로봇을 움직이려면 먼저 로봇을 어떻게 움직이면 좋을까를 미리 생각해야 한다. 아무 장애물이 없는 공간에서 로봇을 A지점으로 옮기고 싶으면 어떻게 움직여야 최적인가? 무엇을 기준으로 최적을 만드는가? 장애물이 있다면 어떻게 움직이는 것이 좋은가? 이런 것들이다.
산업용 로봇을 생각한다면, 사실 경로 계획은 거의 필요하지 않다. 산업용 로봇은 로봇이 미리 짜여진 환경에서 움직이게 되므로, 로봇이 무언가를 인지하고 판단해야 할 일이 거의 없기 때문이다. 로봇을 설치할 때 만들어 둔 프로그램에 모든 경유점 데이터가 들어있을 것이다. 실제로 필요한 것은 그 경유점들을 어떻게 최단 시간에 주파할 것인가이다. 이를 위해서는 시간을 기준으로 최적화한 궤적을 만들 필요가 있다.
정지 상태에서 시작하여 정지 상태에서 종료되고, 속도 그래프가 사다리꼴 모양을 그리는 위의 궤적이 가장 대표적인 방식이다. 사전에 주어진 조건은 최대 속도와 가속도, 현재 위치와 목표 위치이다. 경우에 따라 목표 시간에 정확히 맞추어야 하는 경우도 있을 수 있다. 이렇게 주어진 조건을 가지고 위의 그래프를 만들어 내는 것이 궤적을 생성하는 것이다.
예시의 사다리꼴 궤적은 풀 악셀을 통해 최대한 Peak Velocity를 오래 유지하는 방식이기 때문에, 시간 기준으로는 최적인 방법이다. 대신 가속도에 불연속이 있기 때문에 정지시에 잔류 진동이 남을 수 있고, 모터를 한계까지 사용하고 있다면 하드웨어에 무리가 갈 수도 있다는 단점이 있다. 이러한 문제를 해결하기 위하여 다양한 모양의 궤적들이 제시되어 있고, 대부분은 일장일단이 있다.
산업용 로봇이 아니라면, 로봇이 동작하는 환경에 사람도 다니고 있을 수 있고 공장에서만큼 물건들이 오와 열을 맞추어 로봇이 작업하기 좋게 전달되지도 않을 것이다. 작업 환경이 협소하여 장애물이 가득할 수도 있다. 이러한 환경에서는 궤적도 궤적이지만 인지한 주변 환경을 바탕으로 한 경로 계획이 아주 중요해진다.
경로 계획을 할 때 가장 기초가 되는 알고리즘은 Rapidly-exploring Random Trees, 줄여서 RRT라고 부르는 알고리즘이다. 간단히 설명하자면 경로를 시뮬레이션하여 임의의 방식으로 움직여 보는 것을 반복하고, 목표 지점에 무사히 도달한 방법을 선택하는 방식이라 할 수 있다. 이 과정에서 가능한 최적의 방식으로 움직이기 위해 트리 구조를 활용하기 때문에 이러한 이름이 붙게 된 방식이다. 고전적인 방식이라 기본 RRT 알고리즘을 사용하는 경우는 많지 않으나, 지금도 새로 나오고 있는 많은 알고리즘이 이것을 기반으로 하고 있기도 하다.
요즘은 이런 방식을 쓰지 않기 위해 인공지능의 힘을 빌리는 경우도 많다. 과거에는 인공지능에 로봇의 스펙을 인지시킨 상태로 좋은 경로를 생성하기가 어려워서 경로가 빙빙 돌거나, 로봇이 따라갈 수 없을 정도로 빠르거나, 변화무쌍한 경로를 생성해 내는 경우도 많았다. 지금은 여러 방법으로 보완되어 인공지능도 상당히 좋은 대안이 되고 있다.
인공지능을 사용하면 로봇의 제어보다 상당히 느린 속도로 경로가 업데이트되기 때문에, 이것을 실시간으로 로봇의 제어 주기에 맞도록 쪼개 주고 새로 나오는 정보에 맞추어 궤적을 변경할 수 있도록 하는 실시간 궤적 기술을 통해 보완하여 더 좋은 결과를 만들 수 있다. 또한 원천적으로 로봇이 따라갈 수 없는 궤적을 방지하기 위하여 Riemannian Motion Policy(RMP) 방식 등이 제창되었고, nVIDIA의 로봇은 이것을 발전시킨 Geometric Fabric 방식을 쓰고 있다.