協作機器人及其運動規劃方法研究綜述

解迎剛，蘭江雨

北京信息科技大學 物聯網系，北京100101

工業機器人在工業生產領域中具有廣泛作用。但是隨著社會的發展，傳統的工業機器人已經無法滿足人們對于安全協作和靈活部署的需求。人們希望機器人能夠處理更為復雜的任務，具有更加靈活和精準的性能[1]。協作機器人（collaborative robot）是機器人領域最熱門的研究方向之一[2-3]。相對于在圍欄中工作的傳統工業機器人，協作機器人更加輕便、安全、智能化，可以與人類近距離共同工作，在各類的場景中完成復雜的工作任務[4]。同時，協作機器人結構簡單，價格相對便宜，更加適合中小型企業的需求。

但是，協作機器人在實際應用中遇到了一系列問題[5]。首先，為了提高協作任務的效率，協作過程中要合理地分配協作任務，實現時間、資源等成本的最優利用。其次，協作機器人應用于各類生產、生活場景中，操作員通常對機器人的了解程度有限，需要更加簡單高效的人機交互方式。另外，協作機器人與人類近距離接觸，要保證協作過程中操作員與機器人的安全性。這三個問題對應協作機器人核心的三個特點：高效、簡單和安全。

為了解決以上問題，近年來人們對協作機器人進行了廣泛的研究[6]。研究涉及硬件、軟件和算法三個方面，包括協作機器人的本體設計，適合人機協作的編程方法，滿足安全、效率等需求的人機協作方法，以及協作機器人運動規劃方法等。同時，中國科學院院士丁漢提出協作機器人最重要特征就是“共融”[7]，即人機之間高度共融，機器人將能夠理解人類的思維和動作，近年來的研究也圍繞協作機器人的共融性。

運動規劃（motion planning）是機器人學的核心問題之一[8]。運動規劃可以使機器人在工作空間中規劃出一條可行路徑，且運行過程中滿足運動學和動力學等約束條件。經過多年發展，工業機器人運動規劃已經較為成熟，在分揀[9]、焊接[10]、磨削[11]等領域應用廣泛。但是，協作機器人通常工作在復雜環境中，面對動態障礙物（工作臺等）和動態障礙物（協作者等），需要適合的運動規劃方法，保證機器人順利完成任務。

本文圍繞上述問題，對近年來協作機器人、人機協作方法以及運動規劃方法的研究進行分類綜述。其中，第1 章介紹協作機器人的基本情況，包括主要產品、本體設計、應用案例等。第2 章介紹人機協作方法，包括協作機器人編程方法、安全協作方法和高效協作方法等。第3章介紹協作機器人的運動規劃方法，包括路徑規劃方法和軌跡規劃方法。第4 章討論協作機器人研究當下的不足和未來的發展方向。第5章為全文總結。

1 協作機器人介紹

1.1 主要產品

協作機器人是一種新型機器人，其特點在于可以與人類近距離協同工作，不需要設置圍欄[3]。協作機器人的外形與傳統工業機器人類似，多為6/7 自由度的串聯型機器人。不同之處在于，協作機器人體型較小，重量較輕，結構相對簡單。其優點在于部署靈活，操作簡單，缺點則是運行速度較慢，負載較小，通常在10 kg以下。

近年來國內外的各大廠商開始陸續推出自己的協作機器人產品。國外的協作機器人廠商主要包括ABB、KUKA、FANUC、YASKAWA等老牌工業機器人公司，以及優傲（Universal Robots，UR）等新興公司。表1 中整理了六款國外協作機器人的主要產品[12-18]，列出了其所屬公司和國家、發布年份、主要特征以及參考文獻。其中，UR 公司在2008 年推出的UR5[12]是全球第一款商用協作機器人，以模塊化、輕型、安全、人機交互與較高精度為特點，是目前業內最受關注的協作機器人之一。

表1 國外協作機器人產品

國內機器人市場上也涌現了大批協作機器人，其中既包括老牌機器人公司，也包括新興的創業公司，它們為國產協作機器人陣營注入了嶄新的活力。國內的協作機器人廠商主要有新松、遨博等公司。表2中列出了四款國產協作機器人主要產品[19-22]。

表2 國內協作機器人產品

協作機器人相比傳統的工業機器人，有著價格低廉、智能化程度高、操作簡單、應用場景豐富等優勢。目前已經有眾多協作機器人產品推出，相信未來會有更多協作機器人出現，應用在各種工業生產、生活服務中。

1.2 本體設計

協作機器人的本體設計涉及機械、材料、電子等多個學科，是實現人機協作的關鍵點之一[6，23]。本節介紹協作機器人的本體設計，包括機器人構型、柔順性結構、多傳感器以及末端執行器等。

1.2.1 構型設計

構型設計對機器人性能有重要影響。工業機器人大多設計為3～6自由度，因為工業場景中機器人工作環境固定，不需要考慮避障問題，并且低自由度的設計可以節省成本。但是，協作機器人的任務通常面對多種障礙物以及突發事件，需要較高的靈活性，所以大多設計成6/7 自由度[24]。這類自由度較高，具有冗余度的機器人稱為冗余機器人。冗余機器人的優勢在于，當其末端姿態保持不變時其他關節仍可以運動。因此，冗余機器人具有運動靈活性好、能夠克服關節極限、能在末端位姿不變的情況下完成避障的優點，而且可以有效地避免非冗余機器人常出現的奇異構型問題[25]。

另外，偏置的設計[26-27]也影響機器人性能。田勇等[28]對幾種協作機器人的構型進行了對比分析，得到結論是偏置降低機器人的全局性能、工作空間體積性能，但能夠提高機器人的靈活工作空間性能，對于協作機器人而言能夠加強其協作能力。

1.2.2 柔性結構設計

機器人的柔性結構可以降低人機碰撞的危險[29]，目前主要存在兩種方式：（1）機器人連桿采用柔性材料；（2）采用柔性驅動器。其中前者稱為軟體機器人[30-31]，理論上具有無限的自由度，可以靈活進行避障，完成復雜任務。但由于運動學和動力學分析過于復雜，軟體機器人的精確控制難以實現[32]，所以軟體機器人目前不適用于工業生產。采用柔性驅動器是機器人柔順控制的主流做法，即將彈性材料引入驅動器中，達到在碰撞沖擊中保護自身的作用。常見的柔性驅動器有串聯彈性驅動器（SEA）[33]、并聯彈性驅動器（PEA）等[34]。例如SEA是在電機輸出軸和負載之間串聯加入彈簧等彈性結構，張秀麗等[33]利用SEA設計了一款3自由度柔順機器人，可以實現人機柔順交互的功能，上文提到的Baxter機器人[13]也用到了這樣的柔順結構設計。

1.2.3 多傳感器設計

機器人集成多種傳感器，以實時精確地感知自身和外部環境的變化，做出準確的應對。協作機器人的傳感器分為接觸式和非接觸式。通常情況下，協作機器人利用非接觸式傳感器獲取工作空間的環境信息；在一些特定任務中（如裝配、醫療等），協作機器人利用接觸式傳感器完成人機協作。

非接觸式傳感器包括視覺傳感器（攝像頭）[35]、激光雷達[36]等。其中激光雷達的效果較好，掃描范圍較大，精度較高，但是成本高昂。視覺傳感器的成本較低，但是感知范圍、精度相對較差。目前機器人視覺的研究非常熱門，良好的算法設計可以彌補硬件性能的差距。針對人機協作應用，研究者利用視覺傳感器獲取機器人周邊環境信息以及協作者的實時動作。桑海峰等[37]利用Kinect 相機獲取人體關節點，并提出快速動作識別算法，從而識別人類動作，完成人機交互功能。Tsuji 等[38]提出了在機器人末端安裝飛行時間（Time of Flight，ToF）傳感器，用于感知機器人與周邊物體的距離，保證人機安全。

接觸式傳感器包括觸覺傳感器[39]、扭矩/力傳感器[40]等，其中扭矩/力傳感器可以檢測外力的大小，在人機協作中較為常用。Ren等[40]利用扭矩傳感器進行碰撞檢測，以保證人機協作的安全。Maric 等[41]提出一種機器人打磨方法，利用配備了扭矩傳感器/力傳感器的機器人，檢測打磨工具與零件間的力和扭矩，完成復雜形狀的零件表面精細打磨。此外，為了節省成本，一些機器人采取無需附加扭矩傳感器的設計。Yen等[42]提出一種虛擬傳感器方法，利用機器人內部的霍爾傳感器和電流傳感器估算出外力的大小，對重力、摩擦力等做補償，同樣可以用來進行人機協作，但是需要建立精確的動力學模型。

單一傳感器采集信息較少，且易收到干擾，多傳感器信息融合可以很好地增強機器人感知性能。柯顯信等[43]建立多傳感器系統進行機器人的定位，選用紅外傳感器、聲音傳感器和雙目視覺傳感器三種傳感器。其中雙目視覺在理想條件下的定位效果較好，紅外傳感器和聲音傳感器環境適應能力強，彌補了光照、噪音等不利條件下的視覺定位困難問題。Lin等[44]建立一套多傳感器系統，通過體溫傳感器、血壓傳感器等監測人體的健康情況，氣壓傳感器、視覺傳感器等監測機器人狀態和周邊環境信息，實現機器人在醫療人機交互中的應用。

1.2.4 末端執行器設計

機器人的末端執行器一般固定在機器人的末端位置，用來抓取、移動物體或實現一些特定功能。末端執行器大致可以分為夾持器和末端工具。針對協作機器人的特點，研究者對兩類末端執行器均進行了研究與改進。

為了實現抓取等功能，機器人一般配有夾爪、真空吸盤等形狀的夾持器。Franchi 等[45]為Baxter 機器人設計了一款基于3D 打印的夾爪，優勢在于輕便且成本較低。Birglen等[46]設計了一款自適應的夾爪，可以自適應地進行抓取，并且針對協作機器人的安全避碰功能進行了結構優化。

針對一些特殊應用場景，研究者也根據需求設計了特定的機器人末端工具。Welleweerd 等[47]針對乳腺癌診斷應用設計了一款末端工具，包括三維相機、探針支架、導針器以及探針等。這款末端工具固定在醫療協作機器人KUKA LBR Med的末端上，可以實現探測點的識別與自動化探測，幫助放射科醫生完成診斷。

1.2.5 機器人本體安全設計

利用柔性材料作為機器人連桿具有技術上的難度，目前研究人員提出在機器人連桿上附加安全設計，用來保證人機協作中的安全性。

Zeng等[48]提出在機器人的表面覆蓋一層泡沫罩，以減輕人機碰撞時的沖擊力。實驗證明，在受到意外碰撞時，該設計可以有效保護人類與機器人的安全。Weitschat等[49]提出了一種人機協作安全模塊，類似于汽車工業中的安全氣囊。與普通安全氣囊的不同之處在于它的可重復使用性，而且在機器人的每一個動作中，安全氣囊都是充氣的。

1.3 應用案例

隨著工業4.0 的不斷推進，協作機器人越來越多進入工業生產中，在裝配[50-52]、分揀[53-54]等工業應用中發揮重要作用。同時，因為協作機器人具有輕便、成本低、易部署的特點，在醫療[55]、服務[56]等非工業領域中也有一系列應用。本文通過幾個案例，簡單介紹近年來協作機器人的應用。

在裝配任務中，工人需要進行大量的重復性體力勞動，工作效率較低，并且有很多工人因為患上了職業?。ㄈ缂‰煅椎龋Ｄ壳肮I機器人已經成功用于大量重復性裝配體力勞動，協作機器人可以進一步地解決以上問題。Realyvasquez等[52]中提出了一種裝配任務中的人機協作方案，包括設計人機協作工作臺，對協作機器人進行配置，進行協作機器人的可靠性測試，以及對操作人員進行操作培訓。研究結果表明，該方案有效地將工人從職業病的風險中解救出來，并提高了裝配效率。Michalos等[50]提出了一種人機協作的汽車裝配方法，采用手動引導技術和機器人安全控制功能。協作者利用可穿戴設備（如AR眼鏡和智能手表）對協作機器人進行控制。針對裝配中的任務分配問題，Malik 等[51]提出了一種基于技能（復雜度）的任務分配方法，根據任務的復雜度不同，合理地將任務分配給機器人和工人。

在貨物分揀任務中，協作機器人往往與移動機器人協同工作，自動化地解決分揀問題。D'Souza 等[53]提出了一種由自動導航車輛（AGV）、協作機器人、機械手以及攝像頭組成的機器人揀選系統的簡化模型。首先利用攝像頭識別貨物，然后利用協作機器人和機械手對貨物進行抓取，放置到AGV 上，最后AGV 在倉庫和其余工作站之間傳送貨物。Fager等[54]提出了一種人機協作的試劑盒制備方法，利用協作機器人從倉庫挑選試劑的成分進行制備，并利用AGV進行運輸。研究結果顯示，與純人工的方式對比，人機協作的試劑盒制備方法效率更高。

除了工業生產，協作機器人在醫療，服務等場景中也廣泛應用。在醫療方面，Su等[55]提出了一種人機協作的手術方法，外科醫生可以借助協作機器人更加精準高效地完成手術。此外，隨著人口老齡化的不斷加深，老年人護理問題愈發重要。Lyu等[56]提出了一種遠程機器人控制系統，利用協作機器人對老年人進行護理。該系統由一個雙臂協作機器人Yumi和可穿戴的運動捕捉系統組成，利用機器人遙操作技術，使護理人員可以遠程照顧行動不便的老人。

隨著人機協作方法和運動規劃方法的不斷進步，協作機器人更加安全、高效，可以完成更復雜的任務，在各個領域的應用也會越來越廣泛。

2 人機協作方法

協作機器人最大的特點就是在近距離內與人類協同工作。人機協作有三個關鍵因素：簡單、安全和高效。本章圍繞以上三個關鍵因素，將人機協作方法分為三方面，包括協作機器人編程方法、安全協作方法和高效協作方法，如圖1所示。

圖1 人機協作方法

2.1 協作機器人編程方法

工業機器人通常使用人工示教或離線編程。早期工業機器人的控制主要是利用示教器進行示教再現[57]。這種方法在一些簡單的任務中可以勝任，如點到點的搬運等。但是對于復雜的任務，示教編程無法滿足工業生產需求。為了解決該問題，20 世紀80 年代起機器人離線編程技術逐步發展[58]。離線編程借助計算機圖形學，在仿真環境中建立工作環境和機器人模型。由于離線編程可以對復雜曲線進行精準規劃，在汽車噴涂、裝配等領域應用較廣。

但是上述兩種編程方式要求操作人員進行學習和適應，對技術經驗要求較高[59]，很多企業并沒有足夠多滿足上述要求的操作人員[51]。此外，以上兩種方法對于特定作業任務需要單獨進行編程。如果任務改變，重新編程需要耗費大量人力和時間[60]。這就需要開發出更加簡單、高效的協作機器人編程方法，以滿足企業的生產需求。本節介紹幾種目前研究較廣的協作機器人編程方式。

2.1.1 拖動示教

拖動示教又稱直接示教（direct teaching），即操作者通過拖動機器人進行示教編程。該方法簡單直觀，對操作人員的技術經驗要求較低，很適合人機協作的需求。目前大部分的協作機器人產品都配備了這項技術。拖動示教可以分為功率級脫離示教和伺服級接通示教[61]。功率級脫離示教就是在示教過程中切斷機器人的電源，使各個關節電機處于無伺服狀態，操作員在示教時需要克服機器人的重力和摩擦力等。這種方法相對容易實現，但由于工業機器人一般重量較大，其關節執行機構摩擦力較大。此外，在擾動力的作用下，操作員很難將機器人定位到準確的示教點。因此，伺服級接通示教應用更加廣泛。伺服級接通示教主要有兩種示教方法，一種是利用末端多維傳感器的位置控制，一種是建立機器人動力學模型進行力矩補償。

第一種方法利用機器人末端的多維傳感器獲取位置信息，牽引機器人末端在笛卡爾空間運動。這種方法不受機器人重力和摩擦力影響，并且實施簡單。該方法的缺點在于，多維傳感器增加了機器人的成本，降低了機器人的負載能力，并且只能在笛卡爾空間對機器人示教。Almusawi等[62]在機械臂末端安裝扭矩傳感器，測量力和扭矩的六個分量，通過人的直接引導和機器人響應之間的瞬時匹配，將力和扭矩轉換到所需的位置/方向，實現了簡單化的拖動示教。楊浩等[63]利用機器人末端的力傳感器，實現了康復機器人的拖動示教，簡化了康復訓練中對機器人編程的復雜過程。

第二種方法建立機器人的動力學模型進行力矩補償。在示教過程中，控制器實時算出機器人運動所需要的力矩，然后對其進行補償。這種方法可以節省多維傳感器的成本，并且可以在關節空間對機器人示教，所以目前應用更為廣泛。Chen 等[64]提出了一種用于協作機器人的零力控制拖動示教方法，利用霍爾傳感器檢測電流信號實時對力矩進行補償。Yuan 等[65]使用機械臂各關節電流傳感器的值計算出所需扭矩，抵消預先校準的重力和摩擦阻力。Gao等[66]針對溫度、速度和負載三個變量對關節摩擦的模型展開研究，利用建立的綜合摩擦模型完成了拖動示教過程中的力矩補償。

2.1.2 基于演示學習的編程

基于演示學習（Learning from Demonstration，LfD）的編程是目前機器人學的重要研究方向。該方法結合了學習的思想，簡單直觀的同時具有泛化能力[67]，尤其適合協作機器人的編程需求。與傳統示教方法相比，該方法不是對示教動作的簡單重復，而是從示教動作中提取信息、形成運動模型，最終可以在多種場景中廣泛應用。該方法可以分為基于運動的演示學習和基于任務的演示學習，前者根據機器人的示教軌跡進行學習，一般可以應用在簡單任務中；后者根據任務語義進行學習，主要用來完成復雜任務。這兩種學習方法之間的界限并不具體，具有依賴的關系[68]。

基于運動的演示學習需要獲取機器人的運動軌跡信息和交互力信息，根據提取到的有效信息建立運動模型[67]。軌跡信息的獲取可以通過攝像機等外部傳感器。李建良等[69]提出了一種演示學習的編程方法，利用攝像機對人類的抓取行為拍攝視頻，然后特征提取得到了軌跡信息，通過演示學習的方式使機器人完成了相同的抓取。此外，機器人本體的軌跡數據也可以作為演示數據，比如上文提到的拖動示教方法。Najafi 等[70]利用勢場函數和速度控制器記錄醫師的交互力信息，使機器人在治療過程中可以給患者提供同樣的交互力。

基于任務的演示學習主要針對具體應用任務，是一系列機器人運動的組合。Malekzadeh 等[71]提出了一種低層控制到高層運動規劃的架構，對軟體機器人末端執行器的位置和方向進行記錄，完成了蘋果摘取的任務。Hwang等[72]提出了一種基于視覺的演示學習編程系統，使用兩個攝像頭進行目標檢測和多動作識別，根據學習到的動作序列，讓機器人完成倒咖啡的任務。在人機協作過程中，演示學習也能起到重要作用。Wang 等[73]提出了一個用于協作機器人的教-學-協作（TLC）模型，可以從人類操作員的演示中學習。協作過程中如果出現任務的變更，機器人也可以通過演示學習自行更新任務信息，協助操作員完成工作任務。

2.1.3 其他編程方法

為了實現簡單高效的人機協作，人們嘗試利用多種方式簡化機器人的編程過程。例如，通過對視覺或聲音的識別，機器人可以實時完成人類的操作命令；通過VR/AR 的方法，人類可以在實景中直觀地對機器人的編程；甚至通過腦機接口，人類可以免去手動編程，直接用意念控制機器人。但是目前，這些方法多數尚在研究中，沒有實際的工業應用。

利用三維攝像機識別人類的身份及動作，可以有效地進行人機交互。Makrini等[74]提出了一種基于視覺識別的人機協作系統，利用Kinect相機對操作員進行人臉識別，手勢識別以及行為識別。其中人臉識別用以確定操作員的身份；手勢識別用以操作員實時對機器人下達命令；行為識別可以識別操作員的幾種動作，如點頭、搖頭等，作為人機協作中的反饋信息，以實時調整協作任務。

虛擬現實/增強現實（VR/AR）技術可以直觀顯示人機協作操作過程，極大降低了操作者的編程難度。Chacko等[75]提出了一種AR 交互的人機協作方法，用于完成分揀任務?？梢允共僮鲉T可視化地控制機器人姿態和使用虛擬AR元素，從而降低了對于不同任務的機器人編程工作量。Hietanen 等[76]提出了用于安全HRC 的交互式AR 用戶界面，并且對比了投影鏡（Projector-Mirror）和可穿戴AR設備（HoloLens）兩種方法。在一個實際的柴油機裝配任務中進行實際試驗，結論為基于HoloLens的AR技術還不適合工業制造，而投影鏡方法更為適合。腦機接口（Brain-Computer Interface，BCI）是近年來的熱門研究方向，研究人員嘗試將其與協作機器人結合。Li等[77]提出了一種基于腦機接口的人機協作系統，用于缺陷零件的分揀。該系統與BCI、視覺模塊和機器人驅動器集成，使操作人員可以將決策直接從大腦發送給機器人。但是該方法較為復雜，并且在工業生產中的應用有限制，需要進一步進行研究。

2.2 安全協作方法

上一節介紹了協作機器人的各類編程方法，通過上述方法可以簡單高效地操作機器人完成協作任務。此外，在人機協作過程中，由于機器人與人類近距離接觸，安全性是首位需要考慮的。文獻[6]中提到，安全策略可以考慮三個步驟：（1）與內在安全相關的步驟；（2）可以防止碰撞的步驟（碰撞前）；（3）在發生碰撞時的步驟（碰撞后）。綜合目前對于人機協作安全的研究，本節從人機協作安全準則、碰撞避免方法、碰撞處理方法三個方面，介紹人機協作中的安全協作方法。

2.2.1 人機協作安全準則

實現機器人的安全協作，首先需要制定一系列安全準則。國際標準化組織（International Organization for Standardization，ISO）在2011 年發布了工業機器人安全標準ISO 10218：2011，標準文件分為ISO 10218-1[78]和ISO 10218-2[79]，前者規定了機器人本體設計和制造中的安全標準，后者規定了機器人系統集成、安裝、功能測試、編程、維護和修理等標準[80]，該標準可以全面地對工業機器人的使用安全進行規范。但是協作機器人對人機協作的要求更高，不能簡單地沿用工業機器人安全標準。所以在2016年，ISO組織針對ISO 10218進行了補充，并發布了協作機器人安全技術規范ISO/TS 15066：2016[81]。

重要的是，在ISO/TS 15066 中定義了四種的安全協作準則，包括安全級監控停止、手動引導、速度和距離監控、功率和力限制，如圖2 所示。其中：（1）安全級監控停止，當操作員進入協作范圍內機器人停止工作；（2）手動引導，只有操作員直接對機器人手動引導操作，機器人才能進行工作；（3）速度和距離監控，保持操作員與機器人的安全距離，當距離小于定值時機器人停止工作；（4）功率和力限制，當操作員與機器人發生必要/非必要接觸時，保持機器人功率與力的限度，突破上限則停止工作。

圖2 安全協作準則

這四種協作準則可以用做人機協作應用中的安全標準，文獻[80]中其進行了詳細解讀，并由此提出了人機協作安全的一般性指導原則。此外，Chemweno 等[82]對ISO/TS 15066 中的安全標準進行了探討，針對危險分析和風險評估提出了協作機器人安全的保障措施。

2.2.2 碰撞避免方法

通過非接觸式傳感器進行環境感知以避免不必要的碰撞，稱為機器人碰撞避免，或事前控制。這類方法的目的是在機器人發生意外碰撞前采取相應的安全措施來避免碰撞發生。根據上節描述的協作準則，如果有操作員出現在工作空間，可以通過預先設定的安全策略對機器人進行調整，如圖3所示。

圖3 機器人主動碰撞避免方法

目前針對速度和距離監控的研究較多，實際應用也較為普遍。Byner 等[83]對速度監控進行研究，提出了求解機器人極限速度的方法。在協作機器人照料的應用中將該方法與傳統的設置圍欄的方法進行對比，證明了該方法可以提升任務效率。Flacco等[84]提出了距離監控的方法。他們利用Kinect 深度相機獲取機器人工作空間的深度信息，由此計算出機器人與工作空間動態障礙物之間的距離，并為末端執行器和機器人的其他控制點分別設計了不同的排斥力，得到平滑可行的關節速度指令，從而避開障礙物。王政偉等[85]同樣針對距離監控進行研究，提出了一種人機距離模型構建方法和人機最小距離迭代算法，實現了動態的人機協作距離監控。

此外，人類操作員的行動通常遵循某種特定模式[86]，所以碰撞避免的另一個思路是對操作員進行實時檢測，并建立運動模型預測其下一步行為，以避免潛在的碰撞出現。同時，這種行為預測方法可以加強人機協作的效率。Callens 等[87]提出了一個識別和預測正在進行的人體運動的框架。由這個框架生成的預測可用于機器人設備的控制器，使人類和機器人協作者之間產生直觀和可預測的交互。經過測試，該框架具有良好的識別和預測效果，但是只能預測一定時間內的運動，不能預測完整的運動過程。陳友東等[88]提出了一種基于LSTM網絡的動作終點預測方法，通過采集少量人的動作數據訓練出模型，可以實現對于裝配任務中抓取動作的預測，達到安全避碰等效果。

2.2.3 碰撞處理方法

在人機協作應用中，碰撞避免不足以解決全部問題，一些必要的碰撞不可避免。在發生碰撞后，超過一定閾值的力，以及機器人的特殊姿態都可能導致人類的受傷甚至死亡。如何在必要/意外碰撞中保證人類的安全成為了研究熱點，可以從以下幾個方面考慮。首先，機器人本體的柔性設計可以減緩沖擊的能量，協作機器人本體大多采用這種柔性設計，本文的2.2.2 小節對此進行了介紹。其次，機器人本體的多傳感器設計可以對外力進行檢測，本小節對此進行介紹。最后，利用碰撞處理方法可以減少碰撞后的沖擊/傷害，保障人類安全。碰撞處理方法包括碰撞的檢測與識別，機器人柔順控制等。

機器人碰撞的檢測與識別，即識別碰撞力的大小方向、碰撞的意圖等。Ren 等[40]提出了一種基于本體感受傳感器（編碼器和扭矩傳感器）的碰撞檢測方法，可以對碰撞力進行檢測，包括力信號的大小和方向信息。Heo等[89]提出了一個基于深度學習的碰撞檢測框架（Collision-Net），利用深度神經網絡模型學習機器人的碰撞信號和識別任何發生的碰撞，具有較強的檢測性能和泛化能力。Kouris 等[90]提出了一種基于機器人本體感受傳感器的方法，測量的外力譜導數來識別接觸點，在人機協作過程中可以區分有意接觸和意外碰撞。

此外，為了建立人類對于接觸力和壓力承受的安全標準，Park 等[91]將人的疼痛耐受力作為標準，測定了90名男性15 個身體部位的疼痛閾值，為協作機器人的施力上限做了參考。文獻[92-93]對于大量碰撞數據進行分析，將碰撞造成的傷害嚴重程度作為標準，分析了不同機器人造成的傷害，得到了機器人碰撞損傷的安全標準。同時，ISO/TS 15066中對此也有相關規定，可以參考。

在完成了碰撞力的識別后，需要精確地對機器人力矩進行控制，以滿足上述安全標準。機器人的主動柔順控制方法可以實現這個需求，包括阻抗控制[94]、力/位混合控制[95]以及結合神經網絡的智能控制方法[96]等。Ernesto等[97]提出一種自適應非傳統滑膜阻抗控制方法，利用力矩傳感器實時檢測碰撞力矩，實現了人機協作的拋光、打磨任務。Li等[98]提出一種神經網絡阻抗控制方法，根據傳感器獲取的力位信息估計人類運動意圖，并使機器人配合人類完成協作應用。不同應用有不同的安全標準，針對具體應用，需要根據實際情況設計其控制方案。

2.3 高效協作方法

在確保了協作安全的前提下，最重要的是提高人機協作的效率。如文獻[99]中所述，人機協作任務的最大挑戰在于兩個方面：人與機器人的協作方式；有效的任務調度和分配策略。本節針對人機協作的效率問題展開討論，重點介紹協作任務的分配方法。此外，協作任務中人類操作員會面臨一系列心理問題，本節對此進行介紹。

2.3.1 協作任務分配方法

早期的人機協作任務分配主要依靠操作員的直覺，沒有合理的任務分配方法。為了提高效率，研究人員提出了一系列協作任務分配方法。本節將這些任務分配方法主要分為兩類：一類是基于任務進行分配；另一類是基于操作員與機器人進行分配。

第一類方法通?；谌蝿盏膹碗s度、時間成本等指標，對協作任務進行分配。Chen等[99]提出了一種基于遺傳算法的動態優先級任務調度算法，將裝配時間和支付成本實現最小化，實現了人與機器人間的順序和并行任務分配。Malik 等[100]提出了一種動態任務分配框架，對每個任務的自動化潛力做評分，包括循環時間、適應性和安全性等，然后根據評分將這些任務分配給人類或機器人，從而平衡工作負載。Mateus等[101]提出了一種裝配任務的優先級識別算法，通過識別裝配任務中每個子任務的優先級，實現不受線性序列阻礙的并行任務，并將其分配給了操作員和機器人。

第二類方法基于機器人及操作員的實際情況進行任務分配。Ranz等[102]提出了一種結合人與機器人實際能力來確定任務分配的方法，將能力與特定任務的給定需求進行匹配。首先對一些必須自動化的任務（人類無法完成）進行分配，剩余任務根據人類能力進行量化評分，合理分配。Smith 等[103]提出了一個人機協作任務分配框架，通過量化系統中每個元素的能力和性能，進行有效的評估。為了合理地對人類能力進行量化，他們提出了一個成本函數，基于任務時間和工人疲勞度進行計算。Lamon 等[104]對裝配過程中任務分配問題進行研究，綜合考慮了任務復雜度、靈巧度和努力度三個指標，來評價人類和機器人的任務表現，并且加權將三種指標進行組合，利用一個啟發式搜索算法將任務進行最優分配。

2.3.2 協作心理問題

人機協作可以提高任務效率，但是在協作過程中通常會給操作員帶來心理壓力。這種壓力來源于操作員需要與機器人共存，并且共同完成工作[105]。合理的協作方法可以減輕協作任務中操作員的不適感，加強人類與協作機器人之間的合作關系，保證操作員的身心健康及協作任務的順利完成。

人機協作過程中，機器人的運動會對操作員造成心理壓迫。問題在于如何減輕這種心理壓迫，并且不影響協作任務的效率。Arai 等[105]提出了一種保證操作員心理安全的協作標準，包括距離應大于2.0 m，移動速度應小于500 mm/s，在機器人運動前通知操作員等。Rojas等[106]針對這個問題提出了一種軌跡規劃方法。他們根據人類操作員的心理承受能力，設計了沖擊（jerk）最小化的軌跡，并在裝配任務中完成了驗證。

此外，協作機器人加入情感感知和反饋功能，可以提高協作的效果。Shayganfar 等[107]對人機協作過程中人類的情感意識展開研究，他們設計了一個桌面的協作環境，操作員和機器人一起安裝太陽能電池板。協作過程中，機器人感知操作員的情感并給予反饋（語音和表情符號）。結果表明，加入了情感感知的人機協作效果更好，人類喜歡與具有情感感知的機器人合作。

目前關于協作心理問題的研究尚且較少，隨著人機協作的廣泛應用，這類問題應引起更多的重視。

3 協作機器人運動規劃方法

機器人運動規劃的目的是構建出一條從機器人初始位姿到目標位姿的無障礙軌跡，通常分為路徑規劃和軌跡規劃兩部分。路徑規劃[108]根據工作空間的環境信息，構建一條無障礙的機器人路徑，包含了機器人各關節的位置信息；軌跡規劃[109]建立機器人各關節的時間-軌跡序列，滿足運動學和動力學約束條件。

對于協作機器人而言，合適的運動規劃方法尤為重要。首先，協作機器人需要在非結構化環境中執行任務，運行中避開各類動態/靜態障礙物。其次協作任務通常復雜多變，不像工業機器人一樣具有軌跡可重復性。最后，協作機器人的自由度通常較高，難以利用常規算法進行規劃。所以協作機器人的運動規劃具有較高的研究價值，是目前的研究熱點之一。

3.1 路徑規劃方法

路徑規劃的定義即為從起始點到目標點選擇一條路徑，使得機器人能夠安全、快速到達目標點，保證機器人不與障礙物發生碰撞[110]。機械臂的路徑規劃是從初始位姿到目標位姿的離散規劃，不考慮機械臂位姿參數隨時間變化的因素。協作機器人通常具有6/7 自由度，需要在高維空間進行路徑規劃，并且協作環境內有靜態和動態的障礙物，對算法的實時性要求高，所以一些傳統的路徑規劃方法并不適用。本節介紹三種主流的路徑規劃方法，并針對協作機器人的特點，介紹適用于協作機器人的路徑規劃方法。

3.1.1 基于圖搜索的路徑規劃

基于圖搜索的路徑規劃方法，首先需要建立環境地圖，根據地圖信息構建從起點到終點的最優路徑。環境地圖的構建方法主要有可視圖法[111]和柵格法[112]等，其中柵格法應用較為廣泛。在已知環境信息后，可以采用搜索算法尋找最優路徑，常用的算法有A*和D*算法。

A*算法是一種啟發式搜索算法，其思路為在Dijkstra 算法中加入估值函數，適用于靜態環境中的路徑規劃。宗成星等[113]提出了一種基于A*算法的機械臂路徑規劃方法，并用二次B 樣條曲線對路徑點進行插值，得到了平滑的機器人軌跡。D*算法根據A*改進，從目標點開始搜索，直到搜索到機器人當前位置。該算法可以用于動態環境中的移動機器人和機械臂路徑規劃。Chen 等[114]提出了一種基于D*算法的動態路徑規劃方法，利用實時避障策略，根據動態障礙物的位置調整路徑節點，實現了機械臂的實時避障。

但是協作機器人的維數較高，環境復雜多變，難以建立環境模型。這類圖搜索算法需要精確的環境模型，并且對于高維空間的路徑規劃耗時較長，對于協作機器人并不適用。

3.1.2 基于采樣的路徑規劃

基于采樣的路徑規劃是目前多自由度機器人路徑規劃的常用方法，主要有概率路圖（Probabilistic Roadmaps，PRM）算法和快速擴展隨機樹（Rapidly-exploring Random Trees，RRT）算法等。

PRM算法是一種多次查詢（multi-query）算法，分為學習和查詢兩個階段[115]。學習階段構建路徑圖，首先在地圖中進行隨機采樣，然后連接各點，形成無向網絡路徑圖；查詢階段搜索最優路徑，首先將初始節點和目標節點與路徑圖相連，然后利用A*等算法尋找最優路徑。該方法不用事先建立精確的障礙物模型，適合高維空間的機器人規劃。但是PRM 算法的問題在于，搜索到的路徑并不是最優路徑，需要進行路徑優化。Janson等[116]針對這個問題提出一種思路，用確定性采樣序列代替隨機采樣序列，實現了PRM算法的漸進最優，并將這個思路拓展到其他采樣算法。在實際應用中，鄒宇星等[117]提出了一種基于快速構型空間創建的改進PRM算法，在采摘機器人上進行了實驗，取得了良好的效果，但是這種方法在高維空間進行規劃時較為復雜。文獻[118]提出了一種基于PRM 算法的實時路徑規劃方法，在碼垛任務中實現了高效的機器人運動規劃。

RRT 算法是一種單查詢（single-query）算法，相比PRM算法節省了前期的路徑圖構建。RRT算法的基本原理是從起點構建一顆搜索樹，在空間中進行隨機取點，搜索樹向樣本點方向擴散，直到樹中的葉子節點擴散到目標點附近，完成搜索過程，并返回該節點到根節點的路徑連線。該方法具有環境建模簡單、搜索能力強、能夠添加多種約束等優點，非常適合于協作機器人在動態高維空間中的路徑規劃。

但是基本RRT算法存在節點利用率低，路徑不穩定等缺點[119]，研究人員提出了多種改進算法。本文選取幾種有代表性的改進算法進行總結。根據適用場景不同，可以分為全局路徑規劃算法和動態路徑規劃算法，如表3所示[120-128]。

表3 RRT改進算法總結

對于RRT算法在機器人上的實際應用，研究者通?；谝陨蠋追N算法進行改進。劉建宇等[129]提出了一種基于RRT*-connect的改進算法，利用目標偏置策略加快算法收斂速度，以及梯度下降法優化路徑平滑度，在協作機器人UR5 上進行了驗證。Cao 等[130]提出了一種荔枝采摘機器人的運動規劃方法，引入目標重力的思想加快算法收斂速度，并利用遺傳算法和平滑算法對路徑進行優化。但是以上兩種方法耗時較長，無法做到實時路徑規劃。Wei 等[131]針對人機協作中機器人在動態非結構環境的運動規劃問題，提出了一種改進RRT算法，利用目標定向節點擴展方法加快算法的采樣速度，提高了協作機器人的路徑規劃效率。

3.1.3 基于人工勢場的路徑規劃

人工勢場法是Khatib[132]提出的一種機器人路徑規劃方法，其基本思想是在機器人工作環境中設定一個虛擬力場，目標點處勢能低，障礙物處勢能高。利用勢差生成吸引力和排斥力，驅使機器人向目標點運動，遠離障礙物。這種方法的優點在于無需對全局路徑進行規劃，且規劃時間較短，適合實時性任務。缺點在于容易陷入局部極小點，存在目標不可達問題，且在狹窄區域容易發生路徑抖動等。

對于協作機器人而言，人工勢場法可以保證任務中的實時避障，但是需要針對其缺點進行改進。謝龍等[133]提出了一種改進人工勢場法的路徑規劃方法。對機器人末端執行器建立吸引力，對機械臂與障礙物的最近點出建立排斥力，根據動力學定律分別產生吸引速度和排斥速度，實現動態避障。針對局部最小值問題，采用添加虛擬點的方法跳出局部極小值。

3.2 軌跡規劃方法

軌跡規劃指對機器人的各關節和末端執行器建立時間-軌跡序列，生成控制系統的參考輸入[134]。機器人軌跡規劃可以分為兩種：一種是笛卡爾空間（Cartesian Space）軌跡規劃，首先對末端執行器的空間軌跡進行規劃，在每個插補點做運動學逆解，計算對應的關節值；另外一種是關節空間（Joint Space）軌跡規劃，根據機器人首末位姿的關節值，對各關節分別規劃軌跡曲線。一般來說，點到點（PTP）的軌跡，如搬運、碼垛等應用，使用關節空間軌跡規劃較為方便；需要規劃一條連續軌跡，如焊接、噴涂等應用，則使用笛卡爾空間軌跡規劃。

機器人通常先利用函數曲線對插值點進行擬合，得到時間-軌跡序列，包括軌跡位置、速度、加速度等信息。完成軌跡插值后，在機器人本身運動學性能的約束下，針對各類約束條件做軌跡優化[135]，根據實際任務情況選擇不同的優化方案。本節從軌跡插值和軌跡優化兩個步驟介紹機器人軌跡規劃。

3.2.1 規劃插值

常見的軌跡規劃方法一般分為直線規劃、圓弧規劃、多項式曲線規劃以及樣條曲線規劃等。早期研究者提出了三次和五次多項式插值法[136]對工業機器人進行軌跡插值。該方法計算量小，但是容易出現失真現象，在精度要求不高的機器人應用中較為常用。

隨著硬件計算能力的增強，研究者開始使用樣條曲線對機器人做規劃，樣條曲線在平滑性上則比多項式更加優秀，但計算量則大大增加。Alessandro等[137]提出三次樣條曲線的軌跡規劃方法。這種算法約束較少，運算速度快，但是加速度曲線有抖動，導致機器人磨損較大。為了進一步提高軌跡規劃的精度和穩定性，研究者提出B樣條（B-Splines）曲線插值。Kong等[138]利用三次B 樣條進行軌跡插值，得到的軌跡曲線較為平滑，但是無法自行指定始末加速度和沖擊。Li 等[139]利用五次B樣條對機器人進行軌跡插值，得到了高階連續的運動軌跡。

為了對比幾種常用的樣條函數插值效果，Lan 等[20]利用三次樣條、五次B 樣條、七次B 樣條對同一組軌跡點進行插值，得到了三組軌跡序列，并對三組軌跡的沖擊（Jerk，加加速度）曲線進行對比。沖擊值可以反映機器人力矩變化的快慢。圖4 為不同樣條函數的沖擊（Jerk）曲線對比，其中橫坐標為時間，縱坐標為樣條函數的沖擊值。由圖可以看出，三次樣條的沖擊曲線不連續，五次B 樣條的沖擊曲線不平滑，且始末位置不為0；而七次B樣條曲線較為平滑，且始末位置都為0，防止了力矩的突變。

圖4 不同樣條函數的沖擊Jerk曲線對比

本文對各類機器人軌跡插值算法的優缺點和適用場景進行對比，如表4所示。

表4 機器人軌跡插值算法總結

3.2.2 軌跡優化

經過軌跡插值后，得到了一條機器人的運動軌跡，包含位置、速度、加速度等信息。但是通常得到的軌跡并不符合預期，需要進一步進行軌跡優化。對于協作機器人而言，高效和平穩的軌跡可以減少異常情況發生的可能，對協作者的安全有很好的保障。同時，良好的軌跡可以很好地保護機器人的減速器、電機等部件，有利于延長使用壽命。所以，在滿足運動學及動力學約束的前提下，通常利用軌跡優化算法對軌跡優化。

機器人軌跡優化的主要優化方向包括時間、能耗和平滑性等[140]。其中，時間目標指機器人完成相同路徑所用時間最短。Xidias 等[141]提出了一種基于多種群遺傳算法的時間最優軌跡規劃方法，在超冗余機器人上實驗，考慮三維空間中的復雜障礙物環境以及運動學約束，得到時間最優的機器人軌跡。能量目標指機器人完成相同路徑消耗最少的能量。Luo 等[142]提出了一種拉格朗日插值法和迭代法的方法，進行工業機器人的能量最優軌跡規劃。該方法為數值法，計算簡單，在實際應用中可以保證機器人的平穩運行。平滑性目標指機器人完成相同路徑最為平滑。Lin等[143]提出一種基于k均值聚類的粒子群算法，求解最小沖擊軌跡，得到平滑的機器人軌跡曲線并在六自由度機器人上進行了實驗，但是該算法收斂速度較慢。

但是，以上的單目標軌跡優化難以滿足復雜情況的應用需求，越來越多的研究者開始關注多目標軌跡優化。傳統方法是將多目標問題轉換為單目標問題，再用單目標優化方法進行優化。Gasparetto 等[144]將時間-沖擊目標加權轉化為單目標，利用序列二次規劃法進行軌跡優化。這種方法的問題是難以合理分配權值，解的多樣性不足，同時可能陷入局部最優解。

對于上述問題，多目標優化算法是一種有效處理方法。多目標優化算法可以對多個目標同時進行優化，得到一組Pareto最優解集，再根據具體的情況選擇合適的解。Shi 等[145]利用NSGAII 算法得到了一組Pareto 最優解，并選取了合適的解作為機器人軌跡。Lan 等[20]提出了一種改進的多目標粒子群算法，針對時間、能耗和平滑性三個指標同時進行優化，得到了一組Pareto最優解集，并提出了一種權值選擇方法，可以根據實際情況選擇滿足應用需要的軌跡，但是算法的收斂需要一定時間。

4 協作機器人發展方向

經過近年來的研究與發展，協作機器人已經在各類場景中應用愈發廣泛，人機協作方法和運動規劃方法也有了大量的研究成果。但是，目前協作機器人距離理想的程度還有很大差距。由于協作機器人的研究是多學科、多領域的交叉，涉及到材料、機械、信息等學科，所以其發展依賴于這些學科的發展。根據本文的總結，以下幾方面可能成為協作機器人未來的發展方向：

（1）協作機器人本體設計

協作機器人的本體是實現人機協作的根本條件。隨著人機協作應用的不斷增多，協作機器人需要適應具體的應用需求，對本體進行定制化設計。例如機器人連桿采用柔性材料，即利用軟體機器人進行人機協作；研發新型驅動裝置，使機器人具有更好的柔順性；機器人內部加入多傳感器，利用多傳感器信息融合使機器人更好地感知協作環境等。想要實現這些機器人本體的改進，需要同時對控制、運動規劃等配套算法進行大量研究，以保證人機協作的順利完成。

（2）智能人機交互

目前操作員對協作機器人操作，還是以事先編程為主。但是在協作環境下，人類與機器人之間需要更加方便智能的交流方式，比如以下幾種方式：人機協作過程中，機器人利用攝像機對操作員的行為進行識別和預測；人類通過手勢、聲音等方式，在協作任務中實時對機器人發出命令；通過VR/AR技術，操作員在虛擬環境中對機器人做控制；操作員通過腦機接口裝置，利用意念對機器人做控制。

（3）安全協作方法的完善

目前ISO/TS 15066為協作機器人安全制訂了一系列規則，但是相比于工業機器人，協作機器人的安全標準還有很多方面需要完善。對于特定的協作任務，需要建立具體的安全標準。同時，為了保證人機協作中的安全，需要加強對碰撞避免方法以及碰撞后處理方法的研究，利用多傳感器系統進行環境感知，以及人工智能算法進行識別與預測。

（4）協作任務中的心理問題

隨著人機協作應用的不斷增加，協作中的心理問題需要引起重視。人類在面對機器人工作時會有一定的心理壓力，合理的協作方法可以減輕這種壓力。此外，機器人與人類的情感互動可以創造一種親密感和愉悅感，讓人類想要繼續與機器人合作。加入情感功能的機器人能夠更好地維持合作關系，并且加強協作任務的效果。人機協作心理及情感是協作機器人未來的重要研究方向之一。

（5）機器人自主學習能力

目前的協作任務需要人類對機器人的每個動作進行規劃。但是在人機協作任務中，需要機器人執行一系列復雜的任務，例如醫療服務場景中，通過協作機器人照顧病人，幫助病人穿衣服等。這些復雜的應用需要機器人能夠具有自主學習能力。目前機器人只有在特定場景中能夠完成自主學習，如本文3.1.2小節中所述，機器人可以利用演示學習編程技術學習到人類的特定技能。但是該技術尚不成熟，且需要復雜的準備工作。人類希望機器人能夠更智能地對進行學習，以便于完成復雜任務。機器人自主學習能力已經成為機器人學的重點研究方向之一。

5 結束語

本文首先介紹了協作機器人的基本情況，包括主要產品、本體設計與應用案例。其次圍繞本文提出的協作機器人三個主要特點：簡單、安全和高效，對近年來人機協作方法的研究進行分類介紹。然后從路徑規劃和軌跡規劃兩方面，對協作機器人的運動規劃方法進行介紹。最后，根據本文總結的內容，提出了目前協作機器人研究的不足之處，對其未來發展趨勢進行了展望。

協作機器人是當前的熱點研究內容，也是未來機器人產業的發展方向。在科技不斷進步，人力成本不斷上升的今天，協作機器人不僅可以在工業領域中加快生產效率，也能在醫療、服務等領域中幫助人們實現更美好的生活。希望從業人員繼續完善協作機器人的研究、開發與應用，讓協作機器人發揮更大的作用。