⚡ 电气工程

Reactive Online Motion Generation for Redundant Manipulators with Adaptive Manipulability Weighting

本文提出了一种针对冗余机械臂的在线运动生成方法，该方法通过自适应权重方案和参考椭球体，动态调整目标达成与可操作性提升之间的优先级，从而使机器人能够在无需固定参考轨迹的情况下，高效地避开奇异点并到达目标。

原作者： Ryuji Nakagawa, Ryosuke Tasaki

发布于 2026-10-28

📖 1 分钟阅读☕ 轻松阅读

原作者： Ryuji Nakagawa, Ryosuke Tasaki

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

拥有许多关节的机器人（如人类手臂）具有卓越的灵活性，这使得它们能够以无数种不同的方式让手部到达空间中的同一个点。这种灵活性是一把双刃剑。虽然它提供了自由，但也创造了一个隐藏的危险：某些位置会让机器人变得僵硬，导致其在特定方向上无法移动，否则就会造成电机受损或完全失去控制。工程师们将这些危险的位置称为“奇异点”（singularities）。为了保持机器人的平稳运行，它必须在完成任务的同时，不断避开这些死胡同。挑战在于如何平衡两个相互竞争的需求：快速到达目的地，并保持一种能让机器人保持敏捷且随时应对后续变化的姿态。

多年来，研究人员一直试图通过预先计算安全路径，或使用将每种运动都视为同等对待的固定规则来解决这个问题。然而，当机器人的起始位置发生变化或环境变得不可预测时，这些方法往往难以应对。青山学院大学的中川隆志（Ryuji Nakagawa）和田崎亮介（Ryosuke Tasaki）的一项新研究提出了一种不同的方法。该方法不再遵循僵化的、预先绘制好的地图，而是允许机器人实时决定自己的路径，根据其当前姿态的“健康”程度不断调整优先级。研究人员开发了一套系统，让机器人在向目标移动的同时，能够检测自己是否正在滑向僵硬、尴尬的位置；如果是，则在不丢失目标的情况下，轻轻地引导自己远离该位置。

这一新系统的核心是一种对空间和距离的动态思考方式。想象一下，机器人被给予了一份“预算”，规定了它偏离连接起点与终点的直线所能行驶的最大距离。如果机器人在一个舒适、灵活的位置，它会消耗极少的预算，紧贴直接路径行驶。但如果机器人感觉到自己正进入一个僵硬的构型，系统就会利用这份预算，允许机器人采取更宽、更弯曲的迂回路径，以恢复其灵活性。这个预算并非一个固定数值；它随着机器人的移动而缩小，从而确保机器人最终会耗尽绕行空间，被迫全身心地专注于到达目标。

为了做出这些决策，研究人员创建了一个数学工具，它就像是一个灵活性的“指南针”。在每一毫秒内，机器人都会计算出哪个方向能让它最敏捷。然后，它会查看剩余的可以承受的距离“预算”，并在该限制范围内找到最佳位置向其移动。这个位置并不是通过猜测或搜索成千上上个选项来选定的（因为那对于实时系统来说太慢了）；相反，机器人利用一个随接近目标而缩小的几何形状，瞬间计算出完美的目标点。这使得机器人能够对自身不断变化的状态做出即时反应，在灵活性较低时优先考虑灵活性，在灵活性较高时优先考虑速度。

研究人员利用七轴机器人手臂在计算机模拟中对这一想法进行了广泛测试。他们设置了三种不同的起始情况：一种机器人处于舒适位置，一种机器人处于非常尴尬、僵硬的姿势，以及一种处于两者之间的情况。在所有案例中，机器人都成功到达了目的地。当机器人从僵硬位置开始时，系统会立即允许它采取较长的曲线路径，在前往目标前先修正姿态；当机器人处于良好位置时，它会紧贴直线，避免不必要的迂回。事实证明，通过实时调整优先级，机器人可以在不需要为每个新起点设定不同规则的情况下，避免陷入糟糕的位置。

为了证明这在现实世界中可行，团队将一杯液体附着在机器人的手上，并要求它将杯子从一个位置移动到另一个位置而不洒出。这要求机器人在移动时保持杯子完全竖直。在一次测试中，机器人处于一个如果沿直线移动就会导致变得僵硬并可能掉落杯子的起始位置。新系统成功引导机器人走了一条曲线路径，既保持了杯子的竖直，又保持了机器人的灵活性，同时移动速度达到了每秒100次。每次计算耗时不到一毫秒，证明了该方法足以进行实时控制。

这项研究证实，机器人不需要预先规划好的地图也能安全高效地移动。通过不断评估自身的灵活性并使用一个不断缩减的允许绕行预算，机器人可以自主应对复杂的局面。研究人员发现，这种自适应方法优于使用固定规则的旧方法，尤其是在机器人处于困难起始位置时。虽然该系统不能保证在每种可能的情况下都能获得完美路径，但它展示了在达成目标与保持敏捷之间进行平衡的强大能力。这项工作预示着一个未来：机器人可以处理不可预测的任务，具备类似于人类运动的自然流畅性，它们不仅是向着目的地移动，更是带着对自身物理极限的感知，穿行于世界之中。

技术摘要：具有自适应可操作性加权的冗余机械臂反应式在线运动生成

问题陈述
对于冗余机械臂而言，维持运动能力（可操作性）至关重要，以避免因运动方向受限或关节速度激增而导致的奇异状态。虽然现有方法解决了可操作性问题，但仍面临局限性：离线能力图谱的生成成本高昂，且可能无法反映当前的逆运动学分支；控制层面的零空间投影仅能在完成主任务后剩余的冗余度内改善可操作性，无法改变末端执行器的路径；而规划层面的方法通常需要预定义的轨迹或复杂的搜索树。此外，当使用固定权重时，难以平衡目标达成与可操作性提升之间的优先级，因为固定权重在可操作性较高时会导致不必要的绕路，而在可操作性较低时又无法提供足够的引导。本研究旨在解决一种需要反应式、在线运动生成方法的需求，该方法能够在没有预定义中间轨迹的情况下，动态调整提升可操作性与到达目标之间的优先级。

方法论
所提方法根据当前状态实时生成参考速度，并将其整合到受关节约束的速度级二次规划（QP）中。其核心组件包括：

路径长度预算与参考椭球：
基于起点到终点的直线距离（ $L_{min}$ ）和允许的绕行比例（ $r_{detour}$ ）定义一个路径长度预算（ $L_{max}$ ）。随着末端执行器移动，累积路径长度（ $L(t)$ ）从 $L_{max}$ 中减去，以确定剩余预算（ $B(t)$ ）。该预算定义了一个中心位于当前位置与目标点之间的 3D 参考椭球。该椭球代表了一个空间区域，在此区域内可以选取一个可操作性参考位置，且不会超过总允许路径长度。
解析参考位置生成：
该方法并非搜索候选点，而是通过解析计算出一个在参考椭球内使预测可操作性最大化的可操作性参考位置（ $x_m$ ）。利用从当前构型导出的局部平移可操作性梯度（ $g(t)$ ），将参考位置确定为椭球在梯度方向上的支撑点。这通过涉及椭球形状矩阵的闭式解实现，消除了对离散搜索或迭代优化的需求。
自适应可操作性加权：
计算自适应权重（ $w_m$ ）以确定提升可操作性相对于达成目标的优先级。该权重由预测的相对提升量经当前可操作性和参考距离归一化后得出。

当当前可操作性较低且预测有显著提升时，权重增加，优先考虑可操作性方向。
当可操作性已经很高或梯度较小（接近局部极大值）时，权重降低，优先考虑目标达成。
该机制避免了对全局最大可操作性值的依赖，并防止权重过度依赖于参考椭球的任意大小。

基于势能的参考速度：
生成两种任务空间参考速度：一个用于目标（ $v_g$ ），一个用于可操作性参考（ $v_m$ ）。两者均遵循类似于吸引势的距离相关律，并随着末端执行器接近各自目标而衰减。可操作性速度在接近目标时会进一步衰减，以防止在到达目标时产生过度的偏差。
速度级二次规划：
最终的关节速度通过求解一个凸二次规划（QP）来计算，该程序最小化实际关节速度与目标速度、可操作性速度以及零空间姿态改进项的加权和之间的误差。自适应权重 $w_m$ 动态平衡前两项。关节位置和速度限制作为约束条件被强制执行。

主要贡献
本文确定了两个主要的算法贡献：

解析参考位置生成： 一种生成考虑了路径长度增长的可操作性参考位置的方法，且无需候选点搜索。该方法基于一个随累积路径长度增加而收缩的参考椭球及局部可操作性梯度。
自适应权重确定： 一种基于对当前值的相对评估来自适应确定可操作性提升优先级的方案。这避免了在权重计算中使用全局最大可操作性，使得系统能够根据即时运动学状态调整优先级。

结果
该方法通过 7 自由度 KUKA LBR iiwa 7 R800 机械臂的仿真实验和真实机器人运输实验进行了评估。

仿真（场景分析）：
- 绕行比例： 增加允许的绕行比例（ $r_{detour}$ ）可以实现更大的可操作性提升，但当比例超过 2.5 时收益递减。
- 自适应权重 vs. 固定权重： 在初始可操作性较低的场景中，自适应权重成功地优先考虑了提升，防止可操作性跌破初始水平；而固定权重往往无法达成目标或需要过度的绕行。在高可操作性场景中，自适应权重限制了不必要的路径修改，比高固定权重更快达成目标，同时比低固定权重保持了更好的可操作性。自适应方法在所有场景下使用同一套设计参数，减少了对特定场景调优的依赖。
真实机器人实验（固定姿态运输）：
- 该方法成功实现了 100 Hz 的路径生成，并保持固定的末端执行器姿态（运输盛有液体的玻璃杯）。
- 在标准场景下，即使是在经过路径长度匹配调优的情况下，该方法也比轨迹跟踪法（Jin 等人）和偏差允许法（Dufour 和 Suleiman）实现了更高的平均和最小可操作性。
- 在近奇异场景中，该方法在提升可操作性的同时，使其并未低于初始值，成功避开了直线轨迹会经过的奇异构型。
- 计算时间平均每周期低于 0.5 ms，证实了其实时可行性。

意义与声明
作者声称，这种反应式在线运动生成方法有效地平衡了可操作性提升与目标达成，且无需预定义的参考轨迹。通过在动态更新的椭球内解析生成参考位置，并使用基于局部状态预测的自适应权重，该方法降低了对手动调节可操作性权重的需求。研究表明，该方法可以在运动过程中抑制可操作性的下降，并利用通用的参数集从各种初始状态到达目标。

文中明确指出了其局限性：该方法不能保证全局最优性、从任意初始状态达成目标，或避免局部停滞。路径长度预算定义了一个可选区域，但由于离散时间控制和跟踪误差的存在，并不能严格保证实际路径长度不会超过预算。评估仅限于无障碍物的点对点运动以及特定的初始构型。作者认为有必要开展后续工作，以解决更广泛的初始状态、避障问题以及与全局规划的集成。

类似论文