斯坦福大学AA274A课程：机器人自主性原理——轨迹跟踪（2019年秋季）

（原标题：Stanford AA274A Principles of Robotic Autonomy | Autumn 2019 | Trajectory Tracking）

🎯 课程核心逻辑与架构

本视频内容围绕非线性控制系统中的轨迹规划与控制展开，重点阐述了如何利用微分平坦性简化计算，并结合闭环跟踪策略实现鲁棒的自主导航。整体教学逻辑遵循“开环规划+闭环修正”的两阶段设计范式，旨在解决复杂约束下的运动生成问题以及模型不确定性带来的稳定性挑战。

• 两阶段控制架构：课程核心方法论是将轨迹生成与状态反馈解耦。第一阶段利用微分平坦性将非线性动力学转化为代数多项式插值问题，快速生成满足边界条件的基准轨迹；第二阶段叠加闭环跟踪控制器，通过实时修正误差来抵消模型失配、外部噪声及初始条件偏差，确保系统最终收敛至目标状态。
• 动态规划与稳定性分析的区别：明确区分了两种不同的控制理论视角。动态规划主要解决随机最优控制问题，而本课程侧重于基于 Lyapunov 分析的可行性与稳定性证明。后者通过构造能量函数并设计使其导数恒负的控制律，从理论上保证非线性系统从任意初始条件出发均能渐近稳定至原点或跟踪指定轨迹。
• 计算效率与工程实用性：强调避免实时优化的高昂计算成本。微分平坦性允许通过查表或解析公式获取映射关系，而闭环控制律仅依赖测量值及基本三角函数运算（正弦、余弦），无需求解复杂的代数方程组或偏微分方程，从而满足机器人实时控制的算力需求。
• 作业与任务整合：课程作业要求将开环规划模块、处理状态约束的运动规划算法以及姿态稳定控制器相结合，构建端到端的轨迹优化系统。这体现了从理论推导到工程实现的完整闭环，特别是在机器人抓取等需要高精度末端操作的场景中，切换至快速闭环模式可忽略复杂动态约束，实现可靠对接。

📐 微分平坦性与轨迹生成

微分平坦性是简化非线性系统控制的关键数学工具，它允许将复杂的微分方程求解转化为多项式系数计算，从而高效生成满足物理约束的可行轨迹。

• 代数化转换机制：对于具备微分平坦性的系统（如差速驱动机器人、四旋翼），存在一组“平坦输出”（通常具有物理意义，如位置、航向）。通过计算这些输出的高阶导数与系统输入之间的映射关系，可以将轨迹规划问题转化为确定多项式系数的问题。这种方法避免了直接求解复杂的非线性微分方程，显著降低了计算复杂度。
• 多项式插值参数化：以二次微分平坦系统为例，若采用三次多项式进行插值并包含位置与速度边界条件，需确定每个平坦输出的4个系数（共8个系数）。通过构建线性方程组求解这些系数，即可满足初始和终止状态约束。这种解析方法比数值优化更快且更稳定，特别适用于需要快速重新规划的场景。
• 时间缩放策略解耦：引入时间缩放函数 $s(t)$ 将几何路径生成与时间调度解耦。首先确定满足空间约束的几何曲线，然后通过调整时间参数或速度剖面 $v(s)$ 来满足输入边界约束（如最大线速度 $v_{max}$ 和角速度 $\omega_{max}$）。在作业要求中，不直接设定时间缩放律，而是重新调整弧长参数化下的速度剖面，使其隐式定义新的时间调度，从而确保轨迹在物理上可执行且平滑。
• 系统适用性与局限性：微分平坦性并非适用于所有非线性系统，但在机器人领域非常常见。平坦输出通常对应直观的物理量，便于通过文献或查表获取映射关系。然而，该方法主要处理输入边界约束，对于复杂的状态空间障碍避免仍需结合其他规划算法。

⏱️ 约束处理与时间调度

在轨迹生成过程中，严格满足执行器的物理限制（如速度、加速度上限）是确保系统可执行性的关键，这通过精心设计的参数化和缩放策略实现。

• 输入边界约束转化：在平坦输出空间中，原始的输入边界约束（$v \le v_{max}, \omega \le \omega_{max}$）转化为对曲线曲率或速度剖面的限制。通过调节时间缩放函数 $s(t)$ 的斜率，可以控制运动节奏，确保在任何时刻的最大速度和角速度均低于设定上限。这种解耦方法使得几何路径的设计不受时间参数的干扰，反之亦然。
• 弧长参数化调整：作业具体指出，应重新调整弧长参数化下的速度剖面 $v(s)$ 而非直接定义时间缩放律。这种方法允许更直观地控制沿路径的速度分布，例如在转弯处降低速度以满足角速度限制，而在直线路径上提高速度以缩短任务时间。这种隐式的时间调度定义确保了轨迹的平滑性和物理可行性。
• 避免实时优化开销：传统的轨迹规划往往依赖在线数值优化（如模型预测控制 MPC），虽然能处理多种约束但计算成本高昂。微分平坦性结合多项式插值提供了一种解析或半解析的替代方案，通过预先计算的系数和简单的缩放调整即可满足大部分常见约束，从而释放算力用于更复杂的感知或决策任务。

🔄 闭环跟踪与控制律设计

单纯依赖开环轨迹易受扰动影响，因此必须引入闭环反馈机制以增强鲁棒性。课程介绍了多种控制策略，重点在于精确线性化和基于 Lyapunov 的稳定性分析。

• 几何追踪法：一种简单的启发式方法是通过设定目标点（如前方2秒处的路径点）进行纯几何修正，类似“驴追胡萝卜”。这种方法结构简单且有效，适用于对精度要求不极高的场景，但缺乏严格的稳定性保证和动态响应优化。
• 精确线性化原理：利用微分平坦性，通过坐标变换和控制输入重构，可以将非线性系统转化为线性系统。定义误差信号 $e_i$ 并选择虚拟控制输入 $w_i$，可以抵消期望项并引入稳定动态（如 PD 控制）。增益选取需确保特征值具有负实部；对于二阶系统，正增益即可保证稳定性，但过大增益可能导致输入饱和或执行器损坏。
• Lyapunov 稳定性构造：在姿态稳定阶段，采用极坐标表示法定义状态变量（距离 $\rho$、相对误差角 $\alpha$、角度坐标 $\delta$）。通过构造能量函数 $V$ 并设计控制律使 $\dot{V}$ 恒负，证明系统从任意初始条件出发均能渐近稳定至原点。该控制律仅依赖测量值及三角函数运算，执行速度极快，适合高频实时控制。
• 非线性与优化方法的局限：直接处理非线性系统的反馈线性化难度极大，且仅在局部有效。基于优化的模型预测控制（MPC）虽能处理多种约束，但计算量大，超出本课程范围。Hamilton-Jacobi-Bellman 方程可求解通用非线性最优控制，但因涉及难以解算的偏微分方程，实际应用中较少使用。

🚲 系统建模与奇异性处理

以独轮车模型为例，深入探讨了状态空间定义、雅可比矩阵性质以及奇异点处理策略，为理解实际控制系统的边界条件提供了具体案例。

• 扩展独轮车模型：在标准独轮车运动学（输入线速度 $v$ 和角速度 $\omega$）基础上增加速度积分器，输入变为加速度 $a$ 和角速度 $\omega$，平坦输出为位置 $(x, y)$。这种高阶模型更贴近实际执行器的物理特性，允许对加速度进行直接约束和控制。
• 雅可比矩阵与奇异性：二阶导数与输入的映射关系由雅可比矩阵 $J$ 描述，其行列式等于速度 $v$。当 $v \approx 0$ 时，雅可比矩阵奇异，坐标变换失效，导致控制律无法定义。这是非完整约束系统的典型问题，特别是在静止或低速状态下。
• 朴素奇异性处理策略：课程采用一种简单的工程策略来处理奇异性：当速度低于阈值（如 $10^{-4}$）时，重置变量或切换控制模式以维持系统定义的连续性。虽然这种方法可能在极低速度下引入轻微的不连续，但它避免了复杂的奇异点规避算法，保持了实现的简洁性。
• 坐标变换的唯一性：在姿态稳定分析中，采用极坐标表示法定义 $\rho$（距原点距离）、$\alpha$（相对误差角）和 $\delta$（角度坐标）。该映射具有唯一性且便于推导动力学方程，使得 Lyapunov 函数的构造更加直观。这种几何视角有助于理解控制律如何驱动系统收敛至目标点。

🚀 工程应用与课程总结

课程内容最终落脚于工程实践价值，强调了闭环控制在末端操作中的重要性，并展望了更高级的最优控制技术。

• 末端操作的鲁棒性：在机器人抓取等场景中，当接近目标时切换至基于 Lyapunov 分析的闭环姿态稳定模式，可以忽略复杂的动态约束和路径规划细节，专注于快速且可靠地实现精确对接或抓取。这种“两步设计”兼顾了长距离移动的效率与末端操作的高精度。
• 计算优势总结：所提出的控制策略避免了实时优化的高昂计算成本。开环阶段通过多项式插值快速生成轨迹，闭环阶段通过简单的代数运算和三角函数进行修正。这种架构特别适合嵌入式系统或资源受限的机器人平台，其中算力是宝贵资源。
• 后续技术展望：课程最后提及研究生将在讲座中接触间接法（Indirect Methods）等更高级的最优控制与轨迹优化技术。这些方法可能涉及更复杂的数值求解策略和全局最优性保证，为处理极端约束或高维状态空间问题提供理论基础。
• 整体结论：对于微分平坦系统，利用多项式插值结合时间缩放是生成满足约束且计算高效的轨迹的有效方法。然而，单纯开环轨迹不足以应对现实世界的不确定性，必须结合闭环跟踪控制器才能实现端到端的稳健自主导航。这种组合策略是当前机器人运动控制领域的标准最佳实践。