面向复杂作业需求的挖掘机轨迹优化与自适应学习框架

《Engineering Applications of Artificial Intelligence》:Trajectory optimization and adaptive learning framework for excavators addressing complex operational requirements

【字体: 大 中 小 】 时间:2026年10月24日 来源:Engineering Applications of Artificial Intelligence 9.0

编辑推荐:

   **摘要** 针对挖掘机在复杂环境中因轨迹适应性不足导致的作业效率低下问题,本研究提出了一种基于约束优化与概率运动基元(ProMPs)的自适应轨迹生成方法。该方法的目标是在满足多种性能约束的同时适应多样化任务需求,从而实现高效轨迹规划。首先,采用非支配排序遗传算法II(NS

  

**摘要**

针对挖掘机在复杂环境中因轨迹适应性不足导致的作业效率低下问题,本研究提出了一种基于约束优化与概率运动基元(ProMPs)的自适应轨迹生成方法。该方法的目标是在满足多种性能约束的同时适应多样化任务需求,从而实现高效轨迹规划。首先,采用非支配排序遗传算法II(NSGA-II)在关节空间优化五次B样条轨迹,在保持连续加加速度曲线的前提下,生成在运行时间、基于加速度的能量相关代理指标与加加速度之间存在不同权衡关系的性能优化轨迹。随后,将这些优化后的轨迹作为示范,通过ProMPs学习其分布特征,构建可泛化的概率轨迹表示。在此基础上,建立了一种融合多任务约束的统一概率推理框架,并通过双环梯度下降-上升算法求解约束优化问题,从而为新作业场景生成自适应轨迹。最后,在受控实验室条件下对真实挖掘机平台进行涵盖代表性轨迹适应与避障任务的综合仿真与物理实验,验证了所提框架在研究条件下的有效性与物理可执行性。

**引言**

液压挖掘机是城乡基础设施、灾害救援和采矿等行业不可或缺的高科技设备(Chen等,2025b),其铲斗尖端的轨迹规划已成为提高施工效率和质量的关键因素(Feng等,2025;Kim等,2020)。然而,受能源短缺和劳动力短缺的双重压力制约,实际挖掘机作业面临多方面挑战。非结构化作业环境导致"人-机-环境"协同效率低下,危险作业中的安全缺陷限制了系统的可靠性。因此,整体作业效能难以保证,严重影响了工程进度并威胁人身安全(Hiltunen等,2023;Huang等,2025)。因此,开发具有高适应性和高可靠性的智能轨迹规划技术,是突破当前系统瓶颈、推动产业升级的迫切需要。

轨迹规划是挖掘机自主作业的核心,直接决定作业效率、能耗和可靠性(Eraliev等,2022)。现有方法主要分为轨迹优化和学习型方法,后者进一步细分为机器学习和模仿学习策略(Kim等,2013;Jin等,2024;Luo等,2025)。具体而言,Sun等(2019)采用分段多项式结合差分进化(DE)算法,实现了满足运动学约束的时间最优轨迹规划。Wang等(2018)基于不同次数的多项式构建了能耗最小运动轨迹模型。Zhang等(2022)通过改进麻雀搜索算法(SSA),提出了一种平衡时间效率和光滑性的轨迹规划方法。类似地,Zhang等(2021)将三次样条插值与序贯二次规划(SQP)算法相结合,优化时间和加加速度,实现了时间-加加速度最优轨迹规划。Chen等(2025a)基于五次B样条和NSGA-II算法,构建了时间最小且加加速度连续的最优轨迹。此外,Feng等(2023)利用改进的粒子群优化(PSO)算法优化五次多项式插值,实现了时间、能耗和加加速度的多目标协同优化。这些基于优化的方法能够为预定义工况生成高质量轨迹;然而,当任务约束发生变化时,通常需要重新求解相应的轨迹优化问题。相关的轨迹重构、约束评估和迭代搜索因此增加了频繁任务级轨迹更新的计算负担。相比之下,基于机器学习的方法利用神经网络的强大非线性逼近能力,直接从数据中学习高效操作策略,显著提升了轨迹规划效率(Liu和Tang,2026;Huh等,2023)。具体而言,Lu和Zhang(2021)提出了一种基于卷积神经网络(CNN)预测模型的挖掘轨迹规划方法,能够有效处理杂乱场景中的不规则刚性物体。Yao(2023)利用经PSO预处理的训练数据集训练物理信息神经网络(PINN),实现了连续挖掘规划。为进一步提高挖掘效率,Tan等(2024)构建了一种融合惩罚机制的新型奖励函数,并开发了基于深度强化学习的规划方法。类似地,Zhang等(2024)提出了一种基于深度学习的挖掘机轨迹规划数据驱动框架,而Egli等(2022)设计了一种考虑土壤条件的近端策略优化(PPO)轨迹规划方法,其中训练好的强化学习模型在线输出关节速度控制。虽然这些机器学习方法能够快速生成轨迹并具有一定程度的泛化能力,但其性能取决于训练数据的规模和质量。当任务需求发生变化时,现有模型往往难以直接应用,需要额外微调甚至重新收集数据进行再训练,严重限制了其工程实际应用。

基于模仿学习的运动规划方法,如动态运动基元(DMP)(Ijspeert等,2013)、ProMPs(Paraschos等,2013)、高斯混合模型(GMM)(Calinon等,2014)、隐马尔可夫模型(HMM)(Kuli?和Nakamura,2010)和核化运动基元(KMP)(Huang等,2019),通过对示范轨迹的运动特征进行编码来生成可泛化的目标轨迹。例如,Son等(2020)采用DMP学习驾驶员操作轨迹,展示了对不同土壤条件具有良好的适应性。Feng等(2024)将GMM与高斯混合回归(GMR)相结合构建了经验轨迹模型,并利用遗传算法(GA)优化DMP,从而增强了轨迹泛化能力。为提高避障性能,Tan等(2025)将基于转向角的障碍物排斥项引入DMP微分方程,实现了地下管道的安全避让。针对点障碍物约束,Koert等(2016)提出了一种将ProMPs与避障代价函数相结合的方法;然而,其性能严重依赖于奖励函数的设计。为应对更复杂的作业场景,已开发了大量能够同时处理多约束的方法(Ma和Corves,2025;Frank等,2022)。Huang等(2018)将强化学习应用于调整TP-GMM的任务参数,使其能够适应具有不同障碍物类型的环境。Gomez-Gonzalez等(2020)实现了关节空间ProMPs的任务空间多约束,但由于实时调整的限制,难以进行多约束离线规划。Feng等(2026)提出了一种结合全局概率建模与采样优化的轨迹规划方法,实现了从专家示范中学习挖掘机操作技能,并有效处理了避障和执行约束。Huang和Caldwell(2020)在KMP框架内取得了线性约束建模的突破,其中统一的约束表达机制为处理多种几何约束开辟了新途径。从计算角度来看,传统的DMP主要依赖于低维动力系统积分,KMP依赖核矩阵运算,而基于ProMP的自适应方法还涉及概率传播和迭代约束优化。然而,尽管这些方法试图整合多约束,它们在轨迹适应过程中处理关节空间和任务空间的异质约束同时保持所学习运动的概率特征方面仍面临挑战。因此,建立一个能够统一跨空间任务约束同时保持性能优化轨迹主要特征的挖掘机轨迹规划框架,仍是一个值得深入研究的重大问题。

针对上述挑战,本文提出了一种协同优化和模仿学习优势的轨迹自适应生成方法。首先,基于五次B样条插值的关节位置序列,采用NSGA-II算法生成代表运行时间、基于加速度的能量相关代理指标与加加速度之间不同权衡关系的性能优化轨迹。随后,引入ProMPs学习这些优化轨迹的概率分布模型。为增强模仿学习在复杂工况下的适应性,将挖掘机关节空间和笛卡尔空间中的多任务约束统一到一个概率推理架构中,从而构建了基于多任务约束的ProMPs自适应方法。引入KL散度以限制自适应轨迹分布与原始ProMP分布之间的偏差。最后,通过双环梯度下降-上升算法求解该问题,生成满足预设任务约束同时保持原始优化轨迹主要特征的自适应轨迹。所提框架运行于任务级轨迹规划层,而物理执行过程中产生的扰动则由底层闭环运动控制器处理。

本研究的贡献可总结如下:

(1)以性能优化轨迹作为ProMPs的示范,开发了轨迹适应框架,将多目标轨迹优化与概率运动学习联系起来。

(2)建立了一种统一的概率推理框架,用于纳入关节空间和任务空间的异质约束,包括关节运动范围、途经点、障碍物和工作空间边界。

(3)采用KL散度和双环梯度下降-上升算法,在任务约束下自适应ProMP分布,同时限制其偏离原始性能优化运动先验的程度。

本文其余部分组织如下:第2节介绍本文的基础工作。第3节详述性能约束轨迹的优化过程。第4节进行基于ProMPs的示范轨迹拟合。第5节详细介绍多任务约束下的轨迹泛化。第6节提供仿真分析和实验验证结果。最后,第7节给出结论。

**节选内容**

**液压挖掘机运动学建模**

挖掘机运动学模型如图1所示。在该示意图中,绿色线段表示机械臂的几何参数,红色线段表示液压缸的位移,黑色线段表示铰接点的距离参数。在不考虑旋转的情况下,采用D-H方法求解从关节角q=[q0,q1,q2,q3]T到铲斗尖端位置[x,y,z,ψ]T的非线性正运动学:x=cos(...)

**基于B样条的轨迹参数化**

本研究采用五次B样条曲线对挖掘机关节的运动轨迹进行参数化(Chen等,2023)。作为具有局部支撑特性的参数化技术,B样条可以统一表示为如下形式:C(u)=∑k=0^j Nk,m(u)Pk,其中C(u)是u点处的样条值,m是阶数,j+1是控制点的数量,u是节点向量,Pk(k=0,1,…,j)是第k个控制顶点,Nk,m(u)(k=0,1,…,j)是第k个m阶规范样条函数。

**基于ProMPs的轨迹拟合**

为将有性能导向的轨迹优化与后续任务适应相结合,本研究采用"优化-学习"轨迹规划策略,如图3所示。利用第3节生成的性能优化轨迹作为示范,通过ProMPs学习其概率分布,构建概率轨迹表示。该策略将优化后的轨迹从单个确定性解转化为...

**轨迹适应建模**

在第四部分,我们使用ProMPs将挖掘机的基本工作轨迹编码为高斯分布,记为p0(ω)=N(ω|μω0,Σω0)。基于任务需求优化轨迹分布旨在确保规划的ProMPs在指定置信水平下满足预设任务约束,同时尽可能保持其原始概率特征。为实现这一权衡,使用KL散度DKL p(ω)||p0(ω)作为...

**仿真分析与实验验证**

为评估所提轨迹优化-学习框架的轨迹适应性能和物理可执行性,在代表性任务约束下进行了仿真和物理实验。仿真评估了在单一和组合约束下的平整和沟槽挖掘轨迹适应能力,而物理实验则进一步验证了自适应轨迹在受控实验室条件下真实液压挖掘机平台上的可执行性。

**结论**

针对挖掘机在复杂场景下固有的轨迹适应性弱和作业效率低的关键挑战,本文成功设计并验证了一种融合全局优化与概率模仿学习的新颖轨迹规划框架。本研究的主要贡献可归纳为以下三个方面:

(1)在轨迹优化层面:通过利用五次B样条插值和NSGA-II算法...

**作者贡献声明(CRediT)**

郭宇杰:撰写-审阅与编辑,撰写-原稿,方法学,调查研究。艾超:撰写-审阅与编辑,可视化,概念构思。陈俊祥:撰写-审阅与编辑,监督,软件。孔向东:监督,数据管理。

**利益冲突声明**

所有作者均已阅读并批准本手稿的提交,该手稿尚未发表,也未在任何其他语言下全部或部分在任何其他地方接受审稿。作者没有需要声明的利益冲突。

**致谢**

本研究得到了中国国家自然科学基金委员会(批准号:E2025203189)和中央引导地方科技发展基金(批准号:

ZYYD2026QY14) 和广西科技基地及人才专项(项目编号:GUIKE AD25069008)。郭玉杰|艾超|陈俊祥|孔向东
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号