机械臂的轨迹规划，路径规划，运动规划有什么区别呢？

机器人底层控制最终需要的就是一堆电流控制指令，所以，不管是什么任务，最终都需要翻译成每个电机的控制指令。

但是，由于不同任务的硬件平台、任务需求、约束不同，所以，可能会不同层次地将任务进行分解。

对于最简单的任务，只要求机器人从A运动到B，中间避开障碍物，而不用考虑运动时间等问题。

这时候，基本上规划部分只需要进行路径规划即可:规划器输出一条几何路径θ(s)，发送给机器人控制器，机器人控制器自行进行路径点之间的轨迹插补(如T型速度曲线、样条插值等)。

计算得到θ(t)，并通过PID 之类的闭环控制算法转换电机控制指令，控制机器人完成任务。例如，之前的一个回答，要求机器人运动的时候避开相机视野区域，就是这样的问题：

另一方面，不同任务，即使在其空间路径相同的情况下，也可能对轨迹有不同的要求。

例如，有些任务要求机器人的运动时间最短，有些任务要求机器人的运动节拍固定，有些任务要求机器人的末端匀速运动。

甚至是，从运动平稳性考虑，需要规划出速度、加速度、甚至是加速度连续的轨迹。对于这类任务，仅做路径规划就无法满足要求，往往需要路径规划与轨迹规划相结合。

对于这类任务，可以先进行路径规划，获得满足任务的空间路径，之后再进行轨迹插补，获得需要的轨迹后，通过实时通讯的方式，将轨迹发送给机器人控制器，通过闭环控制，得到电机控制指令。

下面的视频是相同的路径，但是不同的轨迹规划结果。分别是时间最优、节拍固定和末端匀速的轨迹:

https://www.zhihu.com/zvideo/1316437536278429696

但是，如果机器人的运动轨迹需要满足某种动力学约束，那么，往往需要规划器直接计算出符合约束的轨迹，而不是分为路径规划和轨迹插补两部分。

对于某些任务，规划的时候，环境的状态不完全可观或者说环境可能发生变化。

这时候，需要的是某种运动策略，输入当前的环境与机器人状态 s，输出当前时刻的控制指令 u。

很多强化学习的工作，其实就是在做这类工作，通过 DRL 去学习不同状态下的控制策略。