基于动态运动基元（DMPs）的体积障碍物避免方法在人机协作机器人路径规划中的应用

《Applied Sciences》：Volumetric Obstacle Avoidance Based on Dynamic Movement Primitives for Robot Path Planning in Human–Robot Collaboration Arturo Daniel Sosa-Ceron, Hugo G. Gonzalez-Hernandez and Jorge Antonio Reyes-Avenda?o

　　

人机协作（HRC）可被定义为人类用户与机器人紧密交互以共同完成特定任务。然而，真正的协作只有在人类和机器人能够同时共享同一工作空间并在其中自由移动时才能实现。为解决这些问题，示教学习（LfD）帮助机器人胜任解决大量复杂任务，大幅缩短编程时间并允许任务泛化。然而，复杂机器人任务需要复杂的路径规划建模，以使机器人在高度受限的工作空间中沿无碰撞路径移动。为此，研究人员提出了一种基于动态运动基元（DMPs）的机器人编程框架。该框架推导并实现了一个机器人路径规划解决方案，并包含一种新的具有体积障碍物避免能力的DMP公式，用于机器人LfD。该公式使机器人系统具备在动态障碍物存在时进行在线适应的能力。定量评估表明在障碍物避免方面成功率很高（在测试场景中>96%），典型的轨迹适应时间在毫秒量级（<5 ms），支持其适用性。这些方法已应用于仿真和真实机器人场景，使用Universal Robots的UR10e协作机器人进行测试和验证。结果表明，所提出的方法能有效使机器人跟随用户定义的轨迹，并学习如何调整轨迹以避免与不同形状和姿态的体积障碍物发生碰撞，在无约束的人机协作环境中。

**论文解读：基于动态运动基元（DMPs）的体积障碍物避免方法在人机协作机器人路径规划中的应用**

**研究背景与问题**
人机协作（HRC）旨在实现人类与机器人在共享工作空间内协同完成任务，但真正的协作要求两者能同时自由移动，这对机器人路径规划提出了严峻挑战。传统机器人编程方式复杂且缺乏直观性，非专家用户难以快速创建和修改程序。示教学习（LfD）通过让机器人从人类演示中学习技能，能显著减少编程时间并支持任务泛化，但复杂任务仍需在高度受限环境中规划无碰撞路径。现有障碍物避免方法存在局限：基于点障碍物的转向角法无法处理体积障碍物；点云建模计算量大且易导致轨迹抖动；势场法在多障碍物场景下易陷入局部极小值。因此，研究人员提出了一种结合动态运动基元（DMPs）和超二次曲面（superquadrics）的编程框架，实现体积障碍物避免，以提升HRC中机器人路径规划的适应性和安全性。

**研究内容与结论**
研究人员开发、实现并验证了一个基于DMPs的机器人LfD编程框架，该框架包含改进的耦合项，利用超二次曲面建模体积障碍物，并引入Mollifier函数解决传统转向角法中的“死区”问题。通过Lyapunov稳定性分析证明了系统在加入新耦合项后的收敛性。在仿真实验中，使用最小加加速度轨迹（MJT）和人类示教轨迹，测试了不同形状、姿态和速度的障碍物，221次随机试验成功率达97.7%。在真实场景中，使用UR10e协作机器人、ZED 2立体相机和视觉感知系统，执行拾取-放置任务，77次试验成功率达96.1%，平均计算时间2.939 ms，最坏情况5.51 ms，验证了实时性。此外，在人类手臂作为动态障碍物的HRC场景中，机器人能成功避障并在线适应目标位置变化。该研究发表在《Applied Sciences》期刊上，其意义在于为LfD在动态无约束环境中的应用提供了高效、安全的体积障碍物避免方法，推动了HRC在制造任务中的实际部署。

**主要关键技术方法**
1. **示教学习（LfD）框架**：通过人类演示获取轨迹数据，利用DMPs学习轨迹泛化能力。
2. **动态运动基元（DMPs）**：基于二阶弹簧-阻尼-质量系统，通过非线性强迫项拟合轨迹，支持在线调整。
3. **超二次曲面建模**：使用五参数超二次曲面（superellipsoids）描述障碍物的体积形状、姿态和大小，支持静态和动态障碍物。
4. **改进的转向角耦合项**：在DMPs中加入基于转向角的避障项，引入Mollifier函数消除死区，并利用超二次曲面隐式函数计算障碍物距离影响。
5. **视觉感知系统**：采用ZED 2立体相机（60 fps，HD分辨率）和SDK内置追踪功能，检测并跟踪人类手臂及物体，获取障碍物位姿。
（样本队列来源：实验使用UR10e协作机器人，工作站配置为AMD Ryzen 5600G处理器、32 GB RAM、RTX3060 GPU。）

**研究结果**
**5.1 系统稳定性与收敛性证明**
通过Lyapunov候选函数分析，证明加入新耦合项后，当时间趋于无穷时，系统速度为零时位置收敛到目标，满足LaSalle不变性原理，确保稳定性。

**5.2 合成实验**
利用MJT合成轨迹和人类示教轨迹，在仿真中测试不同超二次曲面形状（立方体、球体等）、旋转姿态和动态障碍物。结果显示，Mollifier函数有效消除了死区，使机器人端执行器速度平滑变化（立方体障碍物导致更尖锐的速度曲线）。在221次随机试验中，避障成功率达97.7%，失败仅因障碍物初始位置过于靠近轨迹起点或终点；平均峰值偏差735.55 mm，第99百分位计算延迟1.88 ms，验证了算法鲁棒性和高效性。

**6. 真实实验结果**
在UR10e协作机器人上执行拾取-放置任务，使用五种轨迹（MJT、人类手部轨迹及其平滑/扁平版本）。77次试验成功率为96.1%，失败包括碰撞（1.3%）和加速度安全停止（2.6%）。成功试验中，平均峰值偏差167.32 mm，第99百分位计算延迟2.939 ms，最坏情况5.51 ms。在人类手臂作为动态障碍物的实验中，机器人成功跟踪人类右臂并调整轨迹，同时允许用户在线修改目标位置，展示了共享工作空间内的实时适应能力。

**讨论与结论总结**
讨论部分指出，该方法的主要局限在于超参数（如γ）需手动调优，影响避障性能与轨迹跟踪精度；机器人末端执行器朝向未纳入学习，可能影响抓取；超二次曲面难以精确表示复杂非凸形状（如人体）。未来工作将探索自动超参数优化（强化学习、贝叶斯优化）、四元数DMPs集成末端朝向、多超二次曲面链建模复杂几何体，以及全面评估紧急停止响应时间和安全距离（参照ISO 10218、ISO/TS 15066标准）。

**研究结论翻译**：尽管存在这些限制和未来改进，开发一个协作机器人上的LfD编程框架以改善制造任务中涉及反应式路径规划和体积障碍物避免的人机协作的初始目标已经实现。本研究的发现将为进一步增强LfD模型以及改善无约束环境中人与机器人之间的交互奠定基础。