前面几篇讲了轨迹表示方法（多项式、B样条）和时间参数化（TOPP）。这些方法都能处理运动学约束，但处理方式和效果差异很大。今天系统性地聊聊速度、加速度、加加速度这三个约束怎么在轨迹规划中处理。

运动学约束的物理意义很直接：电机有最大功率（限制速度和加速度），减速器有最大扭矩变化率（限制加加速度），结构有共振频率（限制加速度变化频率）。规划出来的轨迹如果违反这些约束，执行器跟不上，实际运动和规划运动就偏差大了。

一、三类约束的物理来源

速度约束：来源于电机最大转速和减速器传动比。比如伺服电机最大转速3000rpm，减速比100:1，关节最大转速就是30rpm ≈ 3.14 rad/s。AGV的速度约束更直接——最大行进速度由电机功率和轮径决定。

加速度约束：来源于电机最大扭矩和负载惯量。τ = J·α（力矩 = 转动惯量 × 角加速度），最大扭矩确定后，最大角加速度就确定了。注意：负载惯量随机械臂构型变化——手臂伸直时惯量大，收回时惯量小，所以最大角加速度是动态变化的。

加加速度（Jerk）约束：来源于减速器的齿轮间隙和传动柔性。jerk太大意味着力矩变化太快，齿轮间隙会导致冲击和振动。工业机械臂通常把jerk限制在最大加速度的2-5倍/T_ramp（加减速过渡时间）。

# 典型机械臂的运动学约束
constraints = {
    'velocity_max': [2.0, 2.0, 3.0, 3.0, 3.5, 3.5],   # rad/s, 6轴
    'acceleration_max': [5.0, 5.0, 8.0, 8.0, 10.0, 10.0],  # rad/s²
    'jerk_max': [20.0, 20.0, 30.0, 30.0, 40.0, 40.0],      # rad/s³
}

二、约束处理的四种策略

策略一：先规划后检查（Post-hoc Checking） 最简单的方法——先不管约束，规划出轨迹后再检查是否满足约束。不满足就调整参数重新规划。

优点：实现简单，规划算法不用修改。 缺点：可能需要多次迭代，不保证收敛。 适用场景：最小化Jerk轨迹——算完后检查速度/加速度峰值，超限就增大时间T重新算。

策略二：约束融入优化（Constraint in Optimization） 把运动学约束作为优化问题的约束条件。比如在B样条优化中，速度约束变成对控制点的线性不等式约束：|v_i| ≤ v_max。

优点：一次求解就满足约束，不需要迭代。 缺点：约束增加了优化问题的复杂度，可能使问题无解。 适用场景：QP/LP求解器能高效处理的线性约束。

# B样条优化中的速度约束
# 速度 = 控制点差分 / 节点间距
# |P_{i+1} - P_i| / (t_{i+1} - t_i) <= v_max
# 转化为: P_{i+1} - P_i <= v_max * dt_i
#         P_i - P_{i+1} <= v_max * dt_i

策略三：TOPP（Time-Optimal Path Parameterization） 在给定路径上优化时间分配，保证路径上每一点的速度和加速度都在约束范围内。前面第229篇详细讲过。

优点：时间最优，约束严格满足。 缺点：不改变路径形状，如果路径本身曲率太大，速度必须很低。 适用场景：路径已确定，只需要分配速度。

策略四：采样时考虑约束（Constraint-aware Sampling） 在RRT/RRT*等采样算法中，扩展节点时检查新节点是否满足运动学约束。不满足则丢弃。

优点：规划出来的路径天然满足约束。 缺点：搜索效率降低——很多采样点被丢弃。 适用场景：移动机器人的DWA、Lattice Planner。

实际工程中的组合策略：大多数成熟的系统不是只用一种策略，而是组合使用。比如MoveIt2的标准流程：先用RRT-Connect做无约束路径搜索（策略四的简化版——只在碰撞检测层面考虑约束），再用TOTG做时间参数化（策略三），最后用最小化Jerk平滑（策略一的变体）。这种"先找路→再分配时间→再平滑"的三级流水线在工业界非常普遍。

三、加速度约束的特殊难点

速度约束和jerk约束相对好处理——它们是关于状态变量的简单不等式。加速度约束比较棘手，原因有三：

动态变化：机械臂的加速度上限随位姿变化——同一个关节，手臂伸直时和收回时的最大加速度不同。规划时如果用固定值，要么太保守（用最小值）要么冒险（用平均值）。

耦合效应：多轴机械臂的各轴加速度互相耦合——第1轴加速会产生科氏力影响第2轴的力矩需求。严格来说需要把动力学模型代入约束——这就变成了动力学约束而不是纯运动学约束了。

非凸性：加速度约束在关节空间中可能是非凸的——满足约束的关节加速度集合可能不是凸集。非凸约束在优化中很难处理——不能直接用QP/LP求解器。

工程上的折中方案：用各轴独立的最大加速度（取最保守的值），忽略耦合效应。这个方案虽然不是最优的，但实现简单、保证安全。ABB和FANUC的控制器就是这么做的。

四、Jerk约束的工程价值

很多人觉得jerk约束不重要——"反正控制器会平滑处理"。这个想法在低速场景下没问题，但在高速场景下会出事。

举个例子：一台AGV最大速度2m/s，加速度1m/s²。如果没有jerk约束，加速度从0瞬间跳到1m/s²（jerk无穷大），车轮会打滑——轮胎和地面的摩擦力无法提供瞬时的力矩跳变。加上jerk约束（比如4m/s³）后，加速度用0.25秒从0渐变到1m/s²，车轮不打滑了。

数控机床领域对jerk约束的重视程度远高于机器人领域——因为加工质量直接受jerk影响。jerk大意味着刀具力突变，加工表面会有纹路。

不同机器人的约束特点：工业机械臂的约束最严格——6个轴各有独立的速度/加速度/jerk限制，而且约束之间耦合。AGV的约束相对简单——只有速度和加速度两个约束，方向是固定的（前进/后退）。无人机的约束最特殊——四旋翼的推力有上下限但方向可变，加速度约束是一个锥形区域而不是简单的框式约束。做无人机规划时需要把推力锥约束转化为加速度约束——这是和其他机器人不同的地方。

五、面试实战

Q：速度、加速度、jerk约束分别怎么处理？ A：速度约束最简单——作为线性不等式加入优化。加速度约束稍复杂——需要考虑动态变化和耦合效应，工程上通常取保守的固定值。Jerk约束通过最小化Jerk轨迹或者S曲线速度规划来处理。

Q：约束之间冲突了怎么办？ A：优先级排序——安全约束（碰撞、关节限位）最优先，其次是物理约束（速度、加速度上限），最后是舒适度约束（jerk）。如果物理约束和路径约束冲突（比如在窄通道中必须高速通过但加速度不够），只能降低速度要求或者放宽路径。

Q：你在项目中怎么处理运动学约束？ A：做AGV规划时，速度约束1.5m/s、加速度0.8m/s²、jerk 4m/s³。用TOPP做时间参数化——在路径上分配速度，保证每点都满足约束。TOPP输出的速度曲线在弯道处自动减速到0.3m/s，直线段加速到1.5m/s。全程时间比匀速方案短35%。

Q：约束太紧导致找不到可行轨迹怎么办？ A：分两步处理。第一步：约束松弛——把约束放宽20-30%重新搜索，如果能找到解说明是约束太紧。第二步：和系统工程师沟通——确认约束值是否合理。有些约束是设计余量（比如标称最大速度的80%），可以适当放宽。如果约束是硬性的（比如电机物理极限），那只能换路径或者换机器人——别和物理规律较劲。

小结

运动学约束包括速度、加速度、jerk三类，分别来源于电机转速、扭矩和传动柔性。处理策略有四种：后检查、融入优化、TOPP、约束感知采样。加速度约束最难处理——动态变化、耦合效应、非凸性。工程上通常取保守的固定值。

面试中如果被问到约束处理，核心讲清楚四种策略的适用场景和优缺点。能举出加速度约束的难点（动态变化+耦合+非凸）是加分项。

下一篇讲多约束轨迹优化——CHOMP和TrajOpt框架。

---

如果这篇文章对你有帮助，欢迎点赞、在看、转发三连。 你的支持是我持续更新的最大动力。

「机器人软件开发面试·从入门到精通」连载系列 

上一篇：第231篇 碰撞检测算法——GJK/EPA和包围盒方法

下一篇预告：第233篇 多约束轨迹优化——CHOMP和TrajOpt框架

有任何问题欢迎评论区留言，我会尽量回复。