robot motion planning介绍

本文介绍了机器人的运动规划概念,包括路径规划与轨迹规划的区别及联系,运动规划算法的评价标准,以及当前理论与应用现状。此外,还概述了几种常用的建模方法,如优化方法、强化学习方法和几何方法。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

声明:本篇博客内容主要是由邱强博士的运动规划视频整理而成。非原创,只为了一时复习之方便,侵权必删!

最近的学习顺序不对,至少要把机器人的的动力学部分完成,再来做运动规划的学习,这样搞得我的节奏有点不舒服。但是已经花了这么多时间,还是要记录一下。在今后的学习当中要尽量把运动规划的知识体系补全。

可以看看自己之前相关的博客:

Vrep 中RRT算法( path planning) - 优快云博客

RRT算法简介 - 优快云博客

0.总体知识框架:



1.0 什么是机器人的运动规划

定义:在给定的环境中,指定机器人的起点与终点,计算出连接起点与终点,并满足一定的约束条件(如避障、路径最短、时间最短、末端满足工艺要求等)的轨迹。

简单的说可以理解为:在机械臂上做自动规划

详细点的定义:

运动规划(motion planning)由路径规划和轨迹规划组成,连接起点位置和终点位置的序列点或曲线称之为路径,构成路径的策略称之为路径规划。路径是机器人位姿的一定序列,而不考虑机器人位姿参数随时间变化的因素。路径规划(一般指位置规划)是找到一系列要经过的路径点,路径点是空间中的位置或关节角度,而轨迹规划是赋予路径时间信息,对机器人执行任务时的速度与加速度进行规划,以满足光滑性和速度可控性等要求。

       运动控制则是主要解决如何控制目标系统准确跟踪指令轨迹的问题。即对于给定的指令轨迹,选择适合的控制算法和参数,产生输出,控制目标实时,准确地跟踪给定的指令轨迹。 
       路径规划的目标是使路径与障碍物的距离尽量远同时路径的长度尽量短;轨迹规划的目的主要是机器人关节空间移动中使得机器人的运行时间尽可能短,或者能量尽可能小。轨迹规划在路径规划的基础上加入时间序列信息,对机器人执行任务时的速度与加速度进行规划,以满足光滑性和速度可控性等要求

1.1 运动规划算法的评价标准

  • Complete(完备性):如果一个问题有解,那么一定能在有限的时间内求出可行解。
  • Optimality(最有性):找到的路径是最短的,能量最优的,执行最快的等等。

1.2 理论现状与应用现状

  • 理论现状:

          从运动学规划角度,给定足够多的时间,一定能够最优且完备地求解到轨迹。从理论的角度,运动规划的问题已经解决    了。

  • 应用现状:

           目前不存在一种能在给定的时间内,给出不错路径的算法。

2. 为什么要进行运动规划

     哪有那么多为什么,狂拽酷炫吊炸天就行了!!!

     好吧,正经点!提高易用性,如果有一天机器人使用起来像手机一样好用,那么机器人就能走进千家万户,哪怕只到了诺基亚的程度。

3. 怎么进行运动规划

对运动规划问题进行数学建模。将问题用数学语言描述出来,然后求解。

建模方法主要有三种:

3.1 建模篇优化方法


3.2 建模篇强化学习方法


3.3 建模篇几何方法

这些方法的具体过程在今后的学习当中再慢慢补充,不过其中最重要的应该是RRT算法,今后的学习当中,多花点时间学习一下RRT算法,及其衍生的算法。



 4. 实际四要素

   机器人是有体积有大小的,在实际的运动规划中要考虑以下几个因素。


机器人的轨迹规划与自动导引

### Motion Planning 的配置方法 Motion planning 是机器人学中的一个重要分支,旨在通过一系列的操作生成从初始状态到目标状态的有效路径。以下是对 motion planning 配置的相关说明: #### 1. 自动化规划的基础概念 在自动化规划领域中,已正式研究了如何生成一系列操作以达到目标状态的问题[^1]。这种技术通常用于复杂的环境建模和任务分解。为了实现这一目标,研究人员开发了许多标准化的语言来描述规划问题实例,这些语言可以被现有的规划求解器所理解。 #### 2. 使用 STRIPS 描述问题 STRIPS (Stanford Research Institute Problem Solver) 是一种经典的规划语言,广泛应用于各种场景下的动作序列生成问题。它允许开发者定义一组初始条件、可能的动作以及最终的目标状态。因此,在设置 motion planning 系统时,可以选择 STRIPS 来形式化表达视觉规划问题。 #### 3. 训练与推理效率考量 对于实际应用而言,除了理论框架外还需要考虑计算资源的需求。例如,在某些实验环境中提到的 ACT 模型具有约 80M 参数量,并且能够在单一 GPU 上完成高效训练及快速推理过程[^2]。这意味着如果要部署类似的解决方案,则需确保硬件支持足够的显存容量并评估运行时间是否满足实时性需求。 #### 4. 实际实施步骤概览 尽管不采用具体分步指导方式呈现内容, 还是可以总结几个关键方面帮助构建完整的 motion planner: - **环境建模**: 明确物理空间内的障碍物分布情况以及其他约束因素. - **状态表示**: 设计合理的方式记录当前位置与其他重要变量的状态信息. - **动作集合定义**: 列举所有可行移动选项及其影响效果. - **目标设定**: 清晰指出期望达成的结果形态. ```python def plan_motion(initial_state, goal_state, action_set): """ A simplified function to represent the concept of motion planning Args: initial_state (dict): The starting configuration details. goal_state (dict): Desired end position and orientation specifics. action_set (list): Available actions that can be taken by agent/robot. Returns: list: Sequence of operations leading towards achieving target state. """ current = initial_state.copy() while not is_goal_reached(current, goal_state): best_action = select_best_action(current, action_set) apply_effect(best_action, current) return construct_plan_from_states() ``` 上述伪代码片段展示了基本逻辑流程的一个抽象版本,其中涉及到了判断当前节点是否为目标节点的功能 `is_goal_reached` ,挑选最优下一步行动方案的方法 `select_best_action` 和执行选定行为改变现状的过程 `apply_effect`. ---
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值