论轨迹规划中的“解耦”思想：以汪哲培博士的工作为例

怕什么真理无穷，进一寸有一寸的欢喜。——读《胡适谈读书》

---

引言

在移动机器人的运动规划中，“解耦（Decoupling）”是一个核心的工程哲学。它通过将复杂的多维优化问题分解为多个低维的子问题，从而在计算效率与轨迹质量之间达成平衡。本文将探讨解耦思想在轨迹规划中的演进，并重点分析浙江大学汪哲培博士在轨迹优化领域的创新工作。

空间与时间的传统解耦

传统的轨迹生成通常采用“先路径优化，后速度规划”的两步法。这种方法将问题分为：

1. 几何路径规划：仅考虑障碍物规避和几何平滑性。
2. 时间分配与速度规划：在给定路径的基础上，考虑动力学约束分配时间。

这种路径与速度的硬性解耦虽然计算极快，但往往导致最终轨迹在动力学上不可行，或者在时间分配上远非最优。

汪哲培博士的创新工作：MINCO 框架

浙江大学汪哲培博士（ZJU FAST Lab）及其团队提出的 MINCO (Minimum Control Effort) 轨迹类，为解耦思想提供了全新的诠释。MINCO 不仅仅是一个优化算法，它更是一套针对多项式轨迹的完备参数化方案。

时空参数的“软解耦”

与传统硬解耦不同，MINCO 通过一种精妙的数学构造，将复杂的轨迹优化问题映射为一个稀疏的无约束优化问题。其核心在于：

• 参数化重写：将轨迹表示为中间点位置（空间）和各段时长（时间）的函数。
• 确定性映射：建立了从“空间+时间”参数到多项式系数的线性复杂度映射。

这种设计实现了空间坐标与时间分配的同步优化（Co-optimization），同时在数学形式上保持了参数的独立性，即实现了“耦合问题的降维求解”。

线性复杂度的优势

MINCO 的核心贡献在于建立了一个线性复度的确定性映射。这意味着，即使在复杂的时空耦合优化中，规划器依然能够拥有传统解耦算法的计算效率。这对于需要高频重规划的空中机器人（UAV）至关重要。

结语

轨迹解耦并非简单的放弃关联，而是在数学底层寻找更优雅的降维方式。汪哲培博士的工作（如 T-RO 2022 的经典论文）证明了，通过深厚的数学底蕴对物理问题进行重构，可以实现性能与速度的双重飞跃。这种“时空解耦而又不失完整优化”的思路，已成为当前机载实时规划领域的主流范式之一。

---

参考资料：
[1] Wang, Z., et al. "Geometrically Constrained Trajectory Optimization for Multicopters." IEEE Transactions on Robotics (2022).
[2] ZJU FAST Lab: https://github.com/ZJU-FAST-Lab