💻 computer science

Planning along Differentiable Charts of Constraint Manifolds with General-Purpose IK Solvers

本文提出了一种通过逆函数定理计算通用解析逆运动学参数化的梯度，从而实现受运动学约束的机器人机械臂基于梯度的轨迹规划的方法，同时通过最小二乘域扩展和面向优化的可达性约束，将其有效性扩展至可达工作空间之外。

原作者： Thomas Cohn, Seiji Shaw, Harel Biggie, Travis Manderson, Nicholas Roy, Russ Tedrake

发布于 2026-09-11

📖 1 分钟阅读☕ 轻松阅读

原作者： Thomas Cohn, Seiji Shaw, Harel Biggie, Travis Manderson, Nicholas Roy, Russ Tedrake

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

具有类人灵巧性的机器人面临着一个根本性的难题：当它们的手部必须保持特定的位置或姿态时（例如在行走时稳住杯子，或用双手搬运箱子），该如何规划路径。在机器人领域，机器人所有可能采取位置的空间是巨大的，但当任务要求机器人的手保持固定姿态时，有效的路径会缩减为该空间中极小且隐形的切片。在这一狭窄切片中寻找路径对于计算机来说异常困难。传统的规划工具经常在此折戟，要么陷入停滞，要么需要为每一个新任务编写专门的、手工定制的数学公式。这种局限性阻碍了许多先进机器人执行非结构化环境中的复杂操作任务，因为引导它们的软件往往过于僵化或过于特定，难以重复使用。

麻省理工学院的一个研究小组开发了一种新方法，可以在无需为每台机器重写底层数学模型的情况下，引导机器人穿过这些紧密的约束。他们并没有试图强迫机器人遵循一套僵化的规则，而是创造了一种将机器人运动视为“柔性地图”的方法。其核心方法论基于一个数学原理，允许他们从所需的对手部位置进行逆向推导，从而确定实现该位置所需的关节角度，即使执行计算的计算机程序是一个无法轻易修改的“黑盒”。通过使用微积分中一个标准的规则——反函数定理，研究人员展示了他们可以从机器人的前向运动方程中提取出必要的引导信号。这意味着，只要能处理好机器人试图触及超出其物理范围的目标时的情形，他们就可以将任何现有的、自动化的机器人运动计算工具，瞬间转化为适用于复杂约束规划任务的工具。

研究人员通过在真实的 RB-Y1 机器人上进行测试，证明了该方法的有效性。RB-Y1 是一款旨在模仿人类运动的双臂机器。在一系列二十次试验中，机器人成功地从地板上的不同位置拿起一个箱子，并将其放置在附近的桌子上。机器人必须在一条路径上进行导航，要求两只手臂完美协调以保持箱子稳定，这项任务要求机器人在保持两手之间严格关系的同时，不断调整其关节。该系统通过首先生成一条粗略路径，然后利用这种新的数学技术进行精细化处理来规划这些动作。结果是一种平滑且连续的运动：机器人抬起箱子，直立起身，并将箱子放在桌子上，既没有掉落，也没有违反其关节的物理极限。手部保持对齐的约束满足精度达到了小于一毫米，证明了机器人能够高精度地执行计划。

这项成就之所以意义重大，是因为研究人员并未需要为 RB-Y1 机器人构建一个新的、定制化的数学模型。他们使用了一个标准的自动化求解器，该求解器可以为许多不同类型的机器人生成运动计划，而这类工具通常无法用于此类精细的约束任务，因为它缺乏必要的数学“梯度”或引导信号。团队的创新之处在于创建了一座桥梁，使他们能够从这个“黑盒”求解器中提取出这些信号。他们还解决了第二个问题：当机器人尝试计算一条通往物理上无法到达之地的路径时该怎么办？在过去，计算机会直接崩溃或返回错误。新方法允许系统通过寻找最接近的可能位置并继续计算，从而优雅地处理这些“不可能”的请求，有效地让规划过程即使在机器人进入不可达区域时也能持续运行。

实验表明，这种通用方法几乎与专家为特定机器人编写的专用数学模型一样快。在涉及复杂路径查找和障碍物规避的测试中，新方法计算解决方案的时间仅比定制版本稍长，同时具备了适用于更多种类型机器的灵活性。研究人员发现，通过使用特定技术在机器人接近其触及边缘时平滑计算过程，可以使系统保持稳定和高效。这表明，先进机器人规划的门槛比此前认为的要低得多。工程师现在可以采用通用的机器人和标准的运动求解器，立即将其应用于需要持物、开门或负重行走等任务，而无需配备一支数学家团队来为每一个新应用推导新方程。

这项工作还强调了机器人如何处理失败的重要性。当规划算法建议一个物理上不可能实现的动作时，系统并不会停止；相反，它使用最小二乘法找到最佳近似值并继续优化路径。这种从“不可能状态”中恢复的能力对于现实世界的应用至关重要，因为在现实中，机器人可能并不完全了解物体的位置，或者其环境可能会发生变化。通过在这些困难区域保持梯度信号的流动，优化器可以引导机器人回到可行解。研究人员指出，虽然一些旧方法在数学变得混乱时可能会难以收敛，但他们的方法结合一种新型边界约束，足以应对完成捡箱子任务所需的全范围运动，表现出了极强的鲁棒性。

最终，这项研究改变了教导机器人运动的范式。与其将每一个新任务都视为需要定制化方案的独特数学挑战，该领域可以转向一种更通用的方法，即对标准工具进行即时适配。能够对任何逆运动学函数进行微分的能力，意味着现有的庞大机器人运动软件库可以被解锁，用于复杂的约束规划。在 RB-Y1 机器人上的硬件试验成功证明了这一理论框架在物理世界中的可行性，使机器能够在自身的物理极限与任务需求之间取得微妙平衡。其结果是，朝着让机器人更容易部署到家庭和工厂迈出了重要一步，使其能够执行复杂的操控任务，如同人类一般自然，并由理解运动几何逻辑而非需要为每个新工作重写代码的软件进行引导。

技术摘要：基于可微微分图约束流形的规划与通用逆运动学求解器

问题陈述

在运动学等式约束（例如双臂协作、开门或浮动手操作）下的机器人操作器运动规划，将可行运动限制在配置空间（C-space）的一个测度为零的子流形上。传统的采样规划器在处理这些约束时表现挣扎，通常需要专门的拒绝采样或插值。轨迹优化器也面临类似困难，因为它们必须处理高度依赖初始猜测且具有挑战性的非线性等式约束。

一个简化该问题的有效策略是利用解析逆运动学（IK）对约束流形进行参数化。通过在最小坐标空间（参数化空间）而非完整的 C-space 中表示机器人的路径，可以消除等式约束，从而直接应用标准规划算法。然而，这种方法要求 IK 映射必须是可微的，以支持基于梯度的轨迹优化。虽然手工编写的定制解析 IK 解可以实现可微，但现代机器人领域绝大多数依赖于自动化元求解器（如 IKFast、EAIK），这些求解器生成的代码经过高度优化但不可微。因此，大多数机器人缺乏支持参数化优化框架所需的梯度。此外，即使存在梯度，标准的解析 IK 函数在可达工作空间之外也是未定义的，这会导致非线性优化器在中间迭代过程中提出不可行的末端执行器位姿时发生灾难性失败。

方法论

作者提出了一种框架，旨在不修改求解器本身的情况下，通过通用、黑盒 IK 求解器实现基于梯度的优化。该方法由三个主要部分组成：

1. 通过逆函数定理（IFT）进行微分

为了避免对复杂的、经过优化的 IK 求解器代码进行微分，作者利用了逆函数定理。他们构建了一个**增广正向运动学（Augment Forward Kinematics）**函数 $F_{KA}$ ，该函数将关节角 $q$ 映射到末端执行器位姿以及连续的自运动参数（ $\psi$ ）。

逆运动学映射的雅可比矩阵 $D\text{IK}$ 是通过增广正向运动学的雅可比矩阵 $D F_{KA}$ 恢复得到的，其关系为 $D F_{KA} = [D\text{IK}]^{-1}$ 。
为了计算 IK 映射相对于决策变量的梯度，系统通过求解涉及 $D F_{KA}$ 的线性方程组而非显式求逆矩阵来完成。这种方法具有全局一致性，且仅依赖于易于微分的标准正向运动学。

2. 最低二乘域扩展

为了解决末端执行器位姿在可达工作空间之外导致梯度未定义的问题，作者扩展了解析 IK 函数的定义域。他们定义了一个连续扩展函数 $\hat{\text{IK}}$ ，当目标不可达时，该函数返回使实现位姿与期望位姿之间的最低二乘误差最小化的配置。

该扩展的梯度是通过灵敏度分析推导出的。
考虑到精确的最低二乘解计算成本过高，本文提出了几种受数值 IK 文献启发的快速近似方法，包括：
- 零梯度。
- 增广雅可比矩阵的伪逆。
- Levenberg-Marquardt (LM) 阻尼（常数或奇异值阈值化）。
- 残差阻尼和各向异性阻尼。
- 全牛顿法（使用 Hessian 矩阵的一个子集）。
在实践中，作者通常依赖于高效的近似方法（例如几何子问题最低二乘或二分搜索），而不是计算完整的最低二乘解，同时仍利用推导出的雅可比公式进行梯度流计算。

3. 边界可达性约束

标准的到达性约束（强制要求 IK 解的正向运动学匹配目标）在所有地方都是激活的，这会阻碍优化器的收敛。作者提出了一种新的边界可达性约束，该约束仅在可达工作空间的边界附近激活。

该约束强制要求投影配置处的运动学雅可比矩阵是非奇异的。
通过公式 $b := -\log \det(JJ^T + \epsilon I) \leq \tau$ 进行表述，它提供了良好的梯度特性，并允许优化器在迭代偏离工作空间时恢复可行性，在数值实验中表现优于直接的可达性约束。

核心贡献

通用型微分： 一种利用逆函数定理和增广正向运动学来计算任何解析 IK 函数（包括黑盒元求解器）梯度的创新方法，消除了对定制化、可微 IK 代码的需求。
鲁棒的域扩展： 一种最低二乘公式及其一系列高效近似方案，为工作空间外的末端执行器位姿提供有效的梯度，防止优化器在中间步骤中失效。
适用于优化的约束： 一种仅在工作空间边界处激活的边界可达性约束公式，与传统的直接可达性约束相比，提高了轨迹优化器的收敛性能。
硬件验证： 在 Rainbow RB-Y1 双臂机器人上成功演示了该框架，完成了 20 次拾取与放置实验，在保持严格运动学约束的同时，将箱子从地面移动到桌面上。

实验结果

论文通过数值实验和硬件测试验证了该方法：

梯度精度与速度： 与针对定制解析 IK 解的前向模式自动微分（autodiff）进行对比，结果显示 IFT 方法达到了极高的精度（中位数误差 $< 10^{-13}$ ）。虽然对于较小的偏导数规模，autodiff 更快，但由于构建增广雅可比矩阵的成本是恒定的，因此在较大的偏导数规模下，IFT 方法变得更快。
下游规划性能： 在涉及凸集图（IrisNp2）、轨迹优化（Trajopt）和时间参数化（TOPPRA）的任务中，所提出的带有边界可达性和残差阻尼策略的 IFT 方法实现了与定制 autodiff 基准相当的运行时间。值得注意的是，与直接可达性约束相比，边界可达性显著缩小了 IrisNp2 的运行时间差距。
通用求解器集成： 该框架已成功应用于 EAIK 求解器（用于 UR5e 抓取选择）和 IKFast（用于 RB-Y1 双臂系统）。
- 在 UR5e 抓取选择任务中，基于 IFT 的方案实现了 90-93% 的更高成功率，优于 C-space 基准的 86%，尽管中位数代价略高。
- 在 RB-Y1 硬件实验中，机器人成功规划并执行了 20 条拾取与放置轨迹。测得的约束违反量极小（位置偏差 0.555 mm，姿态偏差 1.597 mrad），证明了机器人可以通过关节位置控制实现计划追踪而不会掉落物体。

意义与主张

本文声称显著降低了在最小坐标下进行受限轨迹优化的门槛。通过将对可微 IK 代码的需求与优化框架解耦，该方法允许研究人员和工程师利用现有的广泛自动化 IK 求解器生态系统来处理复杂的操控任务。

作者强调，其方法提供了必要的梯度，使研究人员能够将机器人视为“浮动手”进行推理，从而实现能够规避关节限制、工作空间边界和运动学奇异性的全局规划——这是局部微分 IK（DiffIK）通常缺乏的能力。虽然该方法与定制的 autodiff 实现相比引入了轻微的运行时间开销，但其带来的通用求解器能力和通过域扩展及边界约束提供的鲁棒性证明了这一权衡是合理的。这项工作弥合了定制解析解与自动生成解之间的鸿沟，使基于梯度的规划对更广泛的机器人系统变得触手可及。