综述：冗余机械臂的逆运动学及冗余解析方法综述

《Biomimetic Intelligence and Robotics》：Inverse kinematics and redundancy resolution in manipulators: Methods, optimization objectives, and future trends

　　

研究人员针对冗余机械臂的逆运动学(IK)求解与冗余资源配置问题，系统梳理了该领域的主流技术路径与研究进展。冗余机械臂因具备超出任务需求自由度的冗余关节，可在满足末端执行器(EE)位姿约束的同时优化次要性能指标，但其逆运动学存在无穷多解，需引入冗余解析机制实现最优配置。研究人员首先回顾了几何解析法、代数解法等闭式求解策略，指出其仅适用于特定构型且难以处理复杂约束。随后重点分析了数值迭代法，包括伪逆法、梯度投影法(GPM)、加权最小范数(WLN)法及任务空间增广(TSA)法，阐述了各类方法在处理奇异性、关节极限及次要目标优化方面的特性。在优化驱动方法层面，研究人员详述了二次规划(QP)及其层次化扩展(HQP)在实时约束处理上的优势，以及序列二次规划(SQP)应对非线性非凸问题的强表征能力；同时探讨了模型预测控制(MPC)通过滚动时域优化融合系统动力学与前瞻决策的机制。人工智能方法中，研究人员总结了神经网络(NN)、遗传算法(GA)、粒子群优化(PSO)及深度学习(DL)在数据驱动建模与全局搜索方面的潜力，并指出其与优化层结合的混合范式趋势。针对多目标冲突场景，研究人员对比了任务优先级零空间投影(TPNSP)、加权多目标优化(WMO)等方案的层级管理与权衡机制。最后，研究人员从可操作度、关节级代价、任务级指标三个维度归纳了优化目标体系，并结合工业装配、移动操作、医疗康复及极端环境作业等典型场景，讨论了方法选型与实际部署的工程考量，展望了自适应权重、学习增强与安全约束融合的未来方向。

1. 3.
   逆运动学及冗余解析方法分类
   3.1 几何与解析方法
   几何与解析方法通过封闭形式直接求解关节角度，具有计算效率高、无累积误差的优点。几何法依赖矢量分析与三角恒等式，直观但难以推广至多自由度复杂构型。解析法则引入臂角参数化等技巧，将逆运动学转化为多项式方程组求解，虽能获得全域闭式解，但在接近奇异构型时数值稳定性下降，且通常忽略关节速度与加速度限制。此类方法适用于结构简单、约束明确的标准工业机械臂。

3.2 数值迭代方法

数值迭代法通过逐步逼近求解非线性运动学方程，适应性强于解析法。

3.2.1 伪逆法

伪逆法基于雅可比矩阵的Moore-Penrose逆求解关节速度，实现末端执行器轨迹跟踪。其计算高效，但在运动学奇异点附近因雅可比矩阵秩亏导致关节速度激增至无穷大，需引入阻尼最小二乘法(DLS)或奇异值分解(SVD)正则化缓解。

3.2.2 梯度投影法(GPM)

梯度投影法在维持主要任务精度的前提下，利用冗余自由度在雅可比零空间内优化次要目标，如最大化可操作度或避开关节极限。该方法灵活性高，但零空间投影可能导致次要任务振荡，且对初始配置敏感。

3.2.3 加权最小范数(WLN)法

加权最小范数法通过对角权重矩阵调节各关节对解的贡献，可优先限制大质量关节运动或规避物理限位。权重选择直接影响性能，需结合任务动态调整。

3.2.4 任务空间增广(TSA)

任务空间增广法将次要目标转化为虚拟任务空间约束，与原任务共同构成增广雅可比方程。该方法简化了多目标集成，但可能引入过约束导致无解，且增广矩阵条件数恶化会降低数值稳定性。

3.3 基于优化的方法

基于优化的方法将冗余解析表述为带约束的数学规划问题。

3.3.1 二次规划(QP)方法

QP方法在线性约束下最小化二次目标函数，可同时处理等式约束（如末端速度跟踪）与不等式约束（如关节速度限、扭矩限）。凸QP问题存在唯一全局最优解，计算效率高，适合实时应用，但难以直接处理非凸非线性约束。

3.3.2 非线性优化方法

序列二次规划(SQP)是解决非线性非凸冗余解析问题的主流技术。SQP在每次迭代中构造二次规划子问题，通过线性化约束与二次逼近目标函数，逐步逼近原问题的最优解。其收敛速度快，能有效处理复杂的物理约束（如碰撞避免、力矩限制），但计算负担较重，且可能陷入局部最优。

3.3.3 预测与先进优化方法

模型预测控制(MPC)将冗余解析扩展至有限时域，在每个控制周期求解包含系统动力学、未来状态及约束的开环优化序列，仅执行首步控制量。MPC显式融合前瞻信息，在动态避障与协同操作中表现优异，但计算复杂度随预测步长显著增加。除MPC外，变分法与凸松弛技术（如对SO(3)约束的混合整数凸规划）通过全局优化提升了解的质量与可行性保证。

3.3.4 基于优化方法的比较

QP方法实时性高但受限于凸假设；非线性优化（含SQP）处理复杂约束能力强但计算开销大；预测方法（MPC）具备前瞻性但模型依赖性强。三类方法分别适用于对实时性、约束复杂度及动态适应性有不同侧重的应用场景。

3.4 基于人工智能的方法

人工智能方法利用数据驱动与启发式搜索弥补传统模型的不足。

3.4.1 神经网络(NN)方法

NN通过学习任务空间到关节空间的映射实现快速推理。动态NN可在线优化可操作度，结合QP层能在李雅普诺夫框架下保证稳定性。但NN依赖大量训练数据，开环输出精度有限，难以严格满足高精度末端执行器定位需求。

3.4.2 遗传算法(GA)方法

GA将关节配置编码为染色体，通过选择、交叉、变异算子进化种群以最小化适应度函数（如末端位置误差）。GA全局搜索能力强，适合高维复杂约束问题，但计算耗时且易早熟收敛。

3.4.3 粒子群优化(PSO)方法

PSO模拟群体协作，通过个体历史最优与群体历史最优引导粒子更新位置与速度。其结构简单、参数少，但在高维问题中易陷入局部最优，需精细调节惯性权重与学习因子。

3.4.4 深度学习与现代学习基IK

深度学习方法利用深层网络捕捉复杂映射，强化学习(RL)则通过智能体与环境交互学习关节空间策略。深度Q网络(DQN)可生成7自由度机械臂的轨迹可行解。现代方法常与优化层结合，由学习模块提供初始猜测或约束，优化模块保证最终精度。

3.4.5 基于AI方法的比较

NN与DL推理速度快但缺乏安全性保障；GA与PSO全局搜索能力强但实时性差。AI方法更适合作为传统优化的补充组件，而非独立解决方案。

3.5 多目标与任务优先级方案

此类方案系统化协调多个竞争任务。

3.5.1 任务优先级零空间投影(TPNSP)

TPNSP严格遵循任务层级，高层任务完全占用自由度，低层任务仅在剩余零空间内执行。递归公式通过连续投影确保优先级不被破坏，但低优先级任务可用自由度随层级增加而减少，且对奇异构型敏感。

3.5.2 层次二次规划(HQP)

HQP将TPNSP的投影操作替换为带松弛变量的序列QP求解。每个层级均考虑等式与不等式约束，通过松弛变量吸收不可行冲突，严格保证了高层任务优先性并兼容凸求解器，但计算负荷随任务数增加显著上升。

3.5.3 加权多目标优化(WMO)

WMO将所有任务加权求和形成单一标量目标，通过调整权重灵活权衡不同目标（如跟踪精度与能耗）。该方法无需层级划分，实现简单，但权重选择主观性强，无法提供严格的优先级保障。

3.5.4 多目标与任务优先级方法的比较

TPNSP实时性最高但灵活性受限；HQP约束处理能力最强但计算最重；WMO实现轻量但缺乏优先级语义。选择取决于应用对实时性、约束复杂度及任务冲突管理的具体需求。

1. 4.
   冗余解析中的优化目标
   4.1 可操作度与灵巧度指标
   4.1.1 可操作度测度
   Yoshikawa提出的经典可操作度定义为雅可比矩阵与其转置乘积行列式的平方根，反映末端在各方向产生速度的能力。值越大表示离奇异越远，灵巧度越高。该指标广泛用于轨迹规划与构型优选。
   4.1.2 条件数指标
   条件数为雅可比最大与最小奇异值之比，衡量运动/力传递的各向同性程度。低条件数意味着更均匀的传递性能与更高的数值稳定性。
   4.1.3 最小奇异值(MSV)指标
   MSV关注最弱方向的传递能力，最大化MSV可有效远离奇异构型，但可能过度保守地牺牲其他方向性能。
   4.1.4 广义力/速度传递指标
   基于静力学关系τ=J^TF，该指标量化关节力矩到末端广义力的转换效率，常用于并联机构设计与性能评估。
   4.1.5 任务导向可操作度
   通过任务矩阵z加权，仅评估与当前任务相关的子空间可操作度（如推门任务中水平方向的力输出能力），比全局指标更具针对性。

4.2 关节级准则

4.2.1 关节极限避免指数

通过惩罚接近边界的关节角度，促使构型保持在安全范围内，通常采用倒数或对数形式的势函数。

4.2.2 关节力矩/能量最小化

基于τ=J^TF关系，最小化关节力矩范数或积分瞬时功率，以降低驱动能耗与磨损，提升系统续航能力。

4.2.3 关节加速度/加加速度最小化

最小化关节加速度或加加速度（jerk）的积分范数，可抑制高频振动，提升运动平滑性与精密操作稳定性。

4.2.4 关节级碰撞代价

在关节空间定义连杆与障碍物的排斥势场，其梯度作为冗余解析的次要目标，引导机械臂远离障碍物。

4.3 任务级指标

4.3.1 跟踪精度指数

量化期望末端轨迹与实际轨迹的偏差，通常以位置误差的积分平方范数衡量，是评价控制性能的核心指标。

4.3.2 避障指数

基于人工势场法，在任务空间构建障碍物排斥势，当末端接近障碍物时产生反向驱动力，保障运动安全。

4.3.3 操作安全指数

综合考量距离、速度、力矩等多因素的安全裕度，常采用控制屏障函数(CBF)形式，确保在动态不确定环境下的安全运行。

4.3.4 任务效率或性能指标

融合跟踪误差、能耗、时间等多目标的加权综合指标，用于评价整体任务执行的优劣。

1. 5.
   实际应用、应用与未来方向
   5.1 实践中逆运动学与冗余解析的制定
   5.1.1 基于机器人结构
   工业机械臂多采用闭式解与QP；移动/人形机器人需协调基座与手臂，常用层次化控制；软体机器人因连续变形，依赖数值迭代与学习法。
   5.1.2 基于冗余解析策略
   零空间优化用于次要目标提升；层次化控制用于多任务冲突消解；学习法则增强非结构化环境的适应性。
   5.1.3 基于集成层次
   单任务集成关注独立动作；多任务层次集成处理复杂序贯操作；优化与学习混合集成则兼顾性能与鲁棒性。实践中常引入松弛变量、弹性模式处理瞬态不可行性。

5.2 代表性应用

5.2.1 工业应用

装配中利用冗余优化位形，提高路径规划成功率；焊接中维持焊枪姿态与路径精度；物料搬运中协调移动平台与机械臂，提升工作空间利用率。

5.2.2 移动/服务应用

移动操作通过基臂协调实现仓库自动化；人机协作抓取利用任务优先级保障交互安全。

5.2.3 人机交互/辅助应用

医疗机器人利用IK实现微创手术的精准稳定操作；康复机器人根据患者进度自适应调整辅助力度。

5.2.4 极端/特殊环境应用

空间机器人采用闭式解保证在轨服务可靠性；水下机器人结合流体补偿策略对抗洋流扰动；灾难响应机器人利用反馈控制适应非结构化废墟地形。