 自动驾驶 | 交通规则、不确定性 | Lattice Planner、EM Planner |
1.3 航迹规划的核心挑战
做航迹规划这么多年，
我总结出三个绕不开的坎：
动态环境
环境是活的，不是死的。
你今天测绘的地图，明天可能就变了。
一个临时施工，一个突然出现的行人，
都会让规划好的路径失效。
怎么办？
两种思路：
- 重规划：发现障碍后，重新算一条路
- 局部调整：在原有路径上微调，绕过障碍
我个人更倾向于第二种。
因为重规划太耗时，尤其在实时性要求高的场景。
小技巧：做动态环境规划时，可以给障碍物加一个「膨胀层」。
这样即使传感器有误差，也不会撞上。
实时性
算法跑得慢，等于没用。
我记得有一次做无人机编队表演，
规划算法算一条路径要2秒。
但无人机每秒飞10米，2秒后它已经飞出20米了。
这显然不行。
实时性的要求，因场景而异：
- 自动驾驶：毫秒级响应
- 无人机：百毫秒级
- 扫地机器人：秒级也可以接受
我建议初学者先别追求最优解，
先保证「能跑」，再谈「跑得好」。
最优性
什么是最优？
最短路径？最省时间？最安全？
其实，最优是一个多目标问题。
你想想看，
最短路径可能经过拥堵路段，
最安全路径可能绕远路，
最省时路径可能油耗高。
所以，实际工程中，
我们往往是在「可行解」里找「满意解」。
避坑指南：
我曾经在一个项目里死磕最优解，
结果算法复杂度太高，根本跑不起来。
后来改用启发式算法，虽然路径长了5%，但实时性提升了10倍。
注意：不要为了追求理论上的最优，牺牲工程上的可行性。
在航迹规划里，「够用」往往比「最优」更重要。
1.4 知识体系总览
这一章的内容，我用一张图来总结：
这张图展示了航迹规划的核心框架：
三个挑战 + 三个领域 + 典型算法。
后面的章节，我们会逐一深入。
从基础算法开始，一步步走到实战应用。
嗯，第一章就到这里。
记住一句话：航迹规划不是数学题，是工程问题。
先跑起来，再跑好。
公众号:蓝海资料掘金营，微信deep3321