24小时热门版块排行榜    

Znn3bq.jpeg
查看: 694  |  回复: 0

Blue机器人

新虫 (小有名气)

[交流] 论文解读|BLAZE算法3秒搞定Kinova机械臂避障,革新高维机器人轨迹优化

BlueRobots上海蓝色萝卜自动化科技有限公司是一家专注于超高速相机解决方案的技术企业。凭借强大的学术和技术背景,公司致力于开发和推广超高速相机技术,尤其在实验室应用中表现卓越。超高速相机在科研与材料、研究流体力学与微流控、工业制造与质量控制、国防与航空航天等其他应用。深视智能超高速相机凭借其高性能和广泛的应用场景,已成为多个领域不可或缺的工具,助力科研和工业发展。

在高维机器人系统的实际应用中,如何生成兼顾动力学可行性、输入边界限制与任务核心目标的最优轨迹,一直是困扰科研与工程领域的核心计算难题。传统轨迹优化方案往往受限于单一化的代价函数设定,且对初始轨迹猜测的要求极为严苛,难以灵活适配复杂的实际应用场景。

近年来,基于仿射几何热流(AGHF)偏微分方程的轨迹优化技术取得了突破性进展,而本文解读的BLAZE算法,源自论文《BLAZE: Efficient Trajectory Optimization for High-Dimensional Robots via Generalized Affine Geometric Heat Flow》(基于泛化仿射几何热流的高维机器人高效轨迹优化),该论文由加州大学伯克利分校机器人实验室团队撰写,发表于机器人领域顶会IEEE Transactions on Robotics(T-RO)。

其核心贡献是进一步挖掘了AGHF的应用潜力——在Kinova Gen3 7自由度机械臂的测试中,该算法能在3秒以内,将存在碰撞风险的初始轨迹,优化为满足所有约束的无碰撞最优轨迹,同时实现了任意代价函数的适配,并支持约束违反型初始猜测。论文地址:arXiv:2505.01589

一、传统轨迹优化的两大核心困境

对于7轴Kinova机械臂、双臂及三臂协同系统等这类高维机器人而言,轨迹优化的本质是求解带约束的最优控制问题,而传统解决方案长期面临两大难以突破的瓶颈:

1. 代价函数适配性差:绝大多数AGHF相关方法,仅能实现控制范数平方积分的最小化,无法满足实际场景中对能耗、运动时间、关节冲击等多样化目标的优化需求。

2. 初始猜测门槛过高:必须提供完全满足所有约束条件的初始轨迹,否则会出现收敛效果差、易陷入局部最优解的问题,在复杂避障场景中,手动生成可行初始轨迹的难度几乎不可实现。

这两大困境的存在,严重限制了AGHF技术在实际机器人(尤其是协作机械臂)轨迹生成任务中的落地应用,也是该论文提出BLAZE算法的核心初衷。

二、BLAZE算法:AGHF泛化+两阶段迭代

作为该论文的核心创新点,BLAZE算法通过对AGHF作用泛函的泛化重构,结合Phase 1-Phase 2两阶段优化流程,彻底解决了传统方法的核心痛点,论文中明确给出了其核心技术逻辑,具体如下:

1. AGHF泛化重构

传统AGHF方法的核心局限在于代价函数的单一性,论文提出的BLAZE算法通过重新构建AGHF作用泛函,打破了这一限制,其核心是引入了可自定义的任意代价函数,无需复杂公式即可理解其核心逻辑:

该泛化设计的核心优势的是,打破了传统AGHF仅能优化单一控制范数的局限,将代价函数拓展为用户可自定义的任意形式,能够灵活适配能耗、运动时间、关节冲击、避障代价等多种实际优化目标,这也是论文相较于现有AGHF研究的核心突破之一。

借助这一泛化设计,BLAZE算法极大提升了场景适配能力,能够满足不同机器人任务的个性化需求,这也是论文重点验证的创新点。

2. 两阶段迭代流程:从约束违反到最优可行的高效转化

BLAZE算法的另一大创新,是论文提出的Phase 1-Phase 2两阶段优化机制,该机制允许初始轨迹存在约束违反问题(如与障碍物碰撞),仍能快速收敛至可行最优解,其核心逻辑基于AGHF的迭代演化特性,无需复杂公式即可清晰理解:

两阶段的核心区别的是权重分配不同:Phase 1阶段以约束修复为核心,重点将违反约束的初始轨迹调整为满足所有输入、状态、避障约束的可行轨迹;Phase 2阶段则聚焦代价优化,在保持轨迹可行性的基础上,最小化用户指定的代价函数,这一流程在论文中通过多组对比实验验证了其高效性。

Kinova机械臂仿真实验场景

- Phase 1:约束修复阶段

实验中以橙色渐变表示的初始轨迹(颜色由深至浅对应时间演化过程),即便存在与障碍物碰撞的问题(如Kinova机械臂的第2、4个位姿与箱体发生碰撞,以红色轮廓标注),BLAZE算法也能通过AGHF的迭代演化,将轨迹快速推离碰撞区域,使其满足所有约束,最终输出蓝色可行轨迹,这一过程对应论文中约束修复阶段的实验验证结果。

- Phase 2:最优优化阶段

当轨迹满足所有约束条件后,算法会在保持可行性的基础上,重点优化用户指定的代价目标,最终输出绿色最优轨迹——该轨迹既能精准到达目标构型、完美避开障碍物,又能严格贴合机械臂的完整动力学模型,这与论文中最优优化阶段的实验结论完全一致。

针对输入约束(如关节力矩、角速度的限制范围),论文提出的BLAZE算法设计了一种计算高效的约束强制执行方法,核心优势是能够将输入约束融入AGHF框架,且不会增加系统的状态维度,无需复杂公式即可理解其核心价值:

这种处理方式无需引入额外的状态变量来表征约束条件,有效避免了高维场景下的计算爆炸问题,这也是BLAZE算法能够快速处理7轴、14轴(双臂)、21轴(三臂)Kinova系统的关键所在,论文通过高维系统对比实验,验证了该技术的高效性。

三、实测验证

要点一:

论文为充分验证BLAZE算法的性能,设计了多组对照实验,选取RAPTOR、Crocoddyl、Aligator三种主流轨迹优化方法作为对比对象,实验覆盖1-5连杆摆、7轴Kinova单臂、14轴双臂、21轴三臂等多维度系统,所有实验均统一施加输入与关节限位约束,且每个实验重复运行10次取平均值,确保实验数据的可靠性与客观性,所有实验数据均源自该论文的实验章节。

要点二:

测试结果清晰表明,BLAZE算法的求解速度与可扩展性,随系统维度提升优势愈发明显。在7轴Kinova单臂、14轴双臂场景中,其求解耗时远低于其他三种对比方法;即便在21轴三臂这一高维复杂系统中,BLAZE仍能保持高效求解性能,完美适配高维协作机械臂的实际应用场景,这与论文中的实验结论高度一致。

要点三:

在7自由度Kinova Gen3机械臂的避障仿真实验中(实验场景与数据均源自该论文),BLAZE算法展现出极强的实用性:初始橙色轨迹全程与红色障碍物存在碰撞风险,经过算法两阶段优化后,仅需3秒即可生成绿色无碰撞最优轨迹,精准实现从起始构型到目标构型的运动,且所有避障轨迹的生成时间均不超过3秒,同时满足动力学、输入、状态及避障的全部约束要求,这也是论文重点强调的BLAZE核心优势。

四、重新定义AGHF轨迹优化的应用边界

1. 泛化AGHF作用泛函:通过重构AGHF作用泛函,首次实现了AGHF方法对任意代价函数的适配,成功打破了传统AGHF方法的代价局限,拓宽了其应用场景,这是该论文的核心创新贡献。

2. 落地两阶段优化算法:基于AGHF的迭代演化特性,实现了约束违反型初始猜测的支持,无需手动生成满足所有约束的初始轨迹,大幅降低了算法的使用门槛,同时兼顾了收敛性与求解速度,解决了论文开篇提出的行业痛点。

3. 提出高效约束处理方案:设计了无维度膨胀的输入约束强制执行方法,在AGHF框架内实现输入约束的同时,不增加系统状态维度,保障了高维机器人系统的计算可行性,为高维机械臂轨迹优化提供了新的技术路径。

本文解读的BLAZE算法,源自IEEE T-RO顶会论文《BLAZE: Efficient Trajectory Optimization for High-Dimensional Robots via Generalized Affine Geometric Heat Flow》,其以AGHF泛化重构为核心、两阶段迭代流程为支撑,成功突破了传统轨迹优化的技术瓶颈,显著提升了高维机器人轨迹优化的求解速度、场景适配性与易用性。尤其在Kinova Gen3机械臂上,3秒完成避障轨迹生成的实测表现,不仅印证了算法的高效性与实用性,更凸显了该论文在机器人轨迹优化领域的研究价值与工程落地潜力。

从实验室仿真到实际场景应用,BLAZE算法为高维机器人实时轨迹生成提供了全新解决方案。随着AGHF技术与BLAZE算法的持续优化,有望彻底解决高维机器人轨迹优化的效率难题,推动协作机器人、双臂/多臂协同、具身智能等领域的技术升级。

论文解读|BLAZE算法3秒搞定Kinova机械臂避障,革新高维机器人轨迹优化
回复此楼
Blue机器人前沿解读|官方提供灵巧手、Kinova机器人、遥操作方案、高速捕捉相机等,咨询Blue机器人 www.bluerobotics.cn
已阅   回复此楼   关注TA 给TA发消息 送TA红花 TA的回帖
相关版块跳转 我要订阅楼主 Blue机器人 的主题更新
普通表情 高级回复 (可上传附件)
信息提示
请填处理意见