4. 轨迹生成：多项式插值、贝塞尔曲线、B样条曲线

好，咱们进入轨迹生成这个核心环节。说白了，规划器算出来的路径只是一堆离散的点，比如「从A到B，中间经过C、D、E」。但机器人真正要动起来，需要一条连续、平滑的曲线——这就是轨迹生成要干的事。

我个人习惯把轨迹生成分成三类：多项式插值、贝塞尔曲线、B样条曲线。它们各有各的脾气，也各有各的适用场景。咱们一个一个聊。

4.1 多项式插值：最朴素，也最直接

多项式插值，说白了就是「给一堆点，用一条多项式曲线把它们串起来」。最常见的做法是五次多项式插值，因为它能同时约束位置、速度、加速度。

我在项目中遇到过一个问题：用三次多项式插值做机械臂的关节轨迹，结果末端执行器在拐点处抖得厉害。后来换成五次多项式，瞬间就稳了。为什么？因为五次多项式能保证加速度连续，而三次多项式只能保证速度和位置连续。

求解这六个系数，需要六个边界条件：起始和终止的位置、速度、加速度。写成矩阵形式就是：

// 边界条件示例
q(0) = q_start,   q(T) = q_end
q'(0) = v_start,  q'(T) = v_end
q''(0) = a_start, q''(T) = a_end

嗯，这里要注意：如果路径点太多，用高阶多项式会出问题——龙格现象。你想想看，一个10阶多项式在端点附近会剧烈震荡，机器人根本没法跟。所以实际工程中，我更推荐用分段多项式，比如每两个路径点之间用一段五次多项式，然后在连接处保证二阶连续。

4.2 贝塞尔曲线：直观，但全局牵一发动全身

贝塞尔曲线，做图形学的朋友肯定不陌生。它的核心思想是：用一组控制点来「拉扯」曲线。控制点越多，曲线越复杂。

我个人觉得贝塞尔曲线最大的优点是直观。你拖动一个控制点，曲线会朝着那个方向弯曲，非常符合直觉。在机器人轨迹规划里，我常用它来做路径平滑——把折线路径的拐角用贝塞尔曲线圆角化。

但贝塞尔曲线有个硬伤：全局性。你移动任何一个控制点，整条曲线都会变。这在实时调整轨迹时很要命。比如你正在规划一条避障路径，突然发现中间某个控制点需要微调，结果整条曲线都变了，可能又撞到别的障碍物。

// 三次贝塞尔曲线公式
B(t) = (1-t)³P₀ + 3(1-t)²tP₁ + 3(1-t)t²P₂ + t³P₃
// t ∈ [0, 1]

4.3 B样条曲线：工业界的首选

B样条曲线，说白了就是「分段贝塞尔曲线的升级版」。它解决了贝塞尔曲线的全局性问题——每个控制点只影响曲线的一小段。这才是工业机器人、数控机床、自动驾驶里最常用的方案。

我记得第一次接触B样条是在做协作机器人轨迹规划时。当时需要一条能实时调整的平滑曲线，贝塞尔曲线搞不定，多项式插值又太死板。后来换成B样条，问题迎刃而解。

B样条有几个关键参数：

• 阶数 p：决定了曲线的平滑度。p=3是三次B样条，能保证C²连续（加速度连续）。
• 控制点 Pᵢ：你拖拽的点，每个点只影响局部。
• 节点向量 U：决定了曲线在参数空间里的分段位置。

你想想看，如果我想让机器人经过某个精确位置，只需要在那个位置附近多放几个控制点，或者使用准均匀B样条（两端节点重复p+1次）。这样曲线就会精确经过首尾控制点，而中间段依然保持平滑。

4.4 三种方法的对比与选择

咱们用一张表来总结一下：

特性	多项式插值	贝塞尔曲线	B样条曲线
局部控制	否（全局）	否（全局）	是（局部）
连续性	可调（阶数决定）	Cⁿ（n为阶数）	Cᵖ⁻¹（p为阶数）
计算复杂度	低	低	中
实时调整	困难	困难	容易
适用场景	简单路径、关节空间	路径平滑、可视化	工业机器人、自动驾驶

我个人建议：新手先从多项式插值入手，理解轨迹生成的本质。然后过渡到B样条，因为它是工程中最实用的。贝塞尔曲线嘛，可以当作一个中间桥梁，帮你理解B样条的原理。

4.5 知识体系结构图

下面这张图展示了本章的核心逻辑：

嗯，这张图把三种方法的核心特性都串起来了。你可以看到，从多项式到贝塞尔再到B样条，其实是一个「控制能力逐渐增强」的过程。多项式插值最基础，B样条最灵活。

好了，轨迹生成这块就聊到这儿。记住一句话：没有最好的方法，只有最合适的场景。下次你遇到轨迹规划问题，先问问自己：我需要局部控制吗？需要实时调整吗？需要多高的连续性？想清楚这些，选哪种方法自然就明白了。