← 返回 PaperDaily 视觉与图像

汽车机器人最短时间路径：12条基元变15条，不打滑才最优

几十年了，类车机器人「最快怎么开」这个问题，一直建立在一个有点心虚的假设上——轮胎永远不打滑。这篇论文把自行车模型的轮胎接触力算进来，发现最优路径的清单上其实还缺三条基元，而且缺的正好是轮胎将滑未滑的那一瞬间。

龙哥读论文 阅读 9 查看原文
#机器人 #自动驾驶 #预测模型 #人工智能
汽车机器人最短时间路径：12条基元变15条，不打滑才最优

paperdaily_reaction_gif


原论文信息如下：
论文标题:
Minimum Time Trajectories for a Car-Like Mobile Robot Moving with Rigid Wheels Under Non-Sliding Constraints
发表日期:
2026年9月22日（技术报告） 发表单位:
原文未标注 原文链接:
https://arxiv.org/pdf/2609.24832v1.pdf

车式机器人时间最优轨迹：为什么不能忽略轮胎打滑

1957年，Lester Dubins 用一篇不到六页的短文回答了一个朴素到不能再朴素的问题：一辆速度恒定的车，在没有障碍物的平面上从起点开到终点，怎么走耗时最短。答案也朴素——左满舵画弧、右满舵画弧、走直线，按顺序拼接，就是最优解。这个结论今天还印在几乎所有移动机器人教材里。
后来 Reeds 和 Shepp 把允许倒车这件事加了进来，再后来研究者开始处理变速工况，把车简化成一辆「独轮车」——前轮转角这个状态被抹掉，速度和转向角速度直接当作控制量。过去几十年大量的时间最优路径研究都建立在这个简化运动学模型上，从 Boissonnat、Sussman、Souères 一路做到 Fraichard、Wang、Wolek 和 Zhang。
但这个简化里藏着一个心照不宣的假设：轮胎和地面之间只有纯滚动，永远不打滑。而现实中的物理恰好相反——轮胎能够提供的最大侧向力，恰恰出现在它「将滑未滑」的那一瞬间。运动学模型把这层物理彻底抹掉了，相当于悄悄改写了「最快能怎么开」这道题的物理上限。
Laumond 早年提出过一个更贴近真车的模型：后轮固定在车身上，前轮可转向，控制量是前轮线加速度和转向角速度。可惜当年他的关注点在避障，这个模型立刻被简化运动学模型替掉了。本文所扩展的前作也曾用庞特里亚金最小值原理（Pontryagin's minimum principle，苏联数学家庞特里亚金提出的最优控制必要条件）和奇异控制理论，在这个完整运动学模型下求出了十二条时间最优路径基元——但前提依然是轮子不打滑。
这篇技术报告做的事情很直接：把基于刚体动力学的非滑动约束重新装回运动学模型，看时间最优路径的清单上是不是还漏了点东西。结论是漏了三条，而且漏掉的恰好都发生在轮胎即将打滑的临界时刻。
Figure 1
车式移动机器人的状态变量为后轮中点位置（X, Y）、车身航向角 θ，以及前轮转向角 ϕ 和前轮中点线速度 ν。
Figure 2
图2：更简单的自行车式移动机器人采用同样的状态变量：位置（X, Y）、航向角 θ、前轮转向角 ϕ 和前轮速度 ν。

从运动学到动力学：非滑动约束如何变成凸优化问题

先把符号交代清楚。机器人在水平地面上跑，状态一共五个量，写成一个五元组：
状态向量定义
公式说明：S(t) 表示时刻 t 的机器人完整状态，其中 X、Y 是后轮中点在平面上的坐标，θ 是车身航向角，ϕ 是前轮转向角，ν 是前轮中点线速度。
状态量本身有界：转向角不超过 ϕmax（且小于 90 度），速度不超过 νmax，而且机器人支持前进和倒车两种方向。控制输入只有两个，一个是前轮线加速度，一个是前轮转向角速度：
控制输入定义
公式说明：u1(t) 是前轮线加速度，u2(t) 是前轮转向角速度，两者相互独立。文字中常写成 u1 等于 ν 对时间的一阶导数，u2 等于 ϕ 对时间的一阶导数。
控制约束
公式说明：两个控制量各自独立受限，amax 是允许的最大线加速度绝对值，bmax 是允许的最大转向角速度绝对值。这是最基础的一层「能力上限」。
接下来是几何层面的运动学关系。后轮中点的位移速度和车身转向速率，由前轮速度、前轮转角和航向角共同决定：
运动学方程
公式说明：三行分别描述平面横坐标变化率、纵坐标变化率，以及转向角速度与速度、前轮转角的关系。d 是前后轮中点之间的距离。这套方程在纯滚动假设下成立，也就是轮胎不打滑。
在这套运动学之上，本文把车身的动力学补了进来。机器人整体的质心位置不是后轮中点，而是前后轮中点的连线中点；质心加速度可以由控制量和状态量显式表达出来，再套进牛顿-欧拉方程，就得到大家熟悉的自行车模型（bicycle model，用前后各一个等效轮替代左右两轮，是车辆动力学里最常用的简化模型）动力学：
自行车模型动力学
公式说明：第一行是车身纵向力平衡，第二行是侧向力平衡，第三行是绕质心的力矩平衡。Fx1、Fy1 是前轮等效地面力，Fx2、Fy2 是后轮等效地面力，m 是车身质量，I 是绕质心的转动惯量。公式里那项和速度平方成正比的，就是大家熟悉的离心项；其余各项都和控制量成线性关系，代表线动量与角动量的变化。
有了动力学方程，地面对轮胎的作用力就能写成状态量和控制量的显式函数。同时，车轮还有一个绕自身轴心的旋转自由度，后轮轴力矩由它的转动惯量决定，于是后轮纵向力可以直接解出来：
地面接触力
公式说明：四个式子分别给出前后轮纵向力和侧向力。mw 是后轮质量，ρ 是车身绕竖直轴的回转半径。可以看到，所有地面力都是状态量和控制量的线性或二次函数，这是后面推导能顺利化简的关键。
再补上「车不能飞起来」这个常识。地面对前后轮的法向载荷 N1 和 N2 必须始终为正，同时它们要平衡整车的重力和绕质心的力矩：
法向载荷平衡 法向载荷解
公式说明：第一式是竖直方向力平衡，第二式是绕水平横轴的力矩平衡，h 是质心离地高度。代入后得到 N1 和 N2 的解析表达式：加速时前轮法向载荷下降、后轮上升，减速时反过来。这个现象就是日常开车感觉「加速时车头抬起」的物理来源。
Figure 3
图3：自行车式移动机器人侧视图，标出了地面接触点处的法向载荷 N1 与 N2。
至此所有零件齐了。轮胎和地面的摩擦关系用库仑摩擦定律描述，假设忽略扭转摩擦，只保留切向力，两个方向的摩擦系数 μx 和 μy 构成一个椭圆摩擦锥。前后轮的「非滑动」条件就写成两个椭圆不等式。假设两个方向摩擦系数相同，再代入法向载荷表达式，两边开平方后可以写成更清爽的形式：
前轮非滑动约束 前轮非滑动约束开方形式
公式说明：左边是轮胎受到的地面合力大小，右边是摩擦系数乘以该轮的法向载荷。物理含义直白——轮胎能提供的切向合力有上限，上限取决于当前压得多重。这就是「非滑动约束」四个字的全部内容。后轮约束同理，只是法向载荷表达式里符号相反。
全篇最关键的一步推理出现在这里。把地面接触力写成控制量的仿射函数，也就是「一个矩阵乘控制向量再加一个常数向量」的标准形式：
前轮力的仿射形式 后轮力的仿射形式
公式说明：A1、A2 是只与速度和前轮转角有关的 2×2 矩阵，b1、b2 是同样只与状态有关的常数向量。这一步的意义在于，非滑动约束的左边变成了「欧几里得范数与仿射函数的复合」，而右边那项是控制量的线性函数。范数是凸函数，凸函数与仿射函数复合保持凸性，再加上一个线性函数，结果依然是凸函数。也就是说前后轮的非滑动约束各自在控制空间里划出一个凸集。
把非滑动约束、法向载荷非负约束、以及最基本的控制量上下限三者叠在一起，允许控制集就是一个紧凑的凸集：
允许控制集
公式说明：U 表示全部合法控制组合的集合，C1 和 C2 分别是前轮和后轮的非滑动约束函数，要求二者都不大于零，同时两个控制量各自不超出上下限。这个集合的凸性带来两个直接好处。第一，只要两个端点状态之间存在一条可行的路径，就一定存在时间最优路径（菲利波夫存在性定理）。第二，沿着最优路径的每一个瞬间，最优控制动作都是唯一确定的。
不过要留个心眼：凸性保证的是「存在且唯一」，不保证「只有一条」。对于同一对起止状态，可能存在若干条对称排布的时间最优路径，这一点后面的平行泊车和 U 型掉头算例会看得很清楚。

Hodograph方法：三个新路径基元FW/RW/BW的几何直觉

要理解新基元从哪来，得先理解求解这套最优控制问题的基本套路。核心工具是庞特里亚金最小值原理：构造一个哈密顿函数，它由状态方程加上状态约束共同组成：
哈密顿函数
公式说明：λx、λy、λθ、λν、λφ 是一组伴随状态变量，也叫协态变量，可以粗略理解成「每个状态量对总耗时的边际敏感度」。δν 和 δφ 是两个状态约束乘子，只在速度或转向角顶到上限时才会被激活。前五项是状态方程的加权和，后两项是对状态越界行为的惩罚。
当状态约束未激活时，哈密顿函数只剩下一组线性项：状态方程部分加上 λν 乘 u1 再加 λφ 乘 u2。注意看最后这两项——它们在控制量 u1 和 u2 上是严格线性的。线性函数在凸集上求最小值，最优解必然出现在集合的边界上。这就是为什么最优控制总在「打满」和「切换」之间反复横跳，也是 bang-bang 控制这个名字的来源。
为了把「边界在哪」这件事可视化，本文引入一个叫 Hodograph（速度图） 的工具。名字听着唬人，其实就是在某一特定速度和转向角下，把允许控制集的截面拍一张快照，画在 (u1, u2) 平面上。由于哈密顿函数对控制量是线性的，最优控制就出现在这张图上「控制集沿着负协态向量方向投影最远的那个点」。协态向量往哪个方向指，最优控制就贴在控制集的哪个角落。
前作在运动学模型下得到的十二条基元分三类。第一类是正则控制，直接从最小值原理得到，控制量打满：左转加速、左转减速、左转匀速，右转对应三条，一共六条。第二类是奇异控制，切换函数及其各阶时间导数同时为零，对应三条。第三类是状态约束激活，速度或转向角顶到上限，也是三条。
Table 1
表1：非滑动约束未激活时，车式机器人的十二条时间最优路径基元。可以看到前三行到第六行是 L 和 R 系列的正则控制，后三行是 S 系列的奇异控制，控制量一栏中 u1 和 u2 分别取加速度极限与转向速率极限。
当非滑动约束被激活、但控制量本身还没顶到上下限时，情况变得更有意思。这时候限制最优控制的不再是执行器能力，而是轮胎的抓地力。Hodograph 图上，原来那个方方正正的控制量矩形被两条曲线切掉了角，蓝色曲线代表前轮的非滑动边界，红色曲线代表后轮的非滑动边界。最优控制在矩形和曲线围成的这块区域里寻找沿负协态方向的最远点。
沿这条思路，本文分析得到了三个新基元。前轮率先到达摩擦极限时，路径基元记为 FW（Front Wheel，前轮临界打滑）；后轮率先到达极限时记为 RW（Rear Wheel，后轮临界打滑）；前后轮同时贴到摩擦边界时记为 BW（Both Wheels，双轮同时临界打滑）。三者合起来，把原来的十二条补成十五条。
Figure 4
图4：路径基元 FW 的 Hodograph 快照，其中前轮非滑动约束已激活（蓝色曲线），后轮非滑动约束未激活（红色曲线）。水平与垂直黑线代表尚未激活的控制量上下限。该快照取自第6节算例1 中 FW 基元运行到 1.0 秒时刻。
Table 2
表2：非滑动约束激活时车式机器人的时间最优路径基元。接触力和法向载荷都依赖状态，并且是控制量 u1 与 u2 的线性函数。表中列出的是 FW、RW、BW 三种基元对应的控制特征。
Figure 5
图5：路径基元 BW 的 Hodograph 快照，前轮和后轮的非滑动约束同时激活（前轮为蓝线，后轮为红线）。垂直黑线代表未激活的控制量上下限。快照取自第6节算例3 中 BW 基元运行到 2.3 秒时刻。
有一点值得单独提一下：在 FW 和 RW 这两类新基元上，横向控制量 u2 无法用简单的代数式解出来，因为非滑动约束是二次的。本文的处理方式是给出近似解析解，具体放在附录里讨论。

五个算例验证：平行泊车、车道变换与U型掉头

理论推完之后，作者用五个代表性算例来验证，并且全部与直接数值求解器对拍。算例覆盖了三类典型动作：平行泊车、车道变换和 U 型掉头，每一类都考察前向运动和后向运动，以及不同地面摩擦条件。
算例1是平行泊车。机器人向前运动到 1.4 秒时到达尖点，随后倒车，同时保持路径曲率连续变化。
Figure 6
图6：算例1 平行泊车的时间最优路径。机器人以 1.4 秒时前进到尖点，随后倒车，并保持路径曲率连续。图中虚线为另一条对称排布的时间最优平行泊车路径，由对称的前进与倒车动作组成。
这张图信息量不小。实线和虚线两条路径耗时相同，但一个先前进后倒车，另一个是对称的镜像动作，正好印证了前面说过的「最优路径未必唯一」。而且整条路径的曲率是连续变化的，没有出现运动学模型下那种曲率突变的折点，这正是动力学约束带来的平滑效果。
Figure 7
图7：算例1 的两个控制输入 u1 与 u2 随时间的曲线。可以看到它们在打满、切换和贴住摩擦边界三种状态之间切换。
算例2是车道变换，考察的是从一条车道切到相邻车道这个日常动作在极限工况下最快怎么完成。
Figure 8
图8：算例2 车道变换动作的时间最优路径，同时与算例5（更高地面摩擦条件下的车道变换）进行对比。
Figure 9
图9：算例2 的两个控制输入 u1 与 u2 随时间的变化曲线。
Figure 10
图10：算例2 中路径基元 FW 运行至 0.7 秒时的 Hodograph 快照（前轮蓝线，后轮红线），黑色直线为尚未激活的控制量上下限。
算例2 里 FW 基元几乎统治了整条路径，也就是说这个车道变换动作从头到尾都被前轮的抓地力上限卡着。这其实很符合直觉——变道时打方向最猛的是前轮，前轮自然最先逼近极限。
算例3是 U 型掉头，考察摩擦系数为 1.0 的常规路面。
Figure 11
图11：算例3 U 型掉头动作的时间最优路径。
Figure 12
图12：算例3 的两个控制输入 u1 与 u2 随时间的变化曲线。
算例4把地面摩擦系数提高到 2.0，模拟高附着路面，其余条件与算例3 保持一致。这一组对比是全文最有意思的地方——同样的动作，路面变「黏」之后，控制策略居然整体变了。算例3 由 FW 主导，算例4 则由 RW 主导，说明前后轮谁先逼近摩擦极限，取决于路面摩擦水平和加速度需求之间的博弈。
Figure 13
图13：算例4 高摩擦 U 型掉头的时间最优路径。注意最高曲率那一段上出现的 RW 路径基元。
Figure 14
图14：算例3 与算例4 的 U 型掉头时间最优路径对比，外侧路径对应算例3（摩擦系数 1.0），内侧路径对应算例4（摩擦系数 2.0）。
Figure 15
图15：算例4 的两个控制输入 u1 与 u2 随时间的变化曲线。
Figure 16
图16：算例4 中路径基元 RW 运行至 1.3 秒时的 Hodograph 快照（前轮蓝线，后轮红线）。后轮的非滑动边界在这个时刻成为约束最优控制的主力。
算例5是另一个车道变换场景，路面摩擦系数同样提高到 2.0，用来和算例2 做对照。
Figure 17
图17：算例5 时间最优路径上协态变量 λν 与奇异协态变量 λφ 的演化曲线。注意在奇异路径基元上 λφ 恒等于零。
Figure 18
图18：算例5 的两个控制输入 u1 与 u2 随时间的变化曲线。
Figure 19
图19：算例5 中路径基元 FW 在 0.5 秒与 1.43 秒两个时刻的 Hodograph 快照对比（前轮蓝线，后轮红线），黑色直线为未激活的控制量上下限。同一基元在不同时刻的可行控制集形状并不相同。
Figure 20
图20：算例5 车道变换动作的时间最优路径，只包含一个来自表1 的 FW 基元。与算例2 中 FW 基元主导整条路径的情况形成鲜明对照。
把这五个算例放在一起看，规律就比较清楚了。摩擦系数偏低的算例2 里，前轮几乎全程贴着摩擦边界，整条路径被 FW 基元占满；而摩擦系数翻倍的算例5，同样的车道变换动作只需要一小段 FW 基元就够了，剩下的大部分路径回归到表1 中那些常规的 L、R、S 基元。这说明非滑动约束并不是「总在起作用」，而是只在特定的速度、转角、加速度组合下才接管控制权。真正有价值的是知道它什么时候会接管。

近似解析解：2%精度损失换来百倍计算加速

前面提到，FW 和 RW 基元上横向控制量 u2 的解析式不容易直接解出，因为非滑动约束是二次的。论文附录给出了一个近似解析解，适用条件是两个控制量都还没顶到上下限：
Table 3
表3：FW 与 RW 路径基元的近似解析解，适用条件是 u1 和 u2 的各候选解绝对值均不超过各自的上下限。表中按 FW、RW 两类基元分别给出了两组候选表达式。
近似好不好用，得用数据说话。作者在 1000 组随机起止状态上统计了近似路径与精确路径的耗时差：
Figure 21
图21：在 1000 组随机起止状态上，沿近似时间最优路径计算的耗时直方图。平均耗时比最优耗时多出 2.09%，标准差为 4.5%。
Figure 22
图22：算例1 平行泊车动作的近似时间最优路径（虚线）与精确时间最优路径（实线）对比。两者在宏观形状上高度接近。
说白了，用近似解析解替代逐点数值求解，平均只多花 2% 左右的时间，换来的却是从「需要迭代数值求解」变成「代入公式直接算」。在轨迹规划这种需要成百上千次评估的场合，这两者的计算开销差着一两个数量级。这个取舍挺务实的——本来时间最优路径的设定里就已经有各种理想化假设，多出来 2% 的次优性，在实际系统里大概率被执行器的响应误差和定位噪声淹没。

未来展望：从路径基元到学习型规划器

论文自己给出了两条落地路径，都挺具体。
一条是把这十五条路径基元塞进运动动力学规划器（kinodynamic planner，在状态空间里同时考虑位置和速度、并保证动力学可行的规划算法）。这类规划器在机器人的状态空间里长出一棵树，树的每条边代表一段动力学可行的运动轨迹。每条边怎么长、控制量怎么采，目前很多实现是随机采样或者启发式选取。有了这套基元，采样就有了明确方向——优先沿这十五类最优片段扩展，搜索效率理论上会明显提升。
另一条更有意思，是和学习型规划器结合。具体的做法是：用直接数值求解器批量生成时间最优动作的数据集，把这些动作自动切分成对应的路径基元序列，然后训练一个基元分类器。分类器的输入是机器人当前状态和当前所处的基元，输出是下一个基元是什么、以及切换时刻在什么时候。这个思路把连续的最优控制问题，转化成了一个离散序列预测问题，很适合用现代机器学习方法来做。这个方向还只是论文里的设想，没有实验验证，但从数据生成的可行性来看，思路是通的。
论文还提到，这套基元可以接入现有的 Bench-MR 基准测试包，后者专门用来在有障碍物场景下评估车式机器人路径的长度、曲率和避障余量。原来这套基准里只有运动学模型下的规划方法，现在多了动力学约束下的最优参考，评价维度会更完整。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：
这篇论文到底在解决什么问题？在无障碍平面上，类车机器人最快怎么开？论文用自行车模型推导地面接触力，把前后轮非滑动约束化为控制输入的凸集，再借Hodograph在12条运动学基元上新增FW、RW、BW三条基元，1000次随机算例平均仅慢2%。
这篇工作最值得看的点是什么？通过5个代表性数值算例（平行泊车、车道变换、U型掉头、高摩擦U型掉头、低质心车道变换）验证了新增FW、RW、BW路径基元的正确性，Hodograph验证了最小值原理的满足，近似解析解在1000个随机起止状态下平均仅比最优时间长约2.09%，标准差4.5%。
这篇工作的边界或风险在哪里？优点在于首次将非滑动约束以动力学方式引入车式机器人时间最优路径规划，证明了约束的凸性从而保证解的存在唯一性，提出的三个新路径基元FW/RW/BW完善了时间最优路径基元库，近似解析解精度高且计算高效。缺点在于自行车模型忽略了左右轮载荷转移，仅适用于纵向载荷转移主导的场景；近似解析解在极端工况下精度可能下降；未在真实机器人平台上进行物理验证。
如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★☆

在自行车模型动力学基础上，将前后轮非滑动约束表述为控制输入的凸二次不等式，利用Hodograph方法在原有12个运动学时间最优路径基元上新增FW、RW、BW三个非滑动路径基元，并给出近似解析解。

实验合理度：★★★☆☆

现有材料未完整覆盖数据划分、基线公平性和统计显著性，因此按中性评价处理。

学术研究价值：★★★★☆

在自行车模型动力学基础上，将前后轮非滑动约束表述为控制输入的凸二次不等式，利用Hodograph方法在原有12个运动学时间最优路径基元上新增FW、RW、BW三个非滑动路径基元，并给出近似解析解；更关键的是问题定义是否可复用到同类任务。

稳定性：★★★☆☆

现有材料未提供充分的极端条件、重复运行或扰动测试，稳定性暂按中性评价。

适应性以及泛化能力：★★★☆☆

现有材料未完整展示跨数据集、跨场景或分布外实验，泛化能力仍需进一步验证。

硬件需求及成本：★★★☆☆

现有材料缺少完整训练资源、参数量、显存和推理时延信息，成本暂按中性评价。

复现难度：★★★☆☆

https://github.com/Rabini88/time-optimal-trajectories-car-like-robotunder-non-sliding-constraints

产品化成熟度：★★★☆☆

论文验证以研究实验为主，真实部署中的时延、成本、维护和异常场景仍需补充验证。

可能的问题：自行车模型忽略了左右轮载荷转移，仅适用于纵向载荷转移主导的场景；近似解析解在极端工况下精度可能下降；未在真实机器人平台上进行物理验证。


*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～ 想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！       

转发文章 微博 X LinkedIn Facebook

读者留言

可直接以游客身份留言，也可注册读者账号。所有留言均需管理员审核后公开。

0 条已公开

还没有公开留言，欢迎留下你的看法。

游客可以直接留言；注册后可使用固定昵称和账号身份。 登录 免费注册
同一访问者每天最多提交 5 条。
龙哥读论文 · PaperDaily

本文基于龙哥读论文 PaperDaily 数据库整理，结合论文原文与工程视角进行解读。

LONGGE AI COMMUNITY

把每天读到的论文，变成长期积累

加入「龙哥读论文」知识星球，持续获取 AI 论文、资讯、开源项目、招聘与研究思路。

加入龙哥读论文微信群：添加微信 kangjinlonghelper，备注“研究方向 + 地点 + 学校/公司 + 昵称”。

龙哥读论文知识星球二维码 微信扫码加入知识星球