目 录

  1. 广义机器人
  2. 机器人系统
  3. 运动规划
  4. 运动控制
  5. 运动感知
  6. 小结
  7. 参考文献

1. 广义机器人

这里所谓的广义机器人是包括：无人机、机械臂、腿足式机器人、轮式机器人，如图1所示，分别是大疆的无人机、新松的协作机械臂、优必选的仿人机器人和百度的无人车（哈哈，支持国产）

图1 广义机器人（侵删）

2. 机器人系统

图2 机器人系统

看上图，大致可以分为三个模块：运动规划、运动控制和运动感知（运动感知这个名词是我自己取的，为了对称，哈哈）

2.1 运动规划

按照高飞老师的《运动规划》课程的介绍，运动规划（Motion Planning）指的是两部分：前端路径规划（Path Finding，Path Planning，这些名词都差不多）与后端轨迹优化（Trajectory Optimization，Trajectory Generation，这些名词也都差不多）

也就是： [公式]

2.2 运动控制

这块是基于我自己的学习划分的，运动控制（Motion Control）是由双环控制系统组成（可能不是很准确，希望能跟大家交流讨论）：外环设计控制策略（Control Strategy），内环设计控制模型（Control Model）

也就是： [公式]

2.3 运动感知

这个名词是自己取的，一般大家都强调规划与控制，其实感知也是非常重要的。运动感知（Motion Perception）主要也是包括两个部分：感知系统（Perception System）和观测器（Observer）

3. 运动规划

3.1 路径规划

  • 路径规划的定义：
  • 根据所得到的感知信息和预设目标位置，规划一条机器人从初始位置到目标位置的路径
  • 只考虑工作空间的几何约束，不考虑机器人的运动学模型和约束

需要注意的是：

  1. 感知信息：视觉检测？建图定位？这块一般会考虑多传感信息融合、状态估计等相关的知识
  2. 第二条其实不太准确，随着研究的深入，现在也有基于动力学的路径规划算法
  3. 低维、离散空间
  • 路径规划算法有三类：
  1. 基于搜索的算法：有Dijkstra算法、A*算法、JPS算法等
  2. 基于采样的算法：RRT算法、PRM算法等
  3. 动力学约束算法：State Lattice Search、Kinodynamic RRT*算法、Hybrid A*算法等

3.2 轨迹优化

  • 轨迹优化的定义：
  • 给定路径与机器人约束，生成一组控制序列，使得机器人从初始位姿移动到目标位姿
  • 考虑机器人的运动学模型和约束

需要注意的是：

  1. 轨迹优化其实是对路径的优化，为路径赋予时间尺度
  2. 高维、连续空间
  • 轨迹优化算法通常将问题转化为一个最优控制理论，求解优化问题的算法通常有：
  1. 解析法：变分法、极大值原理、动态规划等
  2. 数值法：直接配置法
  3. 动力学算法：MPC等

从变分法可以延伸出来的通用轨迹规划算法（拟合），通过直接配置法得到的多段轨迹规划算法（插值），从简化动力学得到的MPC算法，这都是后面需要整理的

4. 运动控制

4.1 控制策略

  • 控制策略的定义：
  • 基于任务的类型，可以把控制策略划分为：自由空间的位置控制与接触空间的力控制（更广泛地说：柔顺控制）策略
  • 通常控制策略是基于任务空间（操作空间，笛卡尔空间，或者说不是关节空间）
  • 控制策略的分类：
  1. 位置控制策略：这个其实和轨迹优化有重叠的部分，此外，还可以在任务空间做“位置闭环”
  2. 柔顺控制策略：柔顺控制分为被动柔顺（机械装置）和主动柔顺控制（力控制），最简单的是刚度控制、阻尼控制等这种纯力控制
  3. 组合控制策略：大家比较熟悉的力/位置混合控制、阻抗控制

其实更一般化地控制策略是：混合阻抗控制，融合了力位混合控制和阻抗控制的优点，将任务空间划分为位控子空间和力控子空间，然后分别在两个子空间进行阻抗设计

4.2 控制模型

  • 控制模型的定义：
  • 对外环的控制策略进行跟踪控制

看起来挺简单的，这么说直接用开环控制即可，但是开环控制通常不好使，因为有误差，所以引入了感知系统做闭环控制（或者说是反馈控制）；单纯的反馈控制也不行啊，因为得知道你控制的是个啥吧，所以得对系统建模；还得知道外界的干扰也是个啥，所以得对扰动观测。

于是乎又存在三个问题：观测误差（来源于传感器噪声，微分噪声等）、建模误差（来源于未建模动态、模型不准等）和扰动误差（来源于外界干扰）

所以控制模型主要研究以下问题

  • 控制模型的分类：
  1. 无模型控制还是基于模型控制算法：典型的代表分别是PID算法和计算力矩法
  2. 解决建模误差的算法：系统辨识、自适应控制算法等
  3. 解决扰动误差的算法：鲁棒控制、ADRC为代表的扰动观测器算法等
  4. 解决观测误差的算法：以Kalman滤波器为代表的状态估计（这其实和运动感知有重叠的部分）

5. 运动感知

5.1 感知系统

  • 感知系统的定义：
  • 对自身状态和与外界交互状态进行测量的装置或系统
  • 内感系统：编码器、IMU等
  • 外感系统：激光、雷达、相机、GPS等

需要注意的是：我们不专门去研究它的工艺，至少需要了解如何去使用，或者说调库

5.2 状态估计

  • 状态估计的定义（这个话题其实有点大）：
  • 运动规划需要状态估计：做建图，定位、导航等
  • 运动控制需要状态估计：信号滤波啊，机器人位置、速度等的估计

需要注意的是：这里面一方面是状态估计的算法，另外一方面是多传感器信息如何进行融合（融合：贝叶斯告诉我们，两个臭皮匠（两个不精确的传感器）顶个诸葛亮（一个不精确的传感器））

  • 状态估计的算法
  1. Luenberger观测器为代表的观测器模型
  2. Naïve Kalman滤波、EKF、UKF等
  3. 融合算法

6. 小结

现在主流都在做深度学习、强化学习等AI，作者在机器人传统算法也混了几年，深感迷茫，未来可能也不全是AI，传统算法也应该有一席之地吧。

接下来想将自己这几年学习的一些算法做个笔记，希望能够跟感兴趣的小伙伴一起交流学习，机器人传统控制不死！！！

凡心所向，素履以往；生如逆旅，一苇以航！

机器人方向很多，机械臂这块的服务机器人、协作机械臂、医疗机器人；腿足式机器人的双足机器人，四足机器人，多足机器人以及整个的仿人机器人；轮式机器人的AGV小车、自动驾驶；无人机；其他特种机器人等，可能行业不同，引起的规划、控制和感知均有所不同，希望所有爱好机器人规划、控制和感知的朋友们，一起努力！

参考文献

  1. LaValle S M. Planning algorithms[M]. Cambridge university press, 2006.
  2. matthewpeterkelly.com/t
  3. Siciliano B, Sciavicco L, Villani L, et al. Robotics: modelling, planning and control[M]. Springer Science & Business Media, 2010.
  4. Simon D. Optimal state estimation: Kalman, H infinity, and nonlinear approaches[M]. John Wiley & Sons, 2006.

深蓝学院的高飞老师的《运动规划》、高翔老师的《机器人学的状态估计》和任乾老师的《多传感器融合定位》（推荐！！

高飞主讲《移动机器人运动规划》shenlanxueyuan.com/cour

高翔主讲《机器人学中状态估计》shenlanxueyuan.com/cour

任乾主讲《多传感器融合定位》shenlanxueyuan.com/cour

）