3. 路径-时间解耦法：将轨迹规划拆分为路径规划与速度规划两个子问题

说实话，我刚入行那会儿，面对轨迹规划问题，总想着一步到位——直接算出一条带时间信息的轨迹。结果呢？要么算法复杂到跑不动，要么解出来的轨迹根本没法用。后来一位老前辈点醒了我：把路径和速度分开考虑。这就是我们今天要聊的路径-时间解耦法。

3.1 为什么要解耦？

你想想看，一个完整的轨迹包含两个维度：空间路径和时间进程。如果同时优化这两个维度，问题会变得非常复杂。我曾在某个项目中尝试过直接求解最优轨迹，结果优化变量太多，求解器直接罢工了。

解耦的核心思想很简单：

• 先规划路径：只关心机器人走什么形状的路线
• 再规划速度：在固定路径上，决定什么时候加速、什么时候减速

这样做的好处很明显——每个子问题的复杂度都大大降低。说白了，就是把一个硬骨头拆成两块，一块一块啃。

3.2 路径规划子问题

路径规划的目标是找到一条从起点到终点的几何曲线。注意，这里我们只关心空间形状，不关心速度。

常见的路径表示方式有：

表示方式	特点	适用场景
多项式曲线	光滑、计算简单	点到点运动
B样条曲线	局部可控、连续性好	复杂路径、避障
贝塞尔曲线	直观、凸包性质好	视觉引导、交互设计
分段线性路径	简单、容易实现	AGV、仓储机器人

我个人习惯用B样条曲线。为什么？因为它的局部可控性太香了。我在做焊接机器人项目时，经常需要微调路径的某一段，B样条只需要调整几个控制点，其他部分完全不受影响。换成多项式曲线？那得重新算一遍。

3.3 速度规划子问题

路径定好了，接下来就是速度规划。这一步的目标是：在给定的路径上，确定每个时刻的速度和加速度。

速度规划的核心约束有三个：

1. 运动学约束：最大速度、最大加速度不能超
2. 动力学约束：电机扭矩、关节力矩有限
3. 任务约束：比如末端执行器在抓取时必须低速

我曾经犯过一个错误：只考虑了运动学约束，忽略了动力学。结果路径跑起来，电机直接过载报警。嗯，从那以后我再也不敢忽略动力学了。

常见的速度规划方法：

• 梯形速度规划：加速-匀速-减速三段式，简单粗暴
• S形速度规划：加加速度连续，运动更平滑
• 时间最优速度规划：在约束下尽可能快，适合节拍要求高的场景

3.4 解耦法的完整流程

下面这张图展示了路径-时间解耦法的完整流程：

3.5 代码示例：简单的路径-时间解耦实现

下面是一个Python示例，演示了如何用解耦法生成一条轨迹：

import numpy as np

# ========== 路径规划：生成B样条路径 ==========
def generate_path(waypoints, num_points=100):
    """
    用B样条生成平滑路径
    waypoints: 控制点列表 [(x1,y1), (x2,y2), ...]
    """
    # 简化实现：用三次多项式插值
    t = np.linspace(0, 1, num_points)
    path_x = np.interp(t, np.linspace(0, 1, len(waypoints)), 
                       [p[0] for p in waypoints])
    path_y = np.interp(t, np.linspace(0, 1, len(waypoints)), 
                       [p[1] for p in waypoints])
    return np.column_stack((path_x, path_y))

# ========== 速度规划：梯形速度曲线 ==========
def generate_velocity(path_length, max_v=1.0, max_a=0.5):
    """
    在固定路径长度上生成梯形速度曲线
    path_length: 路径总长度
    """
    # 计算加速段和减速段
    t_acc = max_v / max_a
    d_acc = 0.5 * max_a * t_acc**2
    
    if 2 * d_acc >= path_length:
        # 来不及加速到最大速度，三角形速度曲线
        t_acc = np.sqrt(path_length / max_a)
        t_const = 0
    else:
        # 梯形速度曲线
        d_const = path_length - 2 * d_acc
        t_const = d_const / max_v
    
    total_time = 2 * t_acc + t_const
    return total_time, t_acc, t_const

# ========== 主流程 ==========
waypoints = [(0, 0), (1, 2), (3, 3), (5, 1)]
path = generate_path(waypoints)
path_length = np.sum(np.linalg.norm(np.diff(path, axis=0), axis=1))

total_time, t_acc, t_const = generate_velocity(path_length)
print(f"路径长度: {path_length:.2f}")
print(f"总时间: {total_time:.2f}s")
print(f"加速时间: {t_acc:.2f}s, 匀速时间: {t_const:.2f}s")

3.6 解耦法的优缺点

任何方法都有两面性。解耦法也不例外：

优点	缺点
算法简单，计算量小	无法同时优化路径和速度
模块化设计，便于调试	可能错过全局最优解
适合实时性要求高的场景	路径和速度的耦合被忽略
工程实现成熟，资料丰富	对复杂约束处理能力有限

我记得有一次做协作机器人项目，要求末端执行器在搬运过程中保持姿态稳定。解耦法就有点吃力了——因为路径和速度的耦合在这里很重要。最后我改用了一种迭代优化方法，才勉强满足要求。

所以我的建议是：如果你的场景是典型的点到点运动，或者对实时性要求很高，解耦法绝对够用。但如果你的任务涉及复杂的动力学耦合，那可能需要考虑更高级的方法。