斯坦福大学AA274A课程《机器人自主性原理》（2019年秋季）：概述与移动机器人运动学

（原标题：Stanford AA274A Principles of Robotic Autonomy | Autumn 2019 | Overview, Mobile Robot Kinematics）

🎓 课程定位与教学目标

• 核心概念界定：明确区分“自动化”（执行预设程序、无意外处理）与“自主性”（具备环境推理能力，能应对设计阶段无法预见的场景）。强调机器人需通过感知与决策闭环，在物理世界中执行具有实际意义的动作。
• 教学体系构建：课程旨在掌握自主性堆栈的数学基础与实践部署方法。学生将学习如何在物理平台上使用 ROS 编码算法，并开发新的自主控制方法。内容涵盖从底层运动学建模到高层决策机制的全链路技术。
• 应用领域覆盖：涉及自动驾驶、无人机配送（如 Amazon、Airbus 原型）、小型交付车及手术机器人等领域。重点展示系统如何从远程操作向有限监督下的自主执行演进，体现技术在复杂现实场景中的落地潜力。

🔄 自主性架构与模块划分

• See-Think-Act 循环：这是自主系统的核心逻辑框架。感知阶段通过传感器提取环境信息；定位与建图（SLAM）同步确定自身位置并构建地图；决策阶段基于不确定性选择最优动作；轨迹优化与控制将决策转化为可执行的物理轨迹。
• 四大教学模块：课程结构围绕运动规划与控制、机器人感知、定位与 SLAM、决策机制展开。其中决策部分涵盖状态机逻辑及强化学习入门，旨在建立从数据输入到动作输出的完整闭环。
• 跨学科难度要求：课程具有高度跨学科特性，对数学与编程能力要求极高。学生需具备微积分、线性代数及概率统计基础，并能够处理硬件调试中的实际痛点，如传感器噪声、通信延迟及执行器非线性等工程问题。

📊 考核方式与实践项目

• 评分标准构成：作业占总分 40%，两次期中考试各占 15%，最终项目占 15%。此外，每周出席率占 5%，在 Piazza 平台上的高质量互动可额外获得 5% 的奖励分。这种分布强调过程性评价与持续参与的重要性。
• 最终项目要求：学生需在配备激光雷达、相机及高性能处理器的移动平台上部署完整的自主堆栈。核心任务是在城市模拟环境中识别交通标志，并据此执行相应的驾驶动作，验证系统在动态环境中的感知决策能力。
• 后续课程衔接：AA274B 将在此基础上深入探讨学习控制与感知、系统验证、人机交互模型及移动操作技术。本季度构建的系统基础将为后续更复杂的自主行为研究提供必要的工程框架与理论支撑。

⚙️ 移动机器人运动学基础

• 配置空间定义：由广义坐标定义，例如独轮车模型的 $x, y, \theta$（位置及航向角）。轨迹被定义为这些变量随时间的演化函数，是分析机器人运动特性的数学基础。
• 完整约束 (Holonomic)：仅涉及位置的约束，通过机械连接减少自由度。例如铰接关节使两刚体共享坐标，限制构型空间的维度。若约束方程可积分出显式函数 $h=0$，则属于此类，直接限制了机器人可达到的几何位置集合。
• 非完整约束 (Kinematic)：涉及速度导数的约束，限制瞬时运动方向而非最终位置。例如汽车无法侧向移动，通常表示为广义速度的线性形式。这类约束不可积分，意味着虽然瞬时速度受限，但通过特定机动路径仍可达至构型空间中的任意点。

🧠 单轮模型与差速驱动映射

• 单轮系统 (Unicycle) 特性：纯滚动约束方程为 $\dot{x}\sin\theta - \dot{y}\cos\theta = 0$。该约束导致速度受限但构型空间完全可达。机器人可通过“原地旋转-直线移动-原地旋转”的机动序列到达任意位姿，体现了非完整约束下“速度受限但空间可达”的物理意义。
• 差速驱动结构：由两个主动后轮和一个被动前万向轮组成。两轮的非滑移约束冗余合并为单一约束，其运动学特性与单轮系统等价。万向轮因中心偏移可自动对齐侧向运动，常用于提供稳定性而不引入额外的运动学约束。
• 控制映射关系：差速驱动通过独立控制左右轮转速实现转向。角速度 $\omega$ 等于左右轮速差除以轴距 $L$（$\omega = (v_R - v_L)/L$）；中点线速度 $v$ 为左右轮速平均值（$v = (v_L + v_R)/2$）。虽然运动学约束相同，但实际执行受限于各轮最大旋转速度，导致线速度与角速度的可行域存在差异。

🚗 简单汽车模型与变体

• 配置空间降维：简单汽车模型（Simple Car Model）的配置变量包含后轴中点位置 $(x, y)$、航向角 $\theta$ 及前轮转向角 $\phi$，初始为四维空间。受两个非冗余无侧滑约束限制，状态空间有效维度降低，控制输入简化为速度 $v$ 和转向角 $\phi$（需满足 $\phi < \pi/2$ 以避免奇异性）。
• 模型变体定义：当限制速度仅取最大前进或后退值时，称为 Ritz-ship car；进一步限制速度恒定为最大值时，称为 Dubins model。这些简化模型用于特定场景下的路径规划优化，牺牲部分动态真实性以换取计算效率。
• 动力学扩展策略：为提升规划轨迹的可实现性，可在单轮模型中增加加速度 $a$（$\dot{v}=a$）作为控制输入；或在汽车模型中将转向角 $\phi$ 设为状态变量并引入转向速率 $\dot{\phi}$。这种扩展使运动学模型更接近真实车辆的动力学特性，便于后续的控制律设计。

📌 结论与工程启示

• 通用基础框架：单轮模型是自主机器人控制的通用基础框架。差速驱动机器人的轨迹规划可直接复用该模型，只需建立轮端转速与车体线/角速度之间的映射关系即可实现底层控制。
• 约束物理意义辨析：非完整约束体现了“速度受限但空间可达”的特性，区别于完整约束对运动范围的直接几何限制。理解这一区别对于设计高效的搜索算法和轨迹优化器至关重要，避免在不可达区域浪费计算资源。
• 模型复杂度平衡：运动学模型应视为更复杂动力学模型的子系统，用于简化轨迹优化计算。在实际工程中需平衡模型保真度与计算复杂度，后续课程将深入探讨 ROS 系统及轨迹跟踪控制策略，以解决从理论模型到物理部署的差距问题。