英文题目：Online Approach to Near Time-Optimal Task-Space Trajectory Planning
中文题目：面向近时间最优任务空间轨迹规划的在线方法
作者：Antun Skuric, Nicolas Torres Alberto, Lucas Joseph, Vincent Padois, David Daney
作者单位：AUCTUS Team, Inria, France
期刊：IEEE Transactions on Robotics
发表时间：2026年1月16日
引文格式：Skuric A., Torres Alberto N., Joseph L., Padois V., and Daney D., Online Approach to Near Time-Optimal Task-Space Trajectory Planning, IEEE Transactions on Robotics, vol. 42, pp. 637–652, 2026.
01 全文速览
协作机器人常被用于人机共融环境，因此安全标准往往限制了其速度、加速度和工作能力。但从实际应用看，协作机器人本身体型小、负载有限，如果运动能力不能被充分利用，很多工业任务就会变得效率不足。本文要解决的问题很直接：如何在动态环境中，让协作机器人不依赖大量离线预计算，也能尽可能接近时间最优地运动？
传统方法大致有两类。第一类是在关节空间做时间最优轨迹规划，例如TOPP-RA，能够充分利用机器人关节能力，但通常需要预先把任务空间路径转成关节空间路径，计算成本较高。第二类是在任务空间直接规划，速度快、便于在线更新，但常假设笛卡尔空间速度、加速度上限是固定的，容易低估或高估机器人真实能力。
本文提出一种折中但很实用的方案：在任务空间在线规划，同时实时计算机器人当前构型下的真实运动能力，并用TAP轨迹规划不断更新剩余路径。
图1：固定笛卡尔速度限制、操纵性椭球和真实速度能力多面体的对比。
✅ 亮点1：在任务空间直接规划，无需提前完整求解关节空间路径。
✅ 亮点2：用多面体代数实时评估机器人在路径方向上的速度、加速度和jerk能力。
✅ 亮点3：每个控制周期基于剩余路径重新计算TAP，实现在线近时间最优。
✅ 亮点4：相比传统任务空间规划，可达到更高速度并保持4 mm以内跟踪误差。
02 研究内容
🎯 2.1 问题本质：机器人能力不是固定的
机器人关节空间的速度、加速度、jerk限制通常由厂家给定，可以认为相对固定。但一旦映射到任务空间，末端在不同方向上的运动能力会随构型变化。也就是说，机器人在某个姿态下向左移动可能很快，向上移动却可能接近能力边界。
传统任务空间规划常使用固定笛卡尔限幅，这会带来两个问题：
一是过于保守，机器人明明还能跑更快，却被人为限速；二是过于激进，规划出的轨迹超过机器人真实能力，导致跟踪误差增大。
图2：上图展示沿直线路径运动时，机器人任务空间速度能力随构型变化；下图展示固定限幅可能导致能力高估或低估，而真正合理的策略应跟随能力变化进行规划。
🧠 2.2 核心思想：每一步都重新看一眼机器人还能跑多快
本文方法可以概括为一句话：
在每个轨迹执行时刻，先计算机器人当前沿路径方向的运动能力，再对剩余路径重新生成近时间最优TAP轨迹。
机器人关节速度、加速度、jerk到任务空间的映射为：
这些约束在任务空间中形成凸多面体。作者并不直接处理完整多面体，而是将其投影到当前路径方向，只求解沿这条路径最多能有多大速度、加速度和jerk。这样可以显著降低计算量。
⚙️ 2.3 多面体能力评估：把高维约束压到路径方向
设路径方向单位向量为 (c)，任意任务空间运动变量 (y) 在路径方向上的投影为：
为了保证运动变量严格沿路径方向，还需要其正交分量为零：
于是，路径方向上的最大能力可以通过线性规划求得：
这里
图3：图展示在线更新速度能力后，轨迹时间不断缩短的直观过程；Algorithm 1可改绘成状态测量—能力计算—剩余路径TAP—输出期望位姿/速度/加速度的流程图。
🚀 2.4 在线TAP规划：不是一次算完，而是边走边改
TAP，即Trapezoidal Acceleration Profile，常用于生成时间最优或近时间最优轨迹。本文将任务空间直线运动分为平移部分和旋转部分，分别对路径变量 (s_t) 和 (s_r) 做规划，再通过时间同步使机器人同时到达目标位置和目标姿态。
关键在于，本文并不假设速度、加速度、jerk限制在整条路径上固定，而是在每个时刻根据机器人当前状态重新估计这些限制，并对剩余路径重新规划。这种方式有点类似简化版MPC：每次都规划到终点，但实际只执行下一小步，随后再用最新状态更新规划。
图4：方法嵌入实时机器人控制框架的结构图。蓝色部分是本文相对传统任务空间TAP规划增加的能力计算模块。
🛠️ 2.5 两个工程细节：超调与抖振
在线重规划也会带来副作用。第一是制动能力下降导致超调。如果机器人接近终点时突然制动能力变弱，而规划器之前假设制动能力不变，就可能刹不住，越过目标。作者用一种保守补偿策略估计当前与终点处较差的制动能力，使平均超调从约3 mm降至约0.1 mm。
第二是制动能力增加导致抖振。如果机器人后续制动能力逐渐变强，规划器可能反复在加速—减速之间切换，引起加速度和jerk抖动。作者采用降低TAP重规划频率的方法进行平滑，最终选择约10 ms的规划步长，在降低jerk波动和保持跟踪精度之间取得平衡。
图5：这一组图适合集中放在工程补偿机制部分，展示超调补偿、抖振形成原因以及不同重规划步长的影响。
📊 2.6 实验结果：接近TOPP-RA，但更适合在线场景
实验在Franka Emika Panda机器人上完成。作者将本文方法与TOPP-RA进行比较。TOPP-RA是经典关节空间时间最优路径参数化方法，但它需要先将任务空间路径离散成路点，再求解对应关节空间路径，因此计算代价较高。
结果显示，本文方法生成的轨迹平均只比TOPP-RA慢约5%，在不同长度路径上大约慢2%到7%，表现出较好的近时间最优特性。与此同时，TOPP-RA的计算时间从短路径约50 ms增长到长路径超过0.5 s，而本文方法可以在线实时运行，不依赖完整路径预计算。
图6：上图展示本文方法与TOPP-RA在执行时间、跟踪误差和计算时间上的对比；下图展示速度、加速度和jerk曲线，能直观看出两者轨迹形态接近。
03 创新点
🔍 3.1 从固定笛卡尔限制转向构型相关能力感知
本文最重要的启发是：任务空间规划不能只看厂家给出的固定笛卡尔限制，而要考虑机器人在当前构型下沿目标方向的真实能力。
⚙️ 3.2 用线性规划高效求解路径方向能力
作者没有直接处理复杂高维多面体，而是将速度、加速度和jerk能力投影到路径方向，通过线性规划得到可用范围，兼顾了准确性和实时性。
🚀 3.3 在线重规划避免大量离线预计算
相比TOPP-RA等离线最优方法，本文不需要提前固定完整关节空间路径，更适合动态环境、目标更新和人机协作场景。
🤖 3.4 真实任务验证具有工程说服力
论文通过协作废物分类mock-up实验验证方法。机器人需要实时识别未知位置和姿态的物体与分类箱，并快速执行抓取、搬运和放置，说明该方法并非只停留在仿真轨迹层面。
图7：协作废物分类实验平台。
04 总结与展望
这篇论文的价值不在于提出一个更复杂的优化器，而在于提出了一种很工程化的轨迹规划观念：既不要像传统任务空间规划那样粗略限幅，也不要完全依赖离线关节空间最优规划，而是在执行过程中实时感知机器人能力，并持续更新剩余轨迹。
当然，该方法仍有边界。它主要针对任务空间直线段轨迹，复杂路径需要分段近似；接近奇异位形时，机器人某些方向的运动能力可能急剧下降，仍需要底层控制器配合奇异规避；此外，TAP本身对约束变化的表达能力有限，未来可考虑与更灵活的动态滤波器、MPC或安全约束控制结合。
🔭 未来研究可关注：
1. 面向复杂曲线路径和多段路径的连续能力感知规划；
2. 与奇异规避、避障和冗余自由度优化更深层融合；
3. 将能力感知轨迹规划与人机协作安全标准结合；
4. 扩展到力控、接触操作和移动操作机器人；
5. 与MPC、控制屏障函数等方法结合，提升动态环境安全性。
协作机器人未来要真正进入高效工业现场，是更需要更强的硬件，还是更需要更懂自身能力的轨迹规划算法？
声明：本文仅供学术交流，版权归原作者所有。如有错误或侵权，请联系更正或删除，欢迎留言探讨。