机械臂运动规划的核心目标是在有约束的状态空间（如关节角度、位置、速度、加速度）中，寻找一条从'起始状态'到'目标状态'的轨迹，同时满足避障、运动学/动力学限制（如关节角度范围、速度上限）等约束。其算法通常被划分为基于搜索的算法、基于采样的算法和基于优化的算法三大类，三类算法在原理、优势、适用场景上存在显著差异，以下是详细解析：
一、基于搜索的算法（Search-Based Algorithms）
基于搜索的算法是最早发展的运动规划方法之一，核心思想是将机械臂的连续状态空间离散化（如栅格化、关节空间离散为有限角度点），再通过图搜索（Graph Search）或树搜索（Tree Search）策略遍历离散节点，找到满足约束的路径。
1. 核心原理
- 第一步：空间离散化。将机械臂的工作空间（笛卡尔空间）或关节空间（关节角度空间）拆分为有限个'状态节点'（如栅格单元、离散关节角度组合），节点间的连接代表'可行运动'（如从一个栅格移动到相邻栅格）。
- 第二步：搜索策略。从起始节点出发，按预设规则（如'优先选择距离目标更近的节点'）遍历节点，直到找到目标节点，形成路径。
2. 典型代表算法
| 算法名称 | 核心特点 |
|---|---|
| Dijkstra 算法 | 无启发信息，从起始节点开始，优先选择'累计代价最小'的节点，保证找到最优解（路径代价最小）。 |
| A 算法* | 在 Dijkstra 基础上加入'启发函数'（如节点到目标的直线距离），优先搜索'累计代价 + 启发代价'最小的节点，兼顾最优性和效率，是最常用的搜索算法之一。 |
| D 算法* | 适用于动态环境（如障碍物位置变化），能快速更新已规划路径，无需重新全量搜索。 |
3. 优缺点与适用场景
- 优点：能保证路径的最优性（如最短距离、最小能耗）；逻辑直观，易于实现和验证。
- 缺点：状态空间爆炸问题——当机械臂自由度增加（如 6 轴、7 轴）或工作空间复杂时，离散后的节点数量呈指数级增长，计算效率急剧下降，甚至无法实时规划。
- 适用场景：低自由度机械臂（如 2 轴、3 轴）、简单静态环境（如固定工作台、无动态障碍物），例如分拣机械臂在固定轨道上的运动规划。
二、基于采样的算法（Sampling-Based Algorithms）
为解决'高维空间离散化困难'的问题，基于采样的算法应运而生。其核心思想是不离散化整个空间，而是随机采样部分状态节点，通过连接采样点构建'可行路径图'或'扩展树'，从而快速找到一条可行路径（不保证最优，但保证'概率完备性'——即只要存在可行路径，采样次数足够多时一定能找到）。
1. 核心原理
- 第一步：随机采样。在机械臂的状态空间（如关节角度范围）中随机生成大量采样点，筛选出'无碰撞'的采样点（通过碰撞检测算法验证）。
- 第二步：构建连接结构。将无碰撞采样点通过'局部规划器'（如直线插值、关节空间插值）连接，形成'路径图'或'扩展树'（如从起始点出发，逐步用采样点扩展树状结构）。
- 第三步：路径查询。当起始点和目标点通过连接结构连通时，提取两点间的路径，再对路径进行平滑处理（如去除拐点）。
2. 典型代表算法
| 算法名称 | 核心特点 |
|---|
