2026《机械臂传统运动规划算法文献综述》4200字.docxVIP

机械臂传统运动规划算法文献综述

运动规划是机械臂自主操作的基础，其目的是在有障碍物的环境中为机械臂的控制系统提供满足约束条件的关节运动轨迹。与无人车或无人机的运动规划相比，机械臂的运动规划通常在抽象的高维关节空间（构型空间）中进行，由于很难在关节空间中表示障碍物的位置，无法显式的得到用于机械臂运动规划的无障碍空间，这导致一些低维规划空间中的规划算法很难应用于机械臂系统。根据规划算法的原理可以将目前机械臂的运动规划算法分为传统运动规划算法：采样运动规划算法、图搜索运动规划算法、轨迹优化算法、智能优化算法、人工势场法以及基于机器学习的运动规划算法两大类。本小节介绍传统运动规划算法的研究现状。

基于采样的运动规划算法在高维运动规划领域中非常流行。这些方法试图通过对机器人关节空间采样来获取其连通性，回避了对无障碍关节空间的显示表示，因而对机械臂的高维运动规划问题有很好的适用性。早期的运动规划算法主要指PRMREF_Re\r\h[10]和RRTREF_Re\r\h[11]，RRT算法通过在关节空间中采样来引导从起始点向目标点拓展的随机树的生长，当随机树上的节点与目标点连通时认为找到了可行路径，PRM算法则先在关节空间中通过大量采样构建关节空间的连通图，在构建的连通图的基础上利用图搜索算法搜索可行路径，因此RRT为单查询算法而PRM为多查询算法。后续采样算法的发展基本围绕对RRT和PRM算法的改进，如bi-RRT、RRT-connect、p-RRT等算法提升了规划效率，RRT*、RRT#、PIB-RRT*、informed-RRT*等渐进最优算法提升了规划路径的质量，RT-RRT*、RRTX等算法使RRT可以应用于动态的环境。基于采样的规划算法的优点是具有很好的高维适应性和较高的规划速度，缺点是其得到的路径通常为次优或渐进最优的（在给定算法的充分运行时间的前提下，路径收敛到最优路径）。同时基于采样的规划器被认为是概率完整的，这是一种较弱的完整性概念，指如果存在可行路径，在给定算法的充分运行时间(即使它意味着无限运行时间)之后一定可以找到可行路径。

图搜索运动规划算法需要将规划空间离散成图的形式，目前即使是最先进的方法也受到规划空间维数的诅咒，因而在机械臂运动规划领域受到限制。为了避免对机械臂的高维关节空间进行离散建图，Cohen等人提出了利用运动基元集来构建搜索图的思路，运动基元集指机械臂在每个状态下都可以执行的最小动作的集合，包括预先设定好的静态运动基元集，和根据情况实时生成的动态运动基元REF_Re\r\h[12]REF_Re\r\h[13]。通过将机械臂的状态定义为图的节点，将运动基元集中的运动基元定义为图的边从而构建用于机械臂运动规划的离散图。基于运动基元的思想，后续又提出了一系列用于机械臂运动规划的多启发式图搜索算法，包括MHA*REF_Re\r\h[14]、DMHA*REF_Re\r\h[15]、SDMHA*REF_Re\r\h[16]等算法，这些算法通过设置多启发式及对图搜索过程的实时监测来缓解由于陷入局部极值而带来的搜索迟滞问题，进而提升规划效率。图搜索运动规划算法得到的路径的最优性或次优的有界性可以保证，结果的一致性好，在障碍物较多的环境下速度较快。但由于动作的离散化，得到的轨迹连续性、平滑性不好，在复杂环境中难以设计理想的启发式函数，存在局部最小问题。运动基元同样需要人工进行设计，运动基元较少无法找到路径，运动基元多则计算成本高，而随着规划维度增大，需要的运动基元也会随之增多，搜索图也更加庞大，因而在具有非常多自由度的机械臂系统（如拟人机器人）上难以应用。

采样规划算法和图搜索规划算法通常用于机械臂的离线运动规划，而人工势场法REF_Re\r\h[17]是一种高效、快速的在线规划方法。人工势场法通过建立虚拟的引力场和斥力场来控制机器人的运动。机器人同时受来自目标点的引力和来自障碍物的排斥力，机器人的运动方向就是其所在位置人工势场的负梯度方向。由于很难在机械臂的构型空间中对障碍进行计算，通常直接在工作空间中建立人工势场。为了利用人工势场引导机械臂的运动，需要在机械臂的连杆上选取一组控制点，将引力场作用在机械臂的末端，将来自可能发生碰撞物体的斥力场作用在机械臂的各控制点上。利用人工势场的梯度可以高效的实时计算出机械臂关节的运动轨迹，在简单的环境中是一种有效的在线规划算法，但在障碍物密集的环境中，人工势场法容易陷入势场的局部极小值点或由于作用在控制点上的力在关节空间中形成力