⚡ electrical engineering

A Study on Dynamic Obstacle Avoidance Using the UR5 Robot Arm

本文提出了一种用于 UR5 机械臂的分层在线避障框架，该框架集成了基于 RRT* 的离线规划、基于 APF 的轨迹预弯曲以及两层软约束线性 MPC，通过独立的基于胶囊体（capsule-based）的安全门控机制，在动态环境中实现了实时性能、平滑运动和 100% 的安全性合规。

原作者：敬业段, 谭飞

发布于 2026-08-18

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： 敬业段, 谭飞

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

在未来的繁忙工厂中，机器人不再被局限于笼中，不再孤立地远离人类双手工作。它们正走向共享空间，与人类并肩协作，进行汽车组装、包装纸箱以及处理易碎材料。这种转变要求这些机器的思维方式发生根本性的变化。在静态工厂中的机械臂可以按照预设程序路径进行完美精准的运动，但在一个人类和物体都在不可预测地移动的动态世界里，同样的僵化路径就会变成一种危险。工程师面临的核心挑战是：如何教会机器人观察移动的障碍物，预测它在下一瞬间会出现在哪里，并平滑地绕行，而不发生停顿、剧烈抖动或碰撞。这需要一种微妙的平衡：机器人必须足够快，以便实时做出反应；足够聪明，以便规划出一条安全的路径；并且足够温柔，以保持动作的流畅性，从而不会损坏自身或其携带的物品。

四川轻化工学院的研究人员通过为一种被称为 UR5 的标准六轴机器人手臂开发一种新的三层策略，解决了这一问题。他们的研究方法在最近的一项研究中得到了详细阐述，该方法不再依赖于单一且复杂的算法来解决所有问题，而是将任务分解为三个不同的阶段：长期规划、中期调整和最终安全检查。其目标是创建一个能够导航于充满移动球体和箱子的工作空间的系统，确保机器人永不发生碰撞，同时保持动作平滑，并使反应时间足以在标准工业控制器上运行。

他们系统的第一层发生在机器人开始移动之前。研究人员使用了一种称为“快速探索随机树”的方法，在房间的静态部分（如固定柱子或墙壁）中规划出一条安全且无碰撞的路径。但他们并未止步于此。意识到移动的障碍物通常遵循可预测的模式，他们在离线规划阶段增加了第二个步骤。他们模拟了移动物体可能采取的行驶轨迹，并提前对机器人的规划路径进行了微调，使其产生自然的弯曲，从而预留出额外的空间。想象一下一位驾驶员，看到前方有车辆汇入高速公路，他会提前微调车道位置以创造一个舒适的缓冲空间，而不是等到最后一刻才猛打方向盘避让。这种对路径的“预弯曲”意味着机器人不需要在随后进行突然、剧烈的修正，从而减轻了电机的压力并保持了运动的平滑。

一旦机器人开始执行任务，系统的第二层便接管了控制权。这是操作中的实时大脑，采用了称为“模型预测控制”的技术。可以将这想象成一名驾驶员不断向前观察，检查未来几秒内的路况，并进行细微的方向调整以保持在车道内。研究人员设计的这个控制器有两个不同的“安全区”。第一个区域是“首选距离”，即一个舒适的缓冲区，机器人会通过轻微改变路径来远离移动物体。第二个区域是“硬安全线”，这是一个机器人无论如何都不能逾越的边界。通过对这两个区域进行差异化处理，系统可以在环境平静时保持灵活性，而在障碍物过近时变得极其谨慎。这种双层方法使机器人能够在保持平滑轨迹的同时，依然拥有一套稳健的防御机制应对突发危险。

然而，研究人员深知即使是最完美的预测也可能出错。如果移动物体突然改变方向或速度，机器人的计划可能就不再安全。为了解决这个问题，他们增加了第三个独立的层级，充当最后的守门人。在机器人执行任何指令之前，该层级会进行快速的几何检查，以确保机械臂在接下来的极短时间内不会撞到任何东西。如果检查失败，系统拥有一套三步紧急预案：首先，尝试制动；如果制动不足，则将机械臂推离危险区域；如果以上手段都失效，则保持当前位置并发出警报。这个安全闸门确保了即使主规划系统出现了失误，机器人也不会跨越那条硬安全线。

团队在计算机模拟中对该系统进行了广泛测试，将其与机器人领域常用的其他方法进行了对比。在一组测试中，他们将这种新方法与一种名为“人工势场法”的标准技术进行了比较，后者虽然简单，但往往会导致剧烈的、走走停停的运动。结果令人瞩目。虽然两种方法都能成功避免碰撞，但这种新的分层系统产生的运动轨迹明显更加平滑。研究人员测量了“加加速度”（即加速度变化的剧烈程度），发现该方法产生的加加速度不到标准方法的一半。这意味着机器人的运动具有更高的流畅度，对机械部件更温和，也更适合处理精细物品。

安全性是衡量系统最关键的指标，而该系统在这方面表现得无懈可击。在涉及移动障碍物的一百个随机场景测试中，机器人从未突破过硬安全边界。相比之下，其他缺乏最终安全闸机的测试方法则完全失败，在每一次试验中都撞上了障碍物。研究人员还测试了系统处理预测误差的能力。他们设计了一个场景，其中移动物体突然转向，在这种情况下，机器人对物体路径的预测会出错。即便是在这种困难的情况下，独立的安全性闸门也捕捉到了潜在的错误并防止了碰撞，证明了该系统即使在预测不准确时也能保持安全。

研究还考察了系统的速度，这是实际应用中的关键因素。整个规划、检查和验证的过程必须在极短的时间窗口内完成，即 24 毫秒，这是工业机器人控制器的标准心跳周期。研究人员发现，他们的系统轻松满足了这一要求。解决问题的中位时间仅为 7.7 毫秒，即使在最复杂的情况下，系统也极少超过 16 毫秒。这为机器人应对环境中的新变化留出了充足的反应时间。此外，研究人员还验证了执行这些动作所需的力和速度都在 UR5 机器人的物理极限之内，确保了该计划不仅在数学上成立，而且在物理上是可行的。

通过一系列详细的实验，研究人员证明了将规划、反应和验证的任务分离，比试图同时处理所有任务能创造出一个更稳健、更高效的系统。通过将部分工作量转移到离线规划阶段，他们释放了实时控制器的压力，使其能够专注于平滑、精确的调整。通过增加最终的安全闸门，他们确保了机器人能够应对突发状况而不发生故障。其结果是，机器人可以安全地与人类并肩工作，以一种优雅且可靠的方式运动，使协作机器人的愿景离现实更近了一步。研究结论指出，尽管没有任何系统能完美预测未来，但结合了预见性与独立验证的分层方法，可以建立起一个足以应对动态世界不确定性的安全网。

技术摘要：基于 UR5 机械臂的动态避障研究

1. 问题陈述

本文探讨了在动态的人机协作空间中，为六自由度（6-DOF）UR5 机械臂生成安全、平滑且可实时执行运动的挑战。现有方法面临特定的局限性：

基于采样的规划（如 RRT）：* 通常假设环境是静态的，难以适应变化的障碍物状态，无法保证动态场景下的执行安全性。
反应式方法（如人工势场法 - APF）： 虽然计算效率高，但缺乏前瞻性，依赖当前状态，且容易陷入局部最优、产生轨迹振荡以及导致低效的大幅度规避动作。
模型预测控制 (MPC)： 具有前瞻能力，但在处理高自由度机械臂众多的运动学和碰撞约束时，计算复杂度过高，难以在严格的控制周期（例如 24 ms）内求解。

核心问题在于安全性、实时性能与动态可行性之间的权衡。单一算法难以同时满足全局搜索、局部响应和硬性安全约束，尤其是在存在预测误差的情况下。

2. 方法论

作者提出了一个用于 UR5 机械臂的分层在线避障框架，将职责解耦为三个不同的层级：离线规划、在线优化以及提交前安全门控。

2.1 系统建模

运动学： 使用改进的 Denavit-Hartenberg (DH) 参数对 UR5 进行建模。
几何形状： 将连杆近似为胶囊体（统一半径 $L_r = 45$ mm），以确保进行连续、与采样无关的距离计算，从而实现碰撞规避。
安全阈值： 定义了三个距离层：
1. 硬安全底线 (185 mm)： 绝不可逾越。
2. 软约束主要防御层 (265 mm)： 随速度增加而上升。
3. 偏好间距 (405 mm)： 理想的操作距离。

2.2 分层框架

离线层（全局规划与预弯曲）：
- RRT：* 在静态环境中生成无碰撞的全局参考轨迹。
- APF 参考预弯曲： 根据动态障碍物的名义（恒定速度）运动趋势在离线阶段调整参考轨迹。这减轻了在线控制器的避障负担，通过创建一个“预弯曲”路径来预判障碍物，而无需获取在线层无法获得的未来信息。
在线层（两层软约束线性 MPC）：
- 预测： 使用恒定速度外推法预测动态障碍物。
- 优化： 采用滚动时域 MPC 求解二次规划 (QP) 问题，以追踪预弯曲的参考轨迹。
- 两层软约束： MPC 不使用硬不等式，而是采用带有差异化权重的两个松弛层：
  - 偏好层（低权重）： 处理常规接近情况，温和地增加间隙。
  - 安全层（高权重）： 当机械臂接近硬安全阈值时激活，优先考虑安全性而非追踪性能。
- 该结构允许系统在不立即违反硬限制的情况下，在追踪性能与安全裕度之间进行权衡。
提交层（提交前安全门控）：
- 独立验证： 在执行命令之前，通过独立的几何检查，验证当前配置与候选命令在整个控制周期间隔内的“胶囊体扫掠”间隙。
- Lipschitz 快速筛选： 使用端点边界，如果间隔被保证安全，则跳过完整的扫掠检查。
- 三级回退机制： 如果命令未通过验证，系统将触发：
  1. 制动路径搜索。
  2. 通过势场斥力进行主动规避。
  3. 若所有手段失效，则提交具有最大间隙的配置（并发出警报）。
- 该层充当“深度限制过滤器”，旨在防止侵入深度和持续时间，而非消除物理上不可能实现的场景中的违规。

3. 主要贡献

分层安全性感知框架： 一个解耦的架构，集成了离线 RRT*、APF 辅助预弯曲和在线 MPC，实现了全局路径生成、动态响应与安全性验证的分离。
两层软约束线性 MPC： 一种新型控制结构，通过使用加权松弛变量区分常规接近与关键安全威胁，在保持安全裕度的同时提高了运动平滑度和实时性能。
独立的提交前安全门控： 一种结合了连续扫掠检测与多级回退机制的几何验证机制，增强了针对预测误差和模型不确定性的鲁棒性。
系统性评估： 通过基准对比、消融研究、灵敏度分析以及动态条件下的蒙特卡洛统计分析进行了全面的验证。

4. 结果

实验在 MATLAB 中使用 UR5 运动学模型和 OSQP 求解器进行。

安全性与成功率：
- 在主要基准对比中（表 3），该方法实现了 94.2% 的任务成功率 (Task Success Rate)。
- 在涉及 100 次随机试验（包含扰动遭遇参数）的独立蒙特卡洛统计验证中，任务成功率（到达且未发生违规，Mission Success Rate）为 100%，在所有 100 次试验中 硬限制突破率为 0%。
- 在 55 种参数配置和高曲率伏击场景中均未发生硬限制突破。
- 中位最小动态间隙为 404.4 mm，第 5 百分位数为 303.1 mm（远高于 185 mm 的硬阈值）。
性能与平滑度：
- 关节加加速度 (Jerk)： 该方法将关节加加速度降低至标准 APF 方法的 1/2.59（295 rad/s³ vs. 765 rad/s³），显著提升了运动平滑度。
- 实时性能： 中位在线求解时间为 7.7 ms，第 95 百分位时间为 16.24 ms，满足 24 ms 控制周期的要求（符合率 99.56%）。
- 动态可行性： 所有关节转矩和速度均保持在 UR5 额定限制内（例如，肩部关节峰值转矩利用率为 78%）。
消融与灵敏度：
- 两层 MPC： 与单层结构相比，增加了 37–106 mm 的最小间隙。
- 预弯曲： 在压力场景下，将峰值在线偏好层松弛量减少了约 45%，将避障负担转移到了离线阶段。
- 门控机制： 在对抗性试验中，门控机制使侵入动量减少了 23%，平均深度减少了 25%，违规持续时间减少了 39%。
预测 vs. 门控：
- 完美预测相比于恒定速度外推法，将中位最小间隙提升了 11.2 mm，证实了预测质量能增强安全裕度。
- 然而，即使在严重的预测失配（恒定速度外推）情况下，独立的门控机制仍维持了 零硬限制突破，证明了即使预测不完美，门控也能保障底线安全。

5. 重要性与声明

本文声称该分层框架成功平衡了动态避障中 6 自由度机械臂的安全性、平滑度和实时性能。通过将全局规划、参考调整和安全性验证解耦，该系统减轻了在线优化的计算负担，同时增强了对预测误差的鲁棒性。

作者明确指出，提交前门控是一个深度限制过滤器，而非违规消除器；它无法保证从物理上不可行的遭遇（例如，极高速障碍物横扫机械臂）中逃脱。然而，通过结合离线预弯曲、差异化软约束和独立门控，该系统提供了一种稳健的工程解决方案，在 100% 的蒙特卡洛统计试验中维持了硬性安全边界，在安全裕度和运动平滑度方面均优于单层 MPC 和反应式基准方法。