{
  "id": "motion-planning",
  "title": "运动规划",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "运动规划在考虑障碍物、物理约束、不确定性及性能目标的前提下，为机器人等系统计算可行的运动方案。",
  "category": "technology",
  "subcategory": "engineering",
  "type": "concept",
  "aliases": [
    "动作规划"
  ],
  "generated_at": "2026-11-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/motion-planning/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/motion-planning/",
      "json": "https://aiwiki.page/en/motion-planning.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "运动规划是一个计算问题，旨在确定物理系统或仿真系统如何在满足约束的前提下，从初始状态运动到期望的目标状态。在机器人学中，这些约束通常包括避免碰撞、遵守关节运动限位、保持平衡，以及不超出可用的力或力矩范围。自动驾驶车辆、制造业、航天器运行、计算机动画及分子运动分析中也存在相关问题。根据应用场景的不同，求解结果可以是一条几何路径、一条随时间变化的轨迹，也可以是一种根据观测选择动作的策略。\n\n核心难点在于，运动是否可行取决于整个系统的构型，而不只是某个代表点的位置。机械臂可能必须先让肘部远离障碍物，夹爪才能接近目标；汽车无法直接横向移动；行走机器人则必须与地面保持适当的接触。因此，运动规划融合了几何学、搜索、数学优化以及描述物理系统演化的模型。实际系统还会将规划与感知和反馈控制相结合，因为地图、物体位置以及实际执行的运动都不可能被完全准确地掌握。"
    },
    {
      "heading": "问题表述与规划层次",
      "text": "运动规划问题首先需要描述系统、环境、初始条件和目标。对于刚性移动机器人，其构型可以由平面位置和朝向组成。对于关节式机械臂，构型通常由各关节的坐标组成。当速度、动量或其他随时间变化的量会影响系统接下来可能发生的运动时，规划状态也必须包含这些量。是否需要考虑这些量，是几何规划与微分约束下规划的区别所在。\n\n几何路径通常写成一个连续映射：\n\n\\[q:[0,1]\\rightarrow \\mathcal{C}_{\\mathrm{free}},\\]\n\n其中，\\(\\mathcal{C}_{\\mathrm{free}}\\) 是无碰撞构型的集合。这里的参数不一定表示时间。相比之下，轨迹为各个物理时刻指定状态，并且必须满足系统的演化方程。一条在障碍物周围急转弯的路径，在几何上可能有效，却无法以指定速度沿其运动。反过来，仅调整沿路径运动的时间安排，就可能消除加速度约束的违反，或者避开穿过这条路线的移动障碍物。\n\n可行性与最优性是不同的要求。可行解满足给定约束；最优解则在所有可行方案中，使指定目标最小化。常见目标包括行程时间、路径长度、能量消耗、与障碍物间距相关的惩罚，以及这些量的组合。一般的轨迹目标函数为\n\n\\[J=\\phi(x(T))+\\int_0^T L(x(t),u(t))\\,dt,\\]\n\n其中，\\(x(t)\\) 为状态，\\(u(t)\\) 为控制输入，\\(L\\) 为运行代价，\\(\\phi\\) 为终端代价。这些目标并不能相互替代：最短路线可能需要频繁制动，而较长的路线反而可能消耗更少的能量。\n\n运动规划在自主系统中处于特定的层次。自动规划负责选择抓取物体、开门或前往工作站等动作。运动规划则确定实现这些动作所需的具体运动。控制理论中的反馈控制在执行过程中调整指令，使系统即使受到扰动或存在建模误差，也能跟随选定的运动。各层次的边界可能重叠，尤其是在控制器反复针对未来一小段时间求解规划问题时。\n\n规划器能够提供何种保证，是一个重要的理论区别。在其建模假设成立的前提下，完备算法只要存在解就能找到解，否则就能正确报告无解。分辨率完备性仅相对于选定的离散化提供这样的保证。概率完备性是指，对于满足指定条件的可解问题，随着计算投入增加，找到解的概率趋近于一。这些性质中的任何一项，都不能单独保证运行时间短、路径质量高，或在模型不准确时仍能安全运行。"
    },
    {
      "heading": "位形空间与碰撞几何",
      "text": "位形空间为运动规划提供了标准的几何描述语言。它将系统每一种可能的构型表示为抽象空间中的一个点。在平面内做平移的物体具有两个位形坐标；在平面内自由运动的刚体则具有三个，其中包括表示朝向的坐标。在三维空间中自由运动的刚体具有六个自由度。对于具有七个可独立运动关节的串联机械臂，在施加额外约束之前，其位形空间通常是七维的。\n\n位形空间不一定是普通的欧几里得空间。转角具有周期性的转动关节，其拓扑结构是一个圆；三维旋转则属于一个弯曲空间，无法用单一的、全局无奇异的三坐标图来描述。距离计算和插值都必须遵循这些结构。例如，在接近 \\(180^\\circ\\) 和 \\(-180^\\circ\\) 的两个数值角度之间直接插值，如果没有正确处理角度的周期性，就可能产生不必要的长距离旋转。\n\n物理工作空间中的障碍物会在位形空间中产生禁区。禁区中的每个点都代表一种构型，在该构型下，机器人的某个部分与障碍物或机器人自身的其他部分相交。对于做平移的刚体，可以用闵可夫斯基和来表达这一构造：将物体关于其参考点作中心反射，再与工作空间中的障碍物求和，即可得到相应的位形空间障碍物。这就将具有有限尺寸的物体的运动问题，转化为扩大后的障碍物区域中的点运动问题。对于旋转物体和关节式系统，其禁区更加复杂，通常不会显式构造。\n\n因此，实际的规划器高度依赖碰撞检测。粗检测阶段使用包围盒、球体、空间树或其他计算成本较低的近似表示，排除不可能相交的物体对。精检测阶段则对剩余的几何对象进行更精确的检查。机器人的连杆可以用凸几何体、三角网格或简化的胶囊体表示。两个无碰撞端点之间的运动不一定全程无碰撞：机械臂在两者之间运动时，可能会扫过障碍物。规划器必须以足够细的分辨率检查中间位形，或者使用连续碰撞检测方法，对运动过程中的接触情况进行界限估计或直接计算。\n\n额外的几何约束可能会将可行位形限制在低维子集上。机器人搬运装满物品的容器时，可能需要始终使其保持直立；两条机械臂共同抓持同一个刚性物体时，必须保持彼此相容的位姿。这些关系由机器人运动学确定，而对于给定的末端执行器目标位姿，通过逆运动学往往可以得到多种关节位形。这些备选解很重要，因为其中一个解可能受到障碍物阻挡或接近奇异位形，而另一个解则允许机器人无障碍地接近目标。在这类受约束的集合上进行规划，不能仅仅任意采样关节坐标，因为随机生成的位形通常无法满足精确的等式约束。"
    },
    {
      "heading": "图搜索、精确方法与计算复杂性",
      "text": "早期机器人系统帮助确立了物理运动与符号搜索之间的联系。SRI 于 20 世纪 60 年代末至 70 年代初开发的沙基机器人，在结构化的室内环境中将感知、规划和移动行动结合起来。1968 年，彼得·哈特、尼尔斯·尼尔松和伯特伦·拉斐尔发表了一种重要的通用搜索方法——A星搜索。后续研究为运动规划奠定了更明确的几何基础，其中托马斯·洛萨诺-佩雷斯于 1983 年对构型空间的论述尤具影响力。\n\n基于图的规划用候选状态及其转移构成的网络来替代连续运动。栅格规划器可以为每个可通行单元分配一个顶点，而机械臂规划器则可以将关节角离散化。边表示允许的局部运动，并带有距离或行进时间等代价。当边代价非负时，迪杰斯特拉算法能够找到最小代价路径。A星搜索根据已付出的代价与对剩余代价的启发式估计之和，确定顶点的搜索优先级。在满足适当的可采纳性条件、并正确处理图搜索的情况下，它既能保证找到最短路径，通常又能减少需要探索的状态数量。\n\n图的构建方式决定了这种保证的具体含义。八连通占据栅格上的最短路径，不一定是环境中的最短连续路径。粗栅格可能使一条狭窄通道完全消失，而细栅格则可能需要过多内存。若在 \\(d\\) 个坐标维度中的每一维上取 \\(k\\) 个样本，完整离散化就会产生 \\(k^d\\) 个状态。这种指数增长体现了维数问题，也说明了为何简单的栅格方法不适合具有大量关节的机器人。\n\n某些几何问题允许采用专门的精确构造方法。对于在平面多边形障碍物之间运动的点，可见图将彼此可见的障碍物顶点以及起点和终点连接起来；在此图上可以找到相应的最短路径。单元分解方法将自由空间划分为若干连通区域，再搜索这些区域的邻接结构。精确代数方法能够处理范围广泛得多的、以几何方式描述的系统，但其计算开销限制了常规应用。约翰·坎尼在 1988 年的研究，为一般运动规划问题的一类广泛的半代数表述确立了多项式空间上界。另有关于计算困难性的结果说明，对于不加限制的问题表述，不应期望存在普遍高效的解法。\n\n当物理约束被纳入状态转移时，搜索同样有用。状态格通过预先计算的可行运动基元，将离散化的车辆状态连接起来；这些运动基元包括短距离前进圆弧、倒车动作和转向过渡等。混合A星算法将连续的车辆状态推演与离散化的搜索记录管理相结合。与简单的位置栅格相比，这些方法保留了更多车辆自身的运动特性，但其保证取决于具体的表示方式和实现。增量搜索方法可以在地图发生变化后复用先前的计算结果，因此适用于机器人在移动过程中逐步发现障碍物的情形，而不必局限于在完全已知的环境中一次性完成规划。"
    },
    {
      "heading": "基于采样的规划",
      "text": "基于采样的运动规划不显式表示整个自由空间，而是生成构型、检验其有效性，再用局部运动连接选定的构型。对于机械臂及其他具有较多自由度的系统，精确的几何分解和稠密网格已不切实际，因此这种方法尤为重要。它的有效性在于，用大量相对简单的有效性查询取代全局几何构建。\n\n概率路线图方法通过对无碰撞构型进行采样来构建图。莉迪娅·卡夫拉基、彼得·什韦斯特卡、让-克洛德·拉通布和马克·奥弗马斯于1996年发表的研究，是推动这一方法发展的代表性工作。如果局部规划器能够在相邻采样点之间生成有效运动，就将这些点连接起来。路线图建成后，可以将起始构型和目标构型接入图中，再通过图搜索回答规划查询。因此，路线图尤其适用于在基本不变的环境中反复进行规划，例如机械臂在同一工作单元内为多个工位提供服务的场景。\n\n快速探索随机树由史蒂文·拉瓦勒于1998年提出，从初始状态向外生长。每次迭代时，规划器先采样一个目标点，找出树中靠近该目标点的顶点，再将树朝目标点的方向扩展。大片尚未探索的区域往往会吸引更多扩展，因为邻近这些区域的顶点具有更大的影响范围。双向变体分别从起点和目标点生长树；詹姆斯·库夫纳和拉瓦勒于2000年提出的 RRT-Connect 反复将一棵树朝另一棵树扩展，广泛用于单次查询的几何规划问题。\n\n在适当假设下，主要的路线图方法和树方法都具有概率完备性。不过，它们在限定时间内未能找到路径，并不能证明路径不存在。狭窄通道可能只占构型空间中极小的一部分，因此均匀随机采样可能很长时间都无法采到其中的点。有偏采样器、障碍物边界采样、桥测试以及针对特定任务的采样分布，都试图解决这类困难。距离度量和最近邻方法的选择也会显著影响性能，尤其是在平移和旋转采用不同单位，或各关节对机器人扫掠体积的影响不同时。\n\n基本的采样方法不会自动生成高质量路径。塞尔塔奇·卡拉曼和埃米利奥·弗拉佐利在2011年发表的研究中提出了 RRT* 和 PRM*，并证明它们在给定条件下具有渐近最优性：随着采样数量增加，其最佳解的代价会趋近最优值。RRT* 实现改进的部分手段，是选择更好的父节点连接，并重新连接附近的树顶点。这些结果并不保证收敛速度足以满足特定应用的需求。实际系统通常先用快速规划器获得初始解，再进行捷径化、平滑处理或轨迹优化，并在每次修改后重新检查碰撞和物理约束。"
    },
    {
      "heading": "轨迹优化与最优控制",
      "text": "图搜索和采样方法探索不同的路线，而轨迹优化则直接调整参数化的运动，在满足约束的同时改善目标函数值。它与最优控制密切相关：两者都寻求受动力学方程约束的状态和控制随时间变化的序列。在运动规划应用中，重点尤其在于避障、接触，以及如何从不理想的初始猜测出发找到实用的解。\n\n一种典型的离散形式是选取状态 \\(x_0,\\ldots,x_N\\) 和控制 \\(u_0,\\ldots,u_{N-1}\\)，然后求解\n\n\\[\\min \\sum_{k=0}^{N-1}\\ell(x_k,u_k)+\\phi(x_N)\\]\n\n满足约束\n\n\\[x_{k+1}=F(x_k,u_k),\\qquad g(x_k,u_k)\\leq 0.\\]\n\n函数 \\(F\\) 近似描述系统随时间的演化，而 \\(g\\) 则表示执行器限幅、关节运动范围或与障碍物的间距等限制。还可以通过附加方程施加接触约束、端点条件或协作操纵约束。时间间隔可以固定，也可以作为决策变量。\n\n不同的数值形式在问题规模与结构之间各有取舍。直接打靶法优化控制，并通过仿真生成状态，但当时间范围较长时，灵敏度可能出现病态问题。多重打靶法将时间范围划分为若干段，并在段间施加连续性约束。直接配点法在选定的时间点上优化状态和控制，同时在这些点之间施加离散化的动力学约束。序列二次规划及相关的非线性规划方法利用导数和稀疏结构，高效求解这些问题。梯度信息可以来自解析模型、自动微分或数值近似。\n\n避障通常会使问题具有非凸性。对于局部求解器而言，从障碍物左侧通过的路径和从右侧通过的路径，可能分别位于不同的吸引域中。人工势场法在乌萨马·哈提卜于1986年发表相关工作后，对机器人学产生了重要影响。这种方法将指向目标的吸引力与来自障碍物的排斥力相结合，但可能陷入局部极小值。现代轨迹优化器采用了更复杂的目标函数和约束，但通常仍然依赖初始化。基于采样的规划器可以先提供一条路线，再由优化过程改善其平滑性、时间安排或避障间距，而不必从头寻找路线。\n\n代表性方法包括2009年提出的 CHOMP、2011年提出的 STOMP 和2013年提出的 TrajOpt。它们在轨迹表示、改进量估计以及障碍物代价或约束的处理方式上各不相同。但无论采用哪种方法，都仍需验证离散点之间的运动。即使轨迹在所有参与优化的节点处都满足碰撞约束，也可能在节点之间发生碰撞。同样，数值上的约束残差很小，也不一定意味着物理行为可以接受。因此，网格细化、连续检测、适当的容差，以及最终面向执行的验证阶段，都是实用优化流程不可或缺的组成部分。"
    },
    {
      "heading": "微分约束、时间安排与接触",
      "text": "一条几何上无障碍的路径，在物理上仍可能无法实现。受到非完整约束的系统，即使其构型看起来不受限制，也无法实现任意的瞬时运动。例如，简化的汽车模型只能沿车轮朝向行驶，不能直接横向平移。其运动可建模为\n\n\\[\\dot{x}=v\\cos\\theta,\\qquad \\dot{y}=v\\sin\\theta,\\qquad \\dot{\\theta}=\\frac{v}{L}\\tan\\delta,\\]\n\n其中，\\(L\\) 为轴距，\\(\\delta\\) 为转向角。转向角限制决定了曲率的范围，而转向速率限制则约束曲率变化的快慢。\n\n经典解说明了这些限制如何改变最短路径。莱斯特·杜宾斯于1957年证明，对于曲率有界且只能前进的车辆，其平面最短路径由直线段与最大曲率圆弧按特定方式组合而成。詹姆斯·里兹和劳伦斯·谢普于1990年将这一分析推广到可以倒车的车辆。这些模型能够解释基本的泊车操作，却未考虑轮胎力限制、转向瞬态响应等因素。在更高速度下，规划模型还必须纳入加速度与路面摩擦。\n\n运动动力学规划同时处理运动学与动力学限制。其状态包含速度等物理量，搜索树的扩展可能通过仿真候选控制输入来实现，而不是直接在构型之间插值。此时，连接任意两个状态会变得困难：状态空间中的直线通常不满足动力学规律。有些算法需要两点边值问题求解器，另一些则采用前向传播，并配合精心设计的采样或选择策略。一种方法是否适用，在很大程度上取决于系统的可控性、可用的局部转向求解方法，以及所要求的终点精度。\n\n另一种方法是先规划几何路径，再确定沿该路径运动的时间安排。若路径为 \\(q(s)\\)，则关节速度与加速度满足\n\n\\[\\dot q=q'(s)\\dot s,\\qquad \\ddot q=q''(s)\\dot s^2+q'(s)\\ddot s.\\]\n\n利用这些关系，可以将关节速度、加速度以及某些力矩约束转化为对沿路径推进过程的限制。时间最优路径参数化旨在求出满足约束条件的最快路径执行方案。不过，它无法弥补所有几何上的缺陷：如果路径的曲率不合适、与障碍物的间隙不足，或接触几何关系不兼容，那么在任何具有实用价值的速度下，这条路径都可能仍不可行。\n\n足式运动与物体操纵涉及不断变化的接触模式。行走机器人会交替使用不同的脚支撑，而推动物体的机器人则可能在黏着、滑动和分离状态之间切换。规划必须考虑力平衡、摩擦、碰撞以及单边接触；所谓单边接触，是指接触表面只能施加推力，不能施加拉力。完整的刚体接触模型可能产生难以求解的非光滑优化问题或带互补约束的优化问题。实际应用中的规划器通常采用简化模型或分层分解方法，然后在执行前，利用更详细的动力学模型验证所生成的运动。"
    },
    {
      "heading": "不确定性、动态环境与多智能体",
      "text": "真实机器人依据估计值而非精确状态进行规划。车轮打滑、标定不准、观测延迟以及地图不完整，都会给机器人自身及其周围环境的状态带来不确定性。传感器融合将摄像头、激光雷达和惯性传感器等设备的观测结果结合起来，以估计当前状况，但并不能消除不确定性。因此，规划必须区分标称预测运动与实际可能发生的运动范围。\n\n一种简单的鲁棒策略是扩大障碍物的范围，或为跟踪误差预留裕量。更复杂的方法则推演可能状态集合的演变，并要求集合中的每个状态始终保持安全。机会约束规划则限制模型所描述的约束违反概率，例如：\n\n\\[\\Pr\\!\\left(x_k\\in\\mathcal{X}_{\\mathrm{safe}}\\right)\\geq 1-\\varepsilon.\\]\n\n这类约束只有相对于所假设的概率模型才有意义。逐时间步的概率界并不自动等同于整个行程中发生任何碰撞的概率界，尤其是在不同时刻的误差存在相关性时。\n\n信念空间规划用可能状态上的概率分布显式表示不确定性。规划器可能偏向选择能够改善后续观测的动作，例如移动到能够看见可识别地标的位置。这就将运动与信息获取联系起来。部分可观测马尔可夫决策过程提供了一个通用框架，但对于实际的连续状态机器人系统，精确求解通常在计算上不可行。实用方法会采用近似、有限规划时域、受限的策略类别或紧凑的不确定性表示。\n\n移动障碍物引入了时间维度。在某一时刻通过某个位置可能是安全的，片刻之后却可能不再安全，因此等待可能成为必要的规划动作。对人类运动的预测尤其不确定，因为人会对机器人以及彼此的行为作出反应。重规划用于应对预测的变化，而模型预测控制则反复优化有限时域内的轨迹，每次只执行轨迹的初始一段。这种架构提高了响应能力，但需要相应的保障措施，以防计算超时、计划突变，以及规划时域过短而无法识别前方即将进入的死路。\n\n协调多个机器人会引入额外的耦合。集中式建模可以将所有机器人的状态合并为一个大型规划问题，但问题维度会随机器人数量增加而增长。多智能体路径搜索通常使用离散图，并明确禁止顶点冲突和不相容的边遍历。Guni Sharon、Roni Stern、Ariel Felner 和 Nathan Sturtevant 于 2012 年提出的基于冲突的搜索，将高层冲突消解与低层单体路径规划分离。优先级规划通常更快，但可能因先规划的机器人所选路线阻挡了后续机器人而失败。连续多机器人系统还必须处理机器人实体尺寸、时序容差、通信延迟，以及相互避让导致死锁的风险。"
    },
    {
      "heading": "应用、软件与评估",
      "text": "工业操作是运动规划的一项主要应用。工业机器人可能需要伸入料箱取件，携带零件绕过夹具，再将其装入组件，同时避免与工装或自身连杆发生碰撞。挑战并不只是到达最终位姿：所选的抓取方式决定了哪些搬运运动可行，而放置方式则可能决定夹爪能否撤出。因此，任务与运动规划需要联合推理离散选择及其几何可行性。焊接和检测还会引入工艺约束，例如沿表面运动时保持工具的朝向、速度或传感器与表面的距离。\n\n移动机器人利用规划在仓库、医院和户外地形中导航。道路车辆则将路线层面的决策与车道选择、交互预测以及动力学可行的局部轨迹结合起来。自动驾驶出租车必须区分两种机动动作：一种是在法规或几何条件上可行，另一种则是在当前观测和预测条件下安全。飞行器还需应对三维障碍物和强动力学耦合，而航天器规划可能更侧重燃料消耗、受限推力和交会条件。类似的数学技术也用于动画，其中无碰撞运动还必须满足风格或生物力学方面的要求。\n\n软件库将可复用的规划机制与特定应用的模型分离。开放运动规划库（Open Motion Planning Library）在2012年的一篇期刊论文中首次介绍，提供了多种基于采样的算法，以及用于状态空间和有效性检查的接口。MoveIt 将规划与机器人描述、碰撞检测、运动学和执行组件集成起来。这些工具减少了实现工作量，却不能自动确保模型正确。整个系统中的单位、关节约定、附着物体的几何模型、控制器限值和坐标变换都必须保持一致。\n\n评估不能仅仅报告一条成功路径。相关指标包括规定时限内的成功率、找到首个解的时间、最终目标函数值、最小间隙、碰撞检测开销、内存占用以及执行成功率。随机化规划器应经过多次重复测试，基准测试集也应包含性质不同的挑战，包括狭窄通道和受约束运动。比较最优性时，必须采用相同的目标和可比的计算预算。仿真中得到的解也不同于经过验证、可供执行的轨迹：离散化误差、执行器饱和、延迟和跟踪误差，都可能使一个原本看似令人信服的结果失效。\n\n机器学习越来越多地用于提出有希望的采样点、预测有用的搜索区域、估计代价以及初始化轨迹。这些方法能够加速求解熟悉类型的问题，但分布偏移可能使其提出的候选结果不再可靠。一种常见架构是将学习组件作为候选生成机制，并在接受解之前保留显式的碰撞和动力学检查。运动规划与形式验证及功能安全的联系，涉及能够对完整系统而非仅对规划器作出何种保证。当前研究包括可变形物体规划、长时域的多接触操作、在人群周围的交互行为，以及将学习模型与可验证的物理约束相结合的方法。"
    }
  ],
  "links": [
    "robotics",
    "mathematical-optimization",
    "automated-planning",
    "control-theory",
    "configuration-space",
    "minkowski-sum",
    "a-star-search",
    "optimal-control",
    "sensor-fusion",
    "lidar",
    "partially-observable-markov-decision-process",
    "model-predictive-control",
    "industrial-robot",
    "robotaxi",
    "machine-learning",
    "formal-verification"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}