⚡ electrical engineering

HiCART-OMP: Human-inspired Collision Aware Trace Following Real Time and Online Motion Planner

本文提出了 HiCART-OMP，一种实时、在线的运动规划器，它通过将受人类启发的轨迹跟踪与预测性多轨迹展开相结合，实现末端执行器路径收敛与全身避障的解耦，从而使机器人能够在动态、非结构化环境中安全且高效地导航。

原作者： Emilio Maranci, Salvatore D’Avella

发布于 2026-08-26

📖 1 分钟阅读☕ 轻松阅读

原作者： Emilio Maranci, Salvatore D’Avella

原始论文采用 CC BY 4.0 许可（https://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

长期以来，机器人一直是工厂车间的专家，在环境永恒不变的情况下执行同样精确、重复的动作。但随着工业 4.0 和 5.0 的愿景将机器带入与人类共享的空间，交互规则必须发生改变。在一个人类移动不可预测且物体会毫无预警发生位移的世界里，机器人不能依赖于预先写好的剧本。它必须能够看到新的障碍物，在瞬间决定如何绕行，并且仍能以所需的精确姿态到达目的地去拿起一个杯子或拧紧一颗螺丝。这需要一种微妙的平衡：机器人必须具备足够的反应能力来躲避突然的动作，同时又要足够聪明，能够规划出一条不会陷入死胡同的路径。多年来，工程师们一直致力于寻找一种既能结合反射速度又能兼顾地图远见的算法，而过去往往被迫在安全性和效率之间做出选择。

比萨大学圣安娜高等学院（Scuola Superiore Sant'Anna）的一个研究小组开发了一种旨在解决这一问题的全新系统。他们将其称为 HiCART-OMP，这是一种允许机器人手臂在复杂的、变化的实时环境中进行导航的运动规划器。其背后的核心思想出奇地具有人性化。当一个人在拥挤的架子上伸手拿东西时，他们并不会计算一条从手到物体的单一、僵硬的直线。相反，他们会形成一个大致的路径概念，然后在移动过程中不断调整手臂，在绕过咖啡杯或一叠书的同时，始终盯着目标。研究人员将这种直觉行为转化为一种数学框架，引导机器人的末端执行器（即手臂末端的工具）沿着一条随着世界变化而自我重塑的柔性路径移动。

该系统的工作原理是首先在空间中从机器人手部当前位置到目标位置之间画出一条直线。这条线不是一条僵硬的轨道，而是一条由许多微小点组成的“活”路径。随着机器人的移动，外部摄像头会扫描环境并构建一个包含所有可见物体的数字地图，包括静态家具和移动的人员。如果系统检测到路径附近存在障碍物，它会施加一种虚拟的排斥力，将路径点推离，从而使路线绕过危险区域。至关重要的一点是，机器人的手被引导遵循这条弯曲的线，而机器人的其余部分则通过另一套独立的规则同时进行避障转向。这种分离使得机器人在其关节为了避免碰撞自身或附近物体而扭转旋转时，手部仍能保持在既定航线上。

这种方法的独特之处在于它如何进行预判。虽然许多反应式系统仅关注眼前的下一步，但 HiCART-OMP 会不断模拟多种未来的可能性。它会从当前路径中生成几条分支替代路径，并测试每一条路径，以观察哪一条能最安全、最快速地抵达目标。它根据路径长度、与障碍物的距离以及机器人的关节是否接近物理极限来评估这些选项。如果其中一条替代路径看起来比当前路径更好，系统就会平滑地切换到该路径。这种预测能力防止了机器人陷入局部死胡同——这是简单系统常见的失败点，这类系统可能会将机器人推入角落，使其无法退出。

研究人员在计算机模拟和真实机器人上对该方法进行了测试，使用的机器人包括一台来自 Franka Emika 的七轴机械臂和一台来自 Doosan 的六轴机械臂。他们让该系统在设计精巧的困难场景中与其他尖端规划器进行对抗，例如在书架间的狭窄缝隙中导航，或躲避在工作空间内摆动的移动物体。在充满严格约束的静态环境中，这种新规划器成功抵达了目标，表现优于其他经常卡住或发生自碰撞的方法。在物体移动的动态环境中，该系统的成功率接近 86%，显著高于竞争对手。当其他系统因为在障碍物附近犹豫过久或在寻找路径时超时而导致失败时，HiCART-OMP 则以流畅的自信度移动，完成任务的时间通常比其他系统快约三秒。

性能的关键在于系统如何处理机器人的速度和安全性。研究人员设计了一种特殊的控制机制，其作用类似于刹车，在靠近障碍物时自动减慢机器人的速度。这确保了即使机器人必须经过移动物体附近，也能以受控、温和的方式通过，而不是冒险冲刺。此外，系统优先考虑将手部送达正确位置，只有在靠近目标后才专注于手的精确角度。这使得机器人在旅途中能够保持灵活性和敏捷性，仅在安全时才锁定最终的刚性姿态。

结果表明，通过模仿人类规划和调整动作的方式，机器人可以在非结构化空间中更安全、更高效地运行。该系统不需要预先了解房间内的物体；它利用摄像头数据从零开始构建对世界的理解，每秒刷新地图六十次。这使其能够对发生的改变做出反应，使其适用于人机协作的环境。虽然测试是在受控环境下进行的，但其能够以每秒一千次的频率生成平滑、无碰撞动作的能力，标志着在使机器人成为现实世界中真正适应性伙伴的道路上迈出了重要一步。

技术摘要：HiCART-OMP

问题陈述

在以人为中心的非结构化环境中运行的机器人面临着运动规划中的一个根本性权衡：局部反应式规划器对动态变化响应迅速，但容易陷入局部最优并产生近视决策；而长时界全局规划器虽然能提供最优性，却因计算成本过高而难以实现实时响应。现有方法通常难以在全局路径最优性与对动态障碍物的局部反应性之间取得平衡，尤其是在同时要求精确的任务空间精度和全身安全性时。此外，传统的人工势场（APF）方法经常无法以足够的精度到达目标位置（即 GNRON 问题），或陷入由于斥力阻止收敛而导致的配置陷阱（即 RLMP 问题）。

方法论

所提出的框架 HiCART-OMP（人类启发式碰撞感知轨迹跟踪实时在线运动规划器）通过结合局部障碍物驱动的路径变形与预测性多轨迹展开来解决这些挑战。该方法基于基于姿态（via postures）和分层任务约束的人类运动模型。

核心组件

笛卡尔路径生成与变形：
- 规划器从当前末端执行器位姿到目标的笛卡尔空间内初始化一条直线路径。
- 符号距离场 (SDF)： 外部 RGB-D 相机（60 Hz）更新 Octomap，并将其转换为 SDF。这提供了关于障碍物的实时距离和梯度信息。
- 动态路径塑形： 路径被视为一系列受两种力作用的路径点：
  - 斥力 ( $F_r$ )：源自 SDF 梯度，将路径点推离障碍物。
  - 弹性力 ( $F_e$ )：作用于相邻路径点之间，以保持路径平滑度并防止“斥力爆炸”。
- 路径点的数量是可变的，允许路径动态地扩张或收缩，从而在绕过障碍物的同时保持平滑性。
轨迹展开（预测性评估）：
- 为了克服局部最优，系统异步生成 $N_p$ 条替代轨迹。
- 变形原语： 从当前路径上的特定路径点开始，应用半圆形的变形原语，随后进行围绕指向目标的轴线的缩放和旋转变换。
- 评估： 每条候选路径使用实际控制律在长预测时界内进行模拟。代价函数根据成功率、路径长度和与障碍物的最小距离对路径进行评估。最优路径会被平滑地合并到当前轨迹中。
统一控制律：
- 追踪控制器： 一种自定义的闭式控制律，确保末端执行器收敛至动态生成的路径。它使用路径的多项式近似和一个基于李雅普诺夫的稳定项。
- 任务优先级： 该控制框架将末端执行器收敛（主要任务）与全身避障及姿态调节（零空间内的次要任务）解耦。
- 自适应姿态权重： 姿态任务的影响力由基于与目标距离的指数因子进行调节。在导航期间会放宽姿态约束以利于避障，并在接近目标时逐步加强约束。
- DCALS 伪逆： 采用了一种自定义的“阻尼碰撞感知最小二乘”（DCALS）伪逆。它修改了标准的阻尼最小二乘解，通过显式惩罚向障碍物靠近的速度，确保在奇异点和障碍物附近表现出安全的阻尼行为。
实时执行：
- 系统以 1 kHz 的频率运行速度指令。
- SDF 以 60 Hz 更新。
- 轨迹展开在并行线程中运行（控制步模拟高达 10 kHz），且不会阻塞主执行过程。

主要贡献

本文确定了四个主要贡献：

人类启发式重构： 将人类运动模型（姿态与分层约束）进行笛卡尔重构，专门用于反应式机器人运动规划。
统一的预测-反应策略： 将基于 SDF 的局部路径变形与长时界轨迹展开相结合，实现了实时评估多条候选轨迹。
解耦控制框架： 一种任务优先级控制器，在保证末端执行器向路径收敛的同时，引导剩余连杆远离障碍物，克服了传统 APF 方法的 GNRON 和 RLMP 局限性。
安全性增强： 引入了自定义的 DCALS 伪逆，该伪逆能降低靠近障碍物时的趋近速度并包含紧急停止条件，同时结合自适应姿态权重，确保精确的目标调节。

实验结果

该方法在仿真（Gazebo）以及真实机器人（Franka Emika Panda 和 Doosan M0609）上通过 MotionBenchMaker 套件和自定义动态场景进行了验证。

静态环境： 在 MotionBenchMaker 的“书架（Bookshelf）”和“桌面取物（Table Pick）”场景中，HiCART-OMP 在书架场景中达到了 100% 的成功率，在桌面取物场景中达到了 75%，优于 CHOMP、QPIK 等基准方法。它展示了在狭窄间隙中导航且无自碰撞的卓越能力。
动态环境： 在涉及移动障碍物的九个动态场景中，HiCART-OMP 达到了 85.71% 的成功率，优于 STORM (78.57%) 和 RAMP (78.57%)。
- 效率： HiCART-OMP 完成任务的速度显著更快（平均 15.45s，而竞争对手约为 18s），且遵循的笛卡尔路径更短（1.38m 对比 RAMP 的 2.18m）。
- 安全性： 虽然 RAMP 维持了较大的平均最小障碍物距离，但 HiCART-OMP 能在更近的距离内安全操作而不影响任务完成。竞争对手经常因为在目标附近因强斥力产生振荡而导致超时失败，而 HiCART-OMP 的 DCALS 伪逆使其能够通过减缓趋近速度来实现收敛。

意义与主张

作者声称 HiCART-OMP 成功弥合了全局最优性与局部反应性之间的鸿沟。通过将末端执行器的路径收敛与机器人的全身避障解耦，该方法在保持任务空间精度的同时，在非结构化环境中维持了安全性。

论文断言，所提出的框架克服了传统势场法中常见的局部最优和收敛失败问题。集成预测性轨迹展开使规划器能够预见未来的碰撞并切换到更安全的路径，而自适应姿态权重确保了机器人在复杂的狭窄空间内导航时，不会受到过早姿态约束的阻碍。结果表明，该方法为对安全性、效率和适应性要求极高的协作机器人领域提供了一种鲁棒的实时解决方案。