安全感知信息启发式RRT*:静态环境下多关节机械臂路径规划

《Sensors》:SAI-RRT*: Safety-Aware Informed RRT* for Multi-Joint Manipulator Path Planning in Static Environments

【字体: 大 中 小 】 时间:2026年07月16日 来源:Sensors 4.0

编辑推荐:

  在复杂工业场景中,多关节机械臂因高维构型空间与严格安全要求面临艰巨的路径规划挑战。传统Informed RRT虽提供基础框架,但常受初始采样效率低与适应性差瓶颈制约。为此,研究人员提出SAI-RRT(Safety-Aware Informed RRT),一种面

  
在复杂工业场景中,多关节机械臂因高维构型空间与严格安全要求面临艰巨的路径规划挑战。传统Informed RRT虽提供基础框架,但常受初始采样效率低与适应性差瓶颈制约。为此,研究人员提出SAI-RRT(Safety-Aware Informed RRT),一种面向6自由度(DOF)多关节机械臂、通过协同优化策略提升规划效率与几何碰撞安全的专用框架。首先,以自适应约束圆形区域采样替代传统全局探索,压缩无效探索并加速初始路径发现;其次,应用融合运动学验证与局部强化学习的关节约束框架调整关节构型,降低节点拒绝率;再次,在树扩展过程中嵌入基于正运动学(FK)的全肢体几何验证,以胶囊体模型作为高效的连杆间隙检测层。静态障碍条件下的数值实验表明,SAI-RRT在规划效率、几何碰撞安全性与路径质量上均获改善。
研究背景与立项依据
在自动化装配线、精密加工车间及密集物料搬运等受限工业环境中,多关节机械臂于固定机械、夹具、输送带乃至人机共存场景下作业,需在非线性耦合的高维构型空间内完成无碰撞轨迹规划。传统基于启发式(如Dijkstra、A)、采样(如PRM、RRT、RRT、Informed RRT)或智能优化(如蚁群、粒子群、深度强化学习)的方法,多聚焦末端执行器到位,忽视中间连杆全肢体避障与奇异构型,且Informed RRT在6-DOF关节空间仍存在初始全局随机采样低效、关节限位与自碰撞验证缺失等缺陷。研究人员据此开展本研究,旨在解决初始采样收敛慢与高维适应性差两类关键问题,成果发表于《Sensors》。
主要关键技术方法
研究人员采用PUMA 560作为仿真对象,在Python 3.13.5环境下基于Robotics Toolbox实例化模型,以PyTorch 2.11.0实现轻量DQN(Deep Q-Network)代理;核心技术为三模块协同:自适应约束圆形区域采样(起始—目标中点为球心、半径自适应扩张)、融合关节限位与雅可比条件数奇异判别的运动学验证+DQN局部关节精修(离线训练500 epoch、在线前馈推理最多3次尝试)、基于正运动学(FK)的胶囊体(capsule)全肢体间隙与自碰撞验证(非相邻连杆中心轴段最小距离减半径和需大于安全阈值dsafe)。实验在稀疏/窄通道/密集球形障碍三种静态场景各运行多轮独立仿真,并在AUBO-E5实体臂做开环验证。
研究结果
  1. 1.
    Introduction
    综述三类规划方法局限,明确Informed RRT*在高维关节空间初始随机采样慢、缺关节约束与自碰撞机制,确立本研究动机。
  2. 2.
    Related Work
    梳理RRT、RRT、Informed RRT演进,指出后者椭圆启发集虽加速收敛,仍漏掉关节限位系统与中间连杆自碰撞。
  3. 3.
    Methodology
    3.1 Problem Formulation:定义n-DOF构型空间Q=Qfree∪Qobs,以关节空间欧氏距离作代价,FK映射构型、胶囊体检碰、逆运动学(IK)辅助。
    3.2 Adaptive Constrained Circular Region Sampling:以起止中点c为心、初半径r0=‖qstart?qgoal‖/2,单位球均匀采样后缩放;连续失败k次按r←αr扩张至rmax,获首条可行路径后切回Informed椭圆集。
    3.3 Joint Constraint System:先查关节限位qi∈[qi,min,qi,max]与雅可比条件数κ(J)< />max;违例则调DQN(输入6维构型、输出18个离散动作Q值,奖励含限位违距/奇异惩罚/到目标代价加权)做≤3步微调,再经FK与胶囊体验证方接纳。
    3.4 Self-Collision Avoidance:FK解各连杆位姿,非相邻连杆i,j胶囊间隙dcap(i,j)=max(0, mins,t∈[0,1]‖(pi+s ui)?(pj+t uj)‖?(ri+rj))>dsafe;末端位姿误差分位置与旋转分量满足精度。
  4. 4.
    Simulation and Results
    Environment A(稀疏):SAI-RRT初始路径代价cinit=2.410、首解时间tinit=0.055 s、关节违拒率ρj=4.173%、自碰拒率ρs=0.003%、总时ttot=13.075 s、终路代价cfinal=2.404,均优于RRT、Informed RRT、MSSC-RRT、PRM*。
    Environment B(窄通道):cinit=2.417、tinit=0.068 s、ρj=12.816%、ρs=0.013%、ttot=13.091 s、cfinal=2.412,维持最优。
    Environment C(密集):cinit=3.156、tinit=1.742 s、ρj=12.839%、ρs=0.016%、ttot=某值(原文14.551 s)、cfinal=3.145,显著领先基线。
    4.4 计算与轨迹:DQN单次调用均耗0.002 s级,占比较低;平均最小连杆间隙SAI-RRT*在三类环境达0.0081 m等最高值;平滑度(关节角变分)略高但可接受,属安全—平滑权衡。
    4.5 Ablation:稠密环境累进消融显示,加自适应采样成功率80%→84%、加DQN→94%、全模型→96%,间隙由0.0005 m升至0.0006 m,印证三模块协同贡献。
  5. 5.
    Discussion
    5.1 结果分析:SAI-RRT*在全部场景取得更低cinit、更短tinit、ρj与ρs极低、cfinal最优,分布紧凑,克服传统基线随机性。
    5.2 优势与局限:优势为针对6-DOF安全感知、三策略协同、静态多场景稳定;局限为仅静态已知障碍、DQN离线训练与实机有偏差、平滑度略损且未含速度/加速度/力矩等动态可行性校验。
  6. 6.
    Real-World Experiments
    AUBO-E5于稀疏/窄/密三实物场景开环执行SAI-RRT*所得关节序列,均无碰撞到达目标,验证静态结构化环境初步可行性。
  7. 7.
    Conclusions
    研究人员将SAI-RRT定义为在Informed RRT上扩展出自适应约束圆采样、DQN关节精修、胶囊体全肢体验证的协同安全感知框架,证实其在静态障碍下提升6-DOF机械臂规划级效率与几何碰撞安全,适用于装配、加工、高密度搬运等静态工业场景;未来需拓展动态障碍、在线微调DQN、多机协同及补动态时参化校验。
讨论部分总结
讨论指出SAI-RRT相较RRT与Informed RRT在三类静态环境一致占优,MSSC-RRT与PRM部分指标接近但SAI-RRT在首解时间、自碰拒率、终路质量上更稳;优势源于几何先验压缩采样、DQN回收无效节点、胶囊体把安全校验前移入树扩展;局限明确为静态假设、离线DQN仿真分布偏移、平滑度牺牲与安全—平滑权衡、未涉动态可行性。结论部分译文如下:
本研究针对受限工业环境中多关节机械臂安全感知路径规划的核心问题,即标准Informed RRT存在的初始采样效率低、关节约束处理不足与自碰撞规避不完整,提出增强算法SAI-RRT,通过三项设计策略将常规Informed RRT框架适配至6自由度多关节机械臂场景。实践中,SAI-RRT在静态障碍条件下提升了工业多关节机械臂规划级效率与几何碰撞安全,结果显示其潜在适用于自动化装配、精密加工与高密度物料搬运等静态工业场景,但须后续补施时间参数化与动态可行性校验。未来工作将扩展至动态障碍环境、以在线微调优化强化学习代理、拓展至多机器人协同规划并进一步改善轨迹平滑度,经动态可行性验证后支撑其在更复杂智能制造场景中的实用化与可扩展性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号