运动规划寻找通过受限空间连接起点和目标的有效方法。轨迹优化调整有限的状态和控制表示，以降低成本并满足约束。基于抽样的规划通常更擅长发现不同路径；局部轨迹优化通常更擅长完善有用的初始路径。
这两个术语在软件和研究领域有重叠，但这种区分有助于系统设计。几何路径可能省略时间和动力学。轨迹包含时间，而动态可行轨迹则遵循运动方程、控制方程和状态极限。没有反馈和更新的环境模型，这两种结果都无法保证准确执行。
本指南应与 机器人模拟器比较 及 运动学与动力学指南结合使用。评估从世界模型到跟踪硬件运动的完整流程。
分别定义路径、轨迹和策略
路径是通过配置或状态空间的序列或连续曲线，没有执行计划。时间参数化创建速度和加速度的参考。轨迹可以包含状态和时间控制。策略将观察到的状态映射到动作，并能在区域内做出反应，而不仅仅是重放一个名义动作。
这些输出支持不同的主张。无碰撞路径点不一定是动态可行的，且开环优化轨迹不一定是稳健的。陈述执行中计划的空间、时间表示、控制变量和反馈。
基于抽样的规划搜索连通性
OMPL实现了随机几何和基于对照的规划器。其 规划工具 文档显示了不同的族类和问题假设。诸如RRT和PRM等方法，能够对样本状态进行连接，而不是从一个初始猜测中优化每个轨迹变量。
抽样可以探索更窄的备选方案和不同的同伦类，但成功和质量取决于状态空间、效度检查、范围、目标偏差和时间预算。返回的路径可能是锯齿状或稀疏的。通常在执行前需要后期处理和时间参数化。
| 财产 | 基于抽样的规划 | 轨迹优化 | 混合用途 |
|---|---|---|---|
| 主要实力 | 探索连接性 | 精炼成本与约束 | 搜索然后顺滑 |
| 初始化 | 起点与目标加采样器 | 初始轨迹或猜测 | 规划器提供种子 |
| 全球替代方案 | 通常覆盖更好 | 通常是本地的 | 试试几种种子 |
| 动力学 | 几何或控制变体 | 可以直接执行 | 按任务选择 |
| 输出质量 | 可能需要平滑处理 | 成本依赖的平滑性 | 验证最终轨迹 |
碰撞检查质量控制规划器的有效性
MoveIt的 运动规划文档 解释了其规划插件和碰撞模型的使用。规划器的准确性取决于机器人几何体、附加对象、环境更新以及检查状态之间使用的插值。
即使采样端点有效，粗边缘检查也可能漏掉细小障碍物。包括扫掠体积、刀具几何和自碰撞。记录碰撞分辨率和场景时间戳。添加校准误差、感知不确定性、跟踪误差和停止距离的余裕，而不是将零距离数学边界视为操作间隙。
轨迹优化将运动转化为非线性规划
MIT轨迹优化章节提出了有限视界状态和输入轨迹，并结合了动力学、目标和约束条件。直接转录或搭配在结点创建有限决策变量，并强制其间的离散动力学。
代价函数可以惩罚时长、控制作用和加加速度、跟踪误差或风险。约束可以强制起始与目标、碰撞距离、状态和输入界限、接触和动态。结果取决于转录、求解器容差和离散化。离散节点处满足约束，并不能自动证明节点之间的连续时间有效性。
初始化决定了找到哪种局部解
许多轨迹问题因障碍物、旋转、接触和非线性动力学而非凸。局部求解器可能收敛到其初始猜测编码的路线，或停留在较差的局部极小值，或报告不可行，尽管存在另一条路径。
使用采样规划器、人工演示、之前的解或粗略优化作为种子。为硬场景运行多个拓扑不同的种子。跟踪终止状态、目标、约束残差和时间。如果轨迹违反物理假设，数值上成本较小无关紧要。
几何规划和运动动力学规划有所不同
几何规划搜索配置，通常假设后续阶段可以计时路径。当动力学不是主要瓶颈时，它对许多操作任务有效。运动动力学规划在差分约束下搜索状态和控制，这对车辆、欠致动系统和高速运动尤为重要。
状态空间应依据被控对象选择，而非软件便利。即使几何点路径允许，汽车也无法侧向平移。重型机械臂可以缓慢地沿着几何路径移动，但不能以任意加速度移动。在最终计时阶段后验证可行性。
| 验证层 | 问题 | 度规 | 失效证据 |
|---|---|---|---|
| 几何 | 扫过的机器人是没有碰撞的吗？ | 最小距离 | 连续碰撞测试 |
| 运动学 | 关节点和奇点可以接受吗？ | 极限与条件裕度 | 全程采样 |
| 动力学 | 被控对象能产生这种运动吗？ | 转矩与控制残差 | 模型重赛 |
| 时间安排 | 速度和加速度是有限制的吗？ | 巅峰与连贯性 | 插值剖面 |
| 处决 | 反馈能安全追踪吗？ | 误差与制动距离 | 硬件试验 |
混合管道利用每种方法的强度
常见的流水线通过采样规划器找到无碰撞的路径，进行平滑或捷径处理，分配时间，并结合动态和任务成本优化轨迹。另一种方法是反复局部重新规划，同时保留全局导向。各阶段必须共享框架、几何体和约束。
每次平滑或优化阶段后，重新检查碰撞和极限。捷径可能切入障碍物，而时序可能暴露速度或转矩问题。保留原始和最终路径、求解器配置及场景版本以便诊断。
仿真测试算法，但不是所有硬件效应
Gazebo Sim 是一款用于建模传感器、动力学和环境的开放机器人模拟器。 项目库 支持可重复的集成测试、场景变化和碰撞实验。仿真对于在指挥硬件前进行广泛的故障探索非常有价值。
接触、摩擦、执行器饱和、延迟、校准和可变形障碍物可能与现实不同。验证规划器的几何形状与真实工具和夹具的关系，然后以降低速度和能量开始硬件测试。利用观察到的跟踪误差和停止距离设定余距。
动态环境需要对年龄进行重新规划
无碰撞轨迹在障碍物移动或感知变化后可能失效。记录用于规划的世界状态年龄。根据当前场景监控执行，并在剩余空间耗尽前触发减速、停止或重新规划。
重新规划延迟包括感测、融合、场景更新、规划时间、轨迹验证、控制器切换和执行器响应。测量整个链条及其抖动。如果尾延迟无上限，快速的中位数求解无法支持高速。
基准测试既解决质量问题，也关注执行结果
使用多样化的起始点、目标、障碍布局、种子和时间预算。衡量成功，解决时间分布、路径长度、净空、平滑度、约束残差、转矩裕度和重新规划。分别处理规划失败、验证失败和控制器执行失败。
在硬件上，添加跟踪误差、停止距离、接触、周期时间和恢复。保留失败的试验，而不是只报告最佳路径。最好的规划器是能够持续满足任务和证据范围的，而不是一个演示最快的。
评估“机器人运动规划与轨迹优化：搜索、成本与约束”时，还应保存模型版本、机器人配置、标定文件、测试日期和全部试验记录。把成功、失败、恢复与人工介入放在同一份数据中，才能区分模型能力、系统接口和现场流程造成的差异。
成本评估除了设备与算力，还要记录数据采集、工程调试、安全措施、维护、停机和人员培训。只有把这些持续投入与单位成功任务的价值比较，才能判断方案是否适合扩大。
上线后仍要持续检查分布变化、传感器漂移、机械磨损和人工接管原因。监测结果应能触发降级、停止与重新验证流程，并为下一轮数据采集和模型更新留下可追溯记录。
最终结论应明确写出已知限制、尚未验证的场景和下一项可证伪的实验，使后续团队能够沿着证据继续推进。
实际项目还应指定数据、模型、控制器和安全流程的负责人，并预先定义回滚条件。责任边界、审批记录与变更日志越清楚，故障发生后越容易停止扩散、定位原因并安全恢复。
- 定义计划状态、时间和控制变量。
- 以显式分辨率持续验证边缘。
- 使用多个种子进行非凸优化。
- 每次后期处理后重新检查约束。
- 测量世界国家年龄和端到端重新规划的延迟。
常见问题
运动规划和轨迹优化是一样的吗？
不。运动规划广泛寻求有效的联系，而轨迹优化则在成本和约束条件下数值细化参数化的时间运动。它们可以结合使用。
无碰撞路径包含计时吗？
不一定。几何路径可能没有速度或加速度。时间参数化和动态验证是分开的步骤。
为什么轨迹优化需要种子？
非凸目标和约束会生成局部解。初始猜测通常决定路径以及求解器是否收敛。
OMPL能强制执行动态吗？
OMPL具有几何和基于控制的规划器。所选规划器和状态传播模型决定是否表示差分约束。
硬件执行前必须检查哪些内容？
检查场景年龄、连续碰撞、关节、奇点、速度、加速度、转矩、插值、控制器接口、制动行为和操作余裕。
运动生成边界注释
求解器成功标志并不证明连续碰撞自由、物理可行性或安全执行。用当前几何形状、动力学、反馈和测量的停止行为验证最终插值轨迹。