在已知动态环境中,基于均匀B样条的树形运动规划方法,用于具有避障功能及导数约束的机器人操作臂
《Robotics and Autonomous Systems》:Tree-based motion planning via uniform B-splines for robotic manipulators with obstacle avoidance and derivative constraints in known dynamic environments
【字体:
大
中
小
】
时间:2026年08月13日
来源:Robotics and Autonomous Systems 6.0
编辑推荐:
摘要:本文研究在已知动态环境中的机器人操纵臂的导数约束运动规划问题,其中动态障碍物的运动情况可预先得知。目标是生成无碰撞、具有时间参数化的关节轨迹,该轨迹需满足规定的边界条件以及导数的约束范围。对于这类问题,传统上将几何路径规划与时间参数化分开处理的独立框架往往不够适用,而集成规
摘要:本文研究在已知动态环境中的机器人操纵臂的导数约束运动规划问题,其中动态障碍物的运动情况可预先得知。目标是生成无碰撞、具有时间参数化的关节轨迹,该轨迹需满足规定的边界条件以及导数的约束范围。对于这类问题,传统上将几何路径规划与时间参数化分开处理的独立框架往往不够适用,而集成规划方法则因需处理包含导数的搜索空间以及计算成本较高的路径调整而效率较低。为解决这些问题,本文提出了一种基于均匀B样条轨迹参数化的树形运动规划框架。通过利用均匀B样条的数学特性,可将边界约束、关节导数约束以及避碰约束转化为对控制点序列的约束。这样一来,规划就在控制点空间中进行,而非直接在包含导数的状态空间中开展,同时导数相关信息可通过连续控制点之间的关联隐式表达。这种重构方式还避免了在局部规划中处理复杂的双点边值问题。基于这一思路,本文提出了以控制点为导向的快速探索随机树算法CP-RRT,以及其双向和重连改进版本CP-BiRRT与CP-BiRRT*。通过在四种动态环境场景下进行的大量C++实验,结果表明CP-BiRRT能够快速找到可行轨迹,而CP-BiRRT*则可通过重连进一步优化最终轨迹的质量。此外,还通过关于时间节点间隔的消融实验,研究了计算简单性与B样条表示能力之间的权衡关系。
引言:随着机器人操纵臂越来越多地应用于动态且有人类活动的环境中,运动规划不仅要考虑几何上的可行性,还需兼顾障碍物随时间的变化趋势[1]。先前的研究表明,当障碍物的运动情况已知或可预测时,避碰问题在配置空间或状态空间中更易于表述,因为机器人配置的可行性直接取决于其达到该状态的时间[2]、[3]、[4]。这一视角既推动了基于配置空间/状态空间的传统运动规划方法的发展,也催生了将预测到的障碍物或人类运动纳入轨迹生成的新兴规划框架[5]、[6]、[7]、[8]。通过将运动预测纳入规划过程,机器人能够主动避免潜在的未来碰撞,而无需仅仅对当前障碍物状态做出反应,从而提升其在动态环境中的适应性[5]、[7]。因此,对于在动态环境中工作的操纵臂而言,开发能够充分利用未来运动信息,并以统一方式处理避碰问题与轨迹约束的运动规划方法具有重要意义[5]、[6]、[7]。本文研究的正是已知动态环境中的机器人操纵臂运动规划问题,其中动态障碍物的未来运动情况可提前获知。目标是生成无碰撞、具有时间参数化的关节轨迹,该轨迹需满足规定的边界条件以及不同阶数关节导数的约束范围。本文并不涉及未知或高度不确定的动态环境问题,也不旨在实现包含完整机器人动力学模型与控制输入的通用运动规划。相反,它聚焦于一个实际应用价值较高的问题,即已知动态环境中的机器人操纵臂的导数约束运动规划问题。
对于本文所研究的问题,传统的独立规划框架往往不够适用。这类方法通常将运动规划分为两个阶段:首先在配置空间中生成几何路径,然后再为其赋予时间参数,以满足速度、加速度或其他轨迹约束[9]、[10]。在静态环境中,这种策略通常较为有效,因为避碰主要依赖于几何路径本身。然而,在已知动态环境中,避碰问题直接取决于操纵臂经过每个配置状态的时间,同时轨迹的可行性还受到不同阶数关节导数约束的限制。因此,避碰问题与时间演化本质上是相互关联的,若将几何路径生成与时间参数化视为两个完全独立的阶段,就无法妥善解决这一规划问题[1]、[6]。正因如此,能够直接生成时间参数化轨迹的集成运动规划框架更为适合本文所研究的问题。现有的集成方法大致可分为四类:基于搜索的运动基元方法、基于优化的运动规划方法、基于树形的运动规划方法以及混合策略。
基于搜索的运动基元方法将可行的轨迹片段纳入图搜索框架中,从而直接生成动态可行的轨迹。典型的例子包括基于运动基元的运动规划搜索方法[11]、[12],以及诸如基于懒惰搜索的运动基元规划方法和混合搜索-优化框架等较新的改进方案。例如,Wang等人[13]将懒惰搜索策略引入运动基元A*算法中,以降低边缘评估的计算负担。Ding等人[14]则利用均匀B样条将无人机运动规划转化为对控制点的搜索优化问题,该方法在保证约束得到满足的同时降低了问题的维度。这些方法的主要局限性在于它们仍然容易受到维度灾难的影响,这使得它们难以高效地应用于高维系统。
基于优化的运动规划方法将运动规划视为一个带约束的最优控制或轨迹优化问题,在该问题中,需要在动态、边界、控制以及碰撞约束条件下优化完整的状态-控制-轨迹组合[15]。典型的方法包括直接配置法[15]、iLQR算法[16],以及MPC/MPPI之类的滚动时域方法[17];当考虑显式动力学模型时,还有CHOMP[18]、TrajOpt[19]和KOMO[20]等轨迹优化框架。这些方法的主要局限性在于,由此产生的优化问题通常具有很强的非凸性,这使它们对初始条件非常敏感,且容易陷入局部最小值。此外,随着规划时间范围、系统维度以及约束复杂性的增加,它们的计算成本也会迅速上升,而对于受约束的机械系统而言,离散化处理还可能引入额外的不一致性问题[15]。
基于树形的运动规划方法将几何树搜索扩展到时间参数化轨迹的生成过程中,能够在不需要显式描述可行区域的全局特征的情况下,保持概率完备性等良好属性,在某些情况下甚至可实现渐进最优性。典型的方法包括Kinodynamic RRT[21]、稳定稀疏RRT(SST)[22],以及LQR-RRT*类型的规划算法[23]、[24]、[25]、[26]。最近的研究还通过降维[27]、[28]、学习型路径调整机制[28]、[29],或是采用前向运动学和碰撞检测等向量化规划基元[30],进一步提升了这类方法的效率。不过,对于高维问题,这些方法仍可能效率不高,因为时间相关变量和导数相关变量会扩大搜索空间,而局部路径调整或轨迹生成往往计算成本较高,尤其是当需要求解双点边值问题时。
最近的混合策略则将基于搜索或采样的探索方法与轨迹优化相结合。例如,iDb-A*[31]和iDb-RRT[32]将具有有界不连续性的局部最优基元连接起来,再通过轨迹优化对其进行修正。其他方法则将图搜索与轨迹优化相互交织,如INSAT和PINSAT[33]、[34];还有一些方法则将基于采样的最优规划与轨迹优化相结合,如BITKOMO[35]。尽管这些混合方法利用搜索或采样进行全局引导,再通过优化进行局部细化,但它们仍然依赖于基元的覆盖范围、离散化或简化的搜索结构、重复的非线性优化,或是合适的初始猜测值。因此,对于具有导数约束和时间相关碰撞约束的高维操纵臂规划问题,这类方法的适用性仍然有限。
尽管已有诸多进展,但在已知动态环境中的机器人操纵臂的导数约束轨迹规划问题仍然具有较高的计算难度。这是因为导数相关变量会扩大规划空间,而局部轨迹生成或连接操作往往计算成本很高。这些问题使得现有的集成规划框架难以同时实现高效率与高质量的解决方案。
为提高本文所研究问题的规划效率,本文采用了均匀B样条参数化方法,并在控制点空间中构建了树形规划框架。其核心思想是利用均匀B样条的数学特性,将边界条件、导数约束以及避碰约束转化为对控制点序列的约束。这样一来,原有的轨迹规划问题就被转化为了对控制点序列的几何规划问题。与直接在包含导数的状态空间中进行树形规划的方法相比,后者会将配置及其所需阶数的导数作为显式搜索变量,而本文提出的重构方法则将导数相关信息从显式的状态坐标转化为连续控制点之间的隐式关系。因此,采样和局部扩展操作都在控制点空间中进行,这不仅降低了显式搜索变量的维度,还便于采用高效的RRT风格扩展方法。基于这一思路,本文提出了以控制点为导向的快速探索随机树算法CP-RRT,以及其双向和重连改进版本CP-BiRRT与CP-BiRRT*。
本文提出的框架与基于B样条的轨迹参数化方法,以及那些通过重构或降维来提升运动规划效率的树形规划方法有着密切关联。但与这些方法不同的是,本文的方法专注于已知动态环境中的导数约束操纵臂运动规划问题,它将基于B样条的重构方法与直接在控制点空间中进行的树形搜索相结合。本文的主要贡献如下:
• 提出了一种基于均匀B样条的轨迹参数化框架,用于已知动态环境中的机器人操纵臂运动规划,通过该框架,边界条件、导数约束以及避碰约束可被转化为对控制点序列的约束。
• 开发了基于控制点空间的树形搜索框架,包括CP-RRT及其改进版本CP-BiRRT和CP-BiRRT*。通过在对B样条控制点进行RRT风格的几何扩展,可在原始关节空间中生成新的控制点,同时通过连续控制点之间的关联隐式表达导数信息。这不仅降低了显式搜索的维度,还避免了基于双点边值问题的局部路径调整。
• 对所提出的控制点空间规划框架的理论性质进行了分析。特别是,针对转换后的空间中强清晰可行控制点序列,建立了最佳可行成本的概率完备性以及概率收敛性保障。
• 通过多种操纵臂规划场景的仿真实验,验证了所提框架在成功率、轨迹质量以及局部规划时间等方面的有效性与高效性。
本文的其余部分结构如下:第2节介绍问题的建模方法与基本概念;第3节阐述所提出的轨迹参数化框架及相应的树形规划算法;第4节报告实验结果与分析;第5节总结全文并探讨未来的研究方向。
已知动态环境中的问题建模:我们研究的是在已知动态环境中的机器人操纵臂的导数约束运动规划问题。设q=[q1,q2,…,qD]?∈RD表示关节配置,其中D为关节坐标的数量。为便于处理,每个多自由度关节会被分解为多个标量坐标。
定义1 配置空间:配置空间C定义为C=q∈RD{qmin≤q≤qmax},其中qmin和qmax∈RD分别表示关节变量的下限和上限。对于配置空间中的任意配置q∈C,记Li(q)?R3为……
过程约束:本小节的主要目标是将方程(4)–(5)中的过程约束转化为对控制点序列的代数约束。这一转化的关键依据在于方程(14)中的导数关系以及方程(19)中的凸包性质。
引理1:考虑一个度数为K的均匀B样条轨迹πP(?),其控制点序列为P=[p0,p1,…,pK+N?1]∈RD×(K+N)。若控制点满足qmin≤pi≤qmax,i=0,1,…,K+N?1,且差分点满足对于每个?=1,2,…,K,……
整体设计:为系统地评估所提算法的性能,我们基于一组典型的已知动态环境中的导数约束轨迹规划场景,设计了一套全面的对比测试方案。所有对比算法均在C++环境中实现并测试。实验是在一台配备Intel(R) Core(TM) i9-14900HX处理器、32.00 GB内存以及64位操作系统的计算机上进行的。在所有实验中,无论是机器人连杆还是……
关于不确定性的讨论:所提出的方法假设障碍物运动情况已知,且机器人执行行为确定,这使得基于控制点空间的规划能够结合确定的B样条避碰检测方法。不过,B样条的凸包性质也为在不确定性条件下的规划提供了可能的扩展思路。由于每个B样条段都包含在其控制点的凸包内,因此可以在控制点层面施加概率安全要求,例如通过机会约束来……
结论:本文提出了一种基于控制点空间的树形规划框架,用于已知动态环境中的导数约束操纵臂运动规划。通过使用均匀B样条,原有的时间参数化轨迹规划问题被重构为对控制点序列的搜索问题,在该问题中,边界条件、导数约束以及时间相关的碰撞约束都可以通过局部控制点片段来处理。基于该公式,CP-RRT、CP-BiRRT。术语定义:q为机械手的关节配置;C为标量关节坐标数量;Cconfig为配置空间;qmin和qmax分别为关节位置的下限和上限;Cfree(t)为时变的无碰撞配置空间;Cobs(t)为配置空间中的时变障碍物区域;π(t)为以时间参数表示的关节轨迹;qmax(j)为关节轨迹第j阶导数的上限;qinit(j)和qgoal(j)分别为关节轨迹第j阶导数的指定初始值和终值;Π为所有配置的集合。贡献声明:吴尚良负责原文撰写、方法论设计、形式化分析以及概念构建;刘广玉负责文稿审阅与编辑、项目监督、管理、方法论研究、资金筹措以及概念构建;唐万清负责数据整理。关于稿件准备过程中生成式AI及AI辅助技术的声明:在撰写本论文时,作者们使用了ChatGPT(OpenAI)来协助语言润色并提升文稿的可读性。在使用该工具后,作者们对内容进行了必要的审阅和修改,并对最终发表的文章内容承担全部责任。利益冲突声明:作者们声明不存在与本研究相关的利益冲突。我们确认自己没有任何可能构成利益冲突的商业或关联利益。致谢:本研究得到了中国国家自然科学基金(项目编号62273124)、中国国家自然科学基金(项目编号62002315)以及浙江省自然科学基金(项目编号LR 14F030001)的资助。此外,该研究还得到了浙江省科技计划项目(项目编号2025C01183)的支持。吴尚良|刘广玉|唐万清
生物通微信公众号
生物通新浪微博
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