一、课程导论与数学基础：轨迹规划在机器人/数控中的核心地位
大家好，我是你们这门课的主讲。在运动控制这个行当摸爬滚打了十几年，我越来越觉得，轨迹规划就是整个系统的灵魂。你想想看，电机选得再好，驱动器响应再快，如果轨迹规划做得稀烂，那机器人走出来的路径就像喝醉了酒——抖、冲、过冲，甚至直接撞机。
我个人习惯把轨迹规划比作「给运动写剧本」。硬件是演员，控制算法是导演，而轨迹规划就是那个剧本。剧本写得好，演员演得顺，观众（也就是你的产品）才满意。
1.1 轨迹规划在机器人/数控中的核心地位
先说说数控机床。我记得刚入行时跟一个老钳工师傅聊天，他说：「你们搞电的，编的程序能不能让刀别那么『愣』？」他说的「愣」，就是轨迹规划没做好——加减速太猛，刀具在拐角处硬生生地切进去，工件表面全是振纹。
在机器人领域更是如此。你让一个六轴机器人去抓取一个鸡蛋，如果轨迹规划不考虑关节限位、速度平滑，那结果就是——蛋碎了一地。我曾经在项目现场见过，一个新手工程师写的轨迹，让机器人在奇异点附近疯狂抖动，吓得甲方直接叫停。
说白了，轨迹规划要解决三个核心问题：
- 走哪条路？ —— 路径规划（几何问题）
- 怎么走？ —— 速度/加速度规划（时间问题）
- 走得好不好？ —— 最优性评价（指标问题）
嗯，这里要注意：很多人把路径规划和轨迹规划混为一谈。路径只关心空间形状，轨迹则加上了时间维度。你想想看，同样的路径，用1秒走完和用10秒走完，完全是两码事。
1.2 最优控制问题的数学描述
好，现在我们把问题抽象成数学语言。为什么要这么做？因为只有数学才能让我们精确地「算」出最优解，而不是靠感觉去调参数。
一个标准的最优控制问题，通常包含三个要素：
| 要素 | 数学表示 | 通俗理解 |
|---|---|---|
| 目标函数 | \( J = \int_{t_0}^{t_f} L(x,u,t) dt + \Phi(x(t_f)) \) | 你想让什么最小？时间？能耗？冲击？ |
| 状态方程 | \( \dot{x} = f(x,u,t) \) | 系统怎么动？动力学模型 |
| 约束条件 | \( g(x,u,t) \leq 0 \) | 电机限速？关节限位？力矩上限？ |
举个例子。我在做一个高速拾放机器人项目时，目标函数是「最小化运动时间」，状态方程是电机的二阶动力学模型，约束包括最大速度、最大加速度、以及末端执行器的位置精度要求。你看，这就是一个典型的最优控制问题。
1.3 泛函与变分法基础
说到最优控制，就绕不开泛函和变分法。很多同学一听这个就头疼，觉得太数学了。其实没那么可怕。
泛函是什么？ 说白了，就是「函数的函数」。普通函数输入一个数，输出一个数。泛函输入一个函数，输出一个数。比如你的轨迹 \( x(t) \) 是一个函数，那么运动时间 \( T = \int dt \) 就是一个泛函——它依赖于你选择的轨迹函数。
变分法又是什么？ 就是求泛函的极值。类比一下：普通函数求极值，我们求导数等于零的点。泛函求极值，我们求变分等于零的函数——这就是著名的欧拉-拉格朗日方程。
欧拉-拉格朗日方程长这样：
∂L/∂x - d/dt(∂L/∂ẋ) = 0其中 \( L \) 是拉格朗日函数，\( x \) 是状态，\( ẋ \) 是状态导数。这个方程告诉我们：最优轨迹必须满足这个条件。
我记得第一次推导这个方程时，花了一整个下午。但当你真正理解它之后，你会发现——原来很多工程直觉，都可以用这个方程来验证。比如为什么S型速度曲线比梯形曲线更平滑？因为S型曲线在变分意义上更优。
1.4 本章知识体系总览
为了让大家对本章内容有个整体把握，我画了一张图。这张图展示了轨迹规划在整个运动控制中的位置，以及我们后续章节要展开的核心逻辑。
这张图你看懂了吗？从上到下，运动控制系统分为三层。我们这门课聚焦在轨迹规划层，而本章的数学基础——泛函、变分法、最优控制理论——就是支撑整个轨迹规划大厦的地基。
好，这一章的内容就到这里。数学基础打牢了，后面我们才能放开手脚去实战。记住：工程直觉很重要，但数学能让你走得更远。