课程导论：为什么需要对比轨迹规划算法？

各位同学好，我是你们这门课的主讲。说实话，做了这么多年机器人轨迹规划，我见过太多人一上来就抱着某个算法死磕，觉得「这个最牛」。结果呢？项目一换场景，算法直接崩了。

所以这门课的第一讲，咱们先聊聊最根本的问题——为什么要费劲去对比不同的轨迹规划算法？

1. 没有银弹：每个算法都有自己的脾气

你想想看，A* 在静态环境里跑得飞快，但换个动态障碍物多的仓库，它可能就卡成狗。RRT* 能保证渐进最优，但生成的那条路径，有时候弯弯绕绕得连机器人自己都看不懂。

我个人习惯是，拿到一个新项目，先不急着写代码。先问自己三个问题：

• 这个场景对实时性要求有多高？（比如无人机避障，毫秒级必须出结果）
• 能量预算够不够？（比如火星车，多转一个弯可能就多耗电）
• 安全性是第一优先级吗？（比如手术机器人，哪怕慢一点，也绝对不能撞）

你看，不同场景下，算法的「好」与「坏」完全是两码事。没有对比，你根本不知道哪个算法适合你的场景。

2. 课程目标：帮你建立「算法选型」的直觉

这门课的目标很明确——不是让你背下所有算法的公式，而是让你拿到一个实际轨迹规划问题时，能快速判断：

• 该用基于搜索的（如 A*、Dijkstra），还是基于采样的（如 RRT、PRM）？
• 该用优化方法（如 CHOMP、TrajOpt），还是用深度学习端到端？
• 如果场景变了，我的算法需要改哪里？

说白了，就是帮你建立一套「算法选型」的直觉。我在项目中遇到过太多次，选错算法导致整个项目延期的情况。嗯，这门课就是帮你避这些坑的。

3. 评估指标体系：四个维度看透算法本质

要对比，总得有个标准吧？我一般从四个维度来评估一个轨迹规划算法。这四个维度，你记好了，后面每一章都会用到。

3.1 时间（Time）

这个最好理解。算法从输入到输出花了多久？机器人执行这条轨迹又花了多久？

• 计算时间：算法本身的耗时。比如 RRT* 在复杂环境里可能要算好几秒，而 A* 可能几十毫秒就出结果了。
• 执行时间：机器人实际跑完这条轨迹的时间。有时候算法算得快，但给出的轨迹绕远路，执行时间反而更长。

我记得有一次做仓储机器人项目，A* 算得飞快，但轨迹全是直角转弯，机器人每次都要停下来调整方向。最后执行时间反而比用 RRT* 慢了一倍。你看，光看计算时间是不够的。

3.2 能量（Energy）

这个维度，做移动机器人的同学容易忽略。但对于无人机、水下机器人、火星车这些场景，能量就是生命线。

• 路径长度：越短越省能量，但有时候最短路径反而需要频繁加减速，能量消耗更大。
• 加速度变化：频繁的急加速、急减速，电机效率会下降，能量浪费严重。
• 转弯次数：每转一次弯，机器人就要克服惯性，多耗能。

我建议你在评估能量指标时，别只看路径长度。最好用仿真跑一下，看看电机的实际功耗曲线。

3.3 平滑度（Smoothness）

平滑度，说白了就是轨迹「顺不顺」。一条不平滑的轨迹，机器人跑起来会一抖一抖的，不仅体验差，还容易损坏机械结构。

• 曲率连续性：轨迹的曲率是否连续变化？如果曲率突变，机器人就得急转弯。
• 加加速度（Jerk）：加速度的变化率。Jerk 越大，机器人抖动越厉害。
• 路径曲率：转弯半径是否合理？太小的转弯半径，机器人可能根本转不过去。

我曾经做过一个机械臂抓取项目，用 RRT 规划出来的路径，关节角速度变化像过山车一样。后来加了平滑优化，抓取成功率从 60% 直接升到了 95%。

3.4 安全性（Safety）

这个不用多说，安全永远是第一位的。但「安全」怎么量化？

• 与障碍物的最小距离：轨迹上离障碍物最近的点有多远？
• 碰撞概率：如果障碍物位置有不确定性，算法能否保证安全？
• 紧急停止能力：如果突然出现障碍物，算法能否在安全距离内停下来？

4. 知识体系总览：一张图看懂

下面这张图，是我自己总结的轨迹规划算法对比分析的知识框架。你可以把它当作这门课的「地图」。

5. 这门课怎么学？

我建议你按顺序来，但不用死磕。如果某个算法你已经在项目里用得很熟了，可以快速过一遍，重点看对比分析的部分。

• 每章我都会给出一个具体的对比案例，用真实数据说话。
• 代码示例我会尽量精简，让你能直接跑起来看效果。
• 避坑指南我会用「我曾经...」的形式分享，都是真金白银换来的教训。

好了，导论就到这里。下一章我们直接进入第一个算法——A* 的深度剖析。到时候我会拿一个实际项目的数据，带你看看 A* 在时间、能量、平滑度、安全性四个维度上的真实表现。