SCARA 机器人点到点(PTP)轨迹规划方法

SCARA 机器人点到点轨迹规划(满足各轴同时启停)

1. 求解起始与目标关节角(逆运动学)

设起始位姿为 T_s,目标位姿为 T_f,通过逆运动学求得:

θ_s = IK(T_s)

θ_f = IK(T_f)

其中:

  • θ_s = [θ₁,ₛ, θ₂,ₛ, θ₃,ₛ, d₄,ₛ]ᵀ
  • θ_f = [θ₁,𝒇, θ₂,𝒇, θ₃,𝒇, d₄,𝒇]ᵀ

前三个为旋转关节(rad),第四个为平移关节(m)

2. 计算各关节位移

Δθ₁ = |θ₁,𝒇 - θ₁,ₛ|

Δθ₂ = |θ₂,𝒇 - θ₂,ₛ|

Δθ₃ = |θ₃,𝒇 - θ₃,ₛ|

Δd₄ = |d₄,𝒇 - d₄,ₛ|

3. 计算各关节最小可行时间

对每个关节 i,给定 v_max,i(最大速度),a_max,i(最大加速度)。

判断是否有匀速段:

如果:Δq_i ≥ (2·v_max,i²) / a_max,i

则使用梯形速度剖面:t_f,i = (Δq_i / v_max,i) + (v_max,i / a_max,i)

否则(三角速度剖面):

v_actual,i = √( (a_max,i · Δq_i) / 2 )

t_f,i = 2 · √( (2 · Δq_i) / a_max,i )

对关节 1~3 使用 Δθ_i,对关节 4 使用 Δd₄

4. 确定统一总时间(实现同起同停)

t_f = max(t_f,₁, t_f,₂, t_f,₃, t_f,₄)

t_f 将作为 所有关节的共同运动时间

5. 生成同步轨迹(五次多项式插值)

对每个关节 i,在区间 t ∈ [0, t_f] 上使用五次多项式:

q_i(t) = a₀ + a₁·t + a₂·t² + a₃·t³ + a₄·t⁴ + a₅·t⁵

边界条件(静止到静止):

  • q_i(0) = q_i,s
  • q_i(t_f) = q_i,f
  • q̇_i(0) = 0
  • q̇_i(t_f) = 0
  • q̈_i(0) = 0
  • q̈_i(t_f) = 0
解得系数:

a₀ = q_i,s

a₁ = 0

a₂ = 0

a₃ = (10·(q_i,f - q_i,s)) / t_f³

a₄ = (-15·(q_i,f - q_i,s)) / t_f⁴

a₅ = (6·(q_i,f - q_i,s)) / t_f⁵

或使用无量纲化形式(推荐):

令归一化时间:τ = t / t_f

则:q_i(t) = q_i,s + (q_i,f - q_i,s) · (10·τ³ - 15·τ⁴ + 6·τ⁵)

该式保证所有关节在 t = 0 启动,在 t = t_f 同时停止,且轨迹平滑(C² 连续)。

总结

  • 同起同停 :通过 t_f = max(...) 统一时间。
  • 平滑性:五次多项式保证速度、加速度连续。
  • 可实现性 :每条轨迹均满足该关节的速度/加速度约束(因为 t_f ≥ t_f,i,实际速度 ≤ v_max,i)。
相关推荐
秋刀鱼 ..12 分钟前
第七届国际科技创新学术交流大会暨机械工程与自动化国际学术会议(MEA 2025)
运维·人工智能·python·科技·机器人·自动化
万俟淋曦13 小时前
【论文速递】2025年第33周(Aug-10-16)(Robotics/Embodied AI/LLM)
人工智能·深度学习·ai·机器人·论文·robotics·具身智能
ModestCoder_16 小时前
强化学习 Policy 的 Tracking 能力全解析,以Legged_gym为例解说Policy的训练流程
人工智能·算法·自然语言处理·机器人·具身智能
强化学习与机器人控制仿真16 小时前
ProtoMotions 3 入门教程(一)开源 GPU 加速人形机器人强化学习仿真训练框架
人工智能·stm32·深度学习·机器人·强化学习·人形机器人·模仿学习
沫儿笙17 小时前
川崎焊接机器人保护气体省气
人工智能·机器人
一颗小树x17 小时前
【机器人】复现 RoboBrain2.0 具身大脑模型 | 统一感知、推理和规划能力
机器人·复现·robobrain2.0·具身大脑模型
万俟淋曦20 小时前
【论文速递】2025年第34周(Aug-17-23)(Robotics/Embodied AI/LLM)
人工智能·深度学习·机器学习·ai·机器人·论文·具身智能
芝麻开门-新起点20 小时前
具身机器人的软件系统架构
系统架构·机器人
modest_laowang21 小时前
推前映射(Push forward)和拉回映射(Pull back)
机器人·微分几何