机器人运动控制流程：路径规划、轨迹规划和轨迹跟踪及它们涉及的算法

最新推荐文章于 2025-04-03 14:03:11 发布

十年一梦实验室

最新推荐文章于 2025-04-03 14:03:11 发布

阅读量3.4k

点赞数 29

文章标签：机器人

本文链接：https://blog.csdn.net/cxyhjl/article/details/146078008

版权

机器人运动控制是机器人技术中的核心组成部分，它决定了机器人如何有效地、安全地完成各种任务。一个完整的机器人运动控制流程通常包含三个关键阶段：路径规划、轨迹规划 和 轨迹跟踪。这三个阶段层层递进，共同协作，最终实现机器人按照用户期望的方式运动。

下面我将详细解释这三个阶段，并介绍它们涉及的常用算法：

1. 路径规划 (Path Planning)

定义：路径规划是指在给定的工作空间内，不考虑时间，寻找一条从起始点到目标点的可行路径。这里的“可行”通常意味着路径必须是无碰撞的，即路径上的任何点都不能与环境中的障碍物发生碰撞。
目标：为机器人找到一条安全、可行的运动路径，使其能够从起始位置到达目标位置，同时避开所有障碍物。路径规划关注的是空间上的可行性，而不直接考虑机器人的动力学约束（如速度、加速度）。
输入：
- 工作空间环境地图：通常以栅格地图、拓扑地图或特征地图等形式表示。地图中包含障碍物的位置和形状信息。
- 起始点和目标点：机器人的起始位置和期望到达的目标位置。
输出：一条由一系列路径点组成的路径。这条路径通常是离散的，例如一系列栅格单元格或者关键路点。
涉及的算法：路径规划算法种类繁多，根据不同的应用场景和环境表示方法，可以选择不同的算法。以下是一些常用的路径规划算法及其简要介绍：
- 基于图搜索的算法 (Graph-based Search Algorithms)：这类算法将工作空间离散化成图结构（例如栅格地图或拓扑地图），然后在图上搜索最优路径。
  - Dijkstra 算法：一种经典的广度优先搜索算法，用于寻找图中单源最短路径。它可以找到从起始点到图中所有其他点的最短路径。在机器人路径规划中，可以将栅格地图或者拓扑地图视为图，每个节点代表一个可达位置，边代表相邻位置之间的连接。Dijkstra 算法保证找到的是最优路径（最短路径），但计算效率相对较低，尤其是在地图规模较大时。
    
    编辑 Opens in a new window 编辑blog.csdn.net
    
    Dijkstra 算法示意图
  - A 算法* (A-Star Algorithm)：是 Dijkstra 算法的改进版本，它引入了启发式函数来引导搜索方向，从而提高搜索效率。A* 算法在搜索过程中，不仅考虑从起始点到当前节点的实际代价（如路径长度），还估计从当前节点到目标点的启发式代价（例如曼哈顿距离或欧氏距离）。通过综合考虑实际代价和启发式代价，A* 算法能够更快速地找到路径，尤其是在复杂环境中。A* 算法在保证找到最优路径的前提下，比 Dijkstra 算法更高效，是机器人路径规划中最常用的算法之一。
    
    编辑 Opens in a new window 编辑www.cnblogs.com
    
    A* 算法示意图
- 基于采样的算法 (Sampling-based Algorithms)：这类算法不显式地构建工作空间的完整地图，而是通过在工作空间中随机采样，然后连接采样点来构建路径。这类算法特别适用于高维空间和复杂环境。
  - 概率路图法 (PRM, Probabilistic Roadmaps)：PRM 算法是一种多查询算法，它预先在工作空间中随机采样大量的点，并连接附近的点，构建一个概率路图。在查询路径时，只需要在路图上搜索即可。PRM 算法的优点是构建路图的过程可以离线完成，查询速度快，适用于需要多次路径查询的场景。但是，PRM 算法找到的路径不一定是最优的，且难以保证在狭窄通道中找到路径。
    
    编辑 Opens in a new window 编辑vslam.net
    
    PRM 算法示意图
  - 快速扩展随机树算法 (RRT, Rapidly-exploring Random Trees)：RRT 算法是一种单查询算法，它从起始点开始，通过随机采样和扩展的方式，快速构建一棵搜索树，直到树扩展到目标点附近。RRT 算法的优点是搜索速度快，能够有效地探索未知空间，并能够处理高维空间和复杂环境。RRT 算法找到的路径通常不是最优的，但通常可以满足实际应用的需求。RRT 算法及其变种（如 RRT-Connect, RRT*）是目前机器人路径规划领域非常流行的算法。
    
    编辑 Opens in a new window 编辑blog.csdn.net
    
    RRT 算法示意图
- 其他路径规划算法：除了上述算法，还有一些其他的路径规划算法，例如基于势场的算法 (Potential Field methods)、 Voronoi 图法 (Voronoi Diagram methods) 等。这些算法各有优缺点，适用于不同的场景。

2. 轨迹规划 (Trajectory Planning)

定义：轨迹规划是在路径规划的基础上，考虑时间，为机器人生成一条光滑、连续的运动轨迹。轨迹不仅描述了机器人在空间中的位置，还描述了机器人在每个时刻的位置、速度、加速度等信息。
目标：在满足机器人自身动力学约束（如最大速度、最大加速度、最大 jerk）和环境约束（如避障、平稳性）的前提下，生成一条可执行的运动轨迹。轨迹规划关注的是时间和动力学上的可行性。
输入：
- 路径规划生成的路径：通常是由一系列路径点组成的离散路径。
- 机器人动力学约束：例如最大速度、最大加速度、最大 jerk 等。
- 环境约束：例如避障要求、平稳性要求等。
输出：一条时间参数化的轨迹。轨迹可以用时间的多项式函数、样条曲线或者其他数学函数来表示，描述了机器人在每个时刻的位置、速度、加速度等信息。
涉及的算法：轨迹规划算法主要关注如何生成光滑、连续，并满足动力学约束的轨迹。以下是一些常用的轨迹规划算法：
- 多项式插值 (Polynomial Interpolation)：使用多项式函数来拟合路径点，生成连续的轨迹。常用的多项式插值方法包括三次多项式插值、五次多项式插值等。多项式插值方法简单易实现，生成的轨迹光滑连续，可以满足速度、加速度的连续性要求。但是，高阶多项式插值可能会出现 Runge 现象，导致轨迹在某些区域出现较大的振荡。
  - 三次多项式插值：是最常用的多项式插值方法之一。它使用三次多项式来连接相邻的路径点，可以保证位置、速度的连续性。
    
    编辑 Opens in a new window 编辑blog.csdn.net
    
    三次多项式插值轨迹示例
  - 五次多项式插值：可以保证位置、速度、加速度的连续性，生成的轨迹更加光滑。适用于对运动平稳性要求较高的场景。
    
    编辑 Opens in a new window 编辑blog.csdn.net
    
    五次多项式插值轨迹示例
- 样条曲线插值 (Spline Interpolation)：使用样条曲线（例如 B-样条曲线、贝塞尔曲线）来拟合路径点，生成光滑的轨迹。样条曲线具有局部控制性，修改一个控制点只影响曲线局部形状，方便轨迹的调整和优化。样条曲线插值生成的轨迹光滑连续，可以满足高阶连续性要求，并且具有良好的形状控制能力。
  - B-样条曲线 (B-Spline Curve)：是一种常用的样条曲线，具有许多优点，例如局部控制性、凸包性等。B-样条曲线可以灵活地调整曲线的形状，生成各种复杂的轨迹。
    
    编辑 Opens in a new window 编辑blog.csdn.net
    
    B样条曲线轨迹示例
  - 贝塞尔曲线 (Bezier Curve)：另一种常用的样条曲线，在 CAD/CAM 领域应用广泛。贝塞尔曲线的形状由控制点决定，曲线始终位于控制点的凸包内。贝塞尔曲线的优点是形状控制直观，计算简单。
    
    编辑 Opens in a new window 编辑blog.csdn.net
    
    贝塞尔曲线轨迹示例
- 梯形速度轮廓规划 (Trapezoidal Velocity Profile Planning)：一种常用的分段线性速度轮廓规划方法。它将速度轮廓分为加速段、匀速段、减速段三个阶段，速度轮廓呈现梯形形状。梯形速度轮廓规划方法简单易实现，计算量小，适用于对轨迹精度要求不高，但对运动时间有约束的场景。梯形速度轮廓规划生成的轨迹加速度不连续，可能引起冲击。
  
  编辑 Opens in a new window 编辑blog.csdn.net
  
  梯形速度轮廓轨迹示例
- S-型速度轮廓规划 (S-Curve Velocity Profile Planning)：一种改进的速度轮廓规划方法，也称为 Jerk-limited 轨迹规划。它将加速度轮廓也进行分段线性化，速度轮廓呈现 S 形。S-型速度轮廓规划生成的轨迹加速度连续，jerk 有限，运动更加平稳，冲击更小，适用于对运动平稳性要求较高的场景。
  
  编辑 Opens in a new window 编辑blog.csdn.net
  
  S型速度轮廓轨迹示例

3. 轨迹跟踪 (Trajectory Tracking)

定义：轨迹跟踪是指控制机器人实际运动，使其尽可能地精确地沿着规划好的轨迹运动。轨迹跟踪是一个闭环控制过程，需要实时地测量机器人的实际位置和姿态，并将其与期望轨迹进行比较，然后根据误差调整控制输入，驱动机器人运动。
目标：减小机器人的实际轨迹与期望轨迹之间的偏差，保证机器人能够精确地按照规划好的轨迹运动，即使存在外部干扰和模型误差。轨迹跟踪关注的是控制上的精度和鲁棒性。
输入：
- 轨迹规划生成的期望轨迹：时间参数化的轨迹，包含了期望的位置、速度、加速度等信息。
- 机器人模型：用于描述机器人运动学和动力学特性的数学模型。
- 传感器反馈：例如编码器、IMU、视觉传感器等，用于测量机器人的实际位置和姿态。
输出：控制指令 (例如电机力矩、关节角度指令) 给机器人的执行器，驱动机器人运动。
涉及的算法：轨迹跟踪算法的核心是如何设计控制器，使得机器人能够有效地抑制误差，精确地跟踪期望轨迹。以下是一些常用的轨迹跟踪控制算法：
- PID 控制 (PID Control)：一种经典的反馈控制算法，广泛应用于工业控制领域。PID 控制器根据比例 (P)、积分 (I)、微分 (D) 三个环节的线性组合，生成控制输出。PID 控制器结构简单，参数容易整定，鲁棒性好，适用于许多轨迹跟踪场景。但是，PID 控制器对于非线性系统和时变系统的控制效果可能不佳。
  
  编辑 Opens in a new window 编辑bbs.elecfans.com
  
  PID 控制器结构示意图
- 前馈控制 (Feedforward Control)：一种开环控制方法，它根据期望轨迹和机器人模型，预测所需的控制输入，并直接施加给机器人。前馈控制可以有效地补偿系统中的可预测误差，提高轨迹跟踪的精度。但是，前馈控制依赖于精确的机器人模型，对于模型误差和外部干扰的抑制能力较差。
- 前馈-反馈控制 (Feedforward-Feedback Control)：结合了前馈控制和反馈控制的优点。前馈控制用于补偿可预测误差，反馈控制 (例如 PID 控制) 用于抑制不可预测误差和外部干扰。前馈-反馈控制可以显著提高轨迹跟踪的精度和鲁棒性，是机器人轨迹跟踪中最常用的控制策略之一。
  
  编辑 Opens in a new window 编辑www.elecfans.com
  
  前馈反馈控制结构示意图
- 模型预测控制 (MPC, Model Predictive Control)：一种先进的优化控制算法。MPC 算法在每个控制周期，基于机器人模型和当前状态，预测未来一段时间内的系统行为，并优化未来的控制输入，使得预测的轨迹尽可能地接近期望轨迹，同时满足各种约束条件 (例如动力学约束、环境约束)。MPC 算法可以有效地处理多输入多输出系统、约束系统和非线性系统，具有良好的控制性能和鲁棒性。但是，MPC 算法计算量较大，对实时性要求较高的场景可能难以应用。
  
  编辑 Opens in a new window 编辑blog.csdn.net
  
  模型预测控制示意图
- 自适应控制 (Adaptive Control)：用于处理模型参数不确定或者时变的系统。自适应控制器能够在线估计系统参数，并动态调整控制器参数，以适应系统特性的变化。自适应控制可以有效地提高轨迹跟踪的鲁棒性，尤其是在环境变化或者机器人模型参数不确定的情况下。常见的自适应控制方法包括模型参考自适应控制 (MRAC)、自校正控制 (STR) 等。
  
  编辑 Opens in a new window 编辑cje.ustb.edu.cn
  
  自适应控制系统框图