第 54 卷第 19 期 机 械 工 程 学 报 Vol.54 No.

19
2018 年 10 月 JOURNAL OF MECHANICAL ENGINEERING Oct. 2018

DOI：10.3901/JME.2018.19.010

机器人平滑抓取移动物体的运动规划方法*
张 驰1 尚伟伟 1 丛 爽 1 刘 宜2
(1. 中国科学技术大学自动化系 合肥 230027；
2. 中国科学院合肥智能机械研究所 合肥 230031)

摘要：结合机器视觉和运动规划方法，对动态环境中移动物体的平滑抓取进行了研究。设计了一种运动物体跟踪算法，能够
实现无障碍环境下移动物体的平滑抓取；针对环境中存在动态障碍物的情况，设计了一种基于排斥矢量的动态避障算法，与
运动物体跟踪算法相结合，实现了机器人先避障后平滑抓取；基于机器人操作系统(Robot operating system, ROS)框架，在 5
自由度的 KUKA Youbot 机械臂平台上实现了无障碍环境下对传送带上物体的平滑抓取，以及动态障碍物环境中的平滑抓取，
试验结果验证了所设计算法的优越性。
关键词：动态环境；平滑抓取；动态避障；物体抓取
中图分类号：TP242

Motion Planning for Robotic Smooth Catching of Moving Object

ZHANG Chi1 SHANG Weiwei1 CONG Shuang1 LIU Yi2
(1. Department of Automation, University of Science and Technology of China, Hefei 230027;
2. Hefei Institute of Intelligent Machines, Chinese Academy of Sciences, Hefei 230031)

Abstract：Using machine vision and motion planning technology, smooth catching of moving object in dynamic environment is
studied. A tracking algorithm of moving object is designed to realize the smooth catching in obstacle-free environment. To avoid the
moving obstacle in the environment, a collision avoidance algorithm is proposed by using repulsive vector, and then it is combined
with the tracking algorithm to finish both obstacle avoidance and smooth pickup of moving object. Based on the robot operating
system, several experiments are implemented on a 5-DOF KUKA Youbot robotic manipulator. The manipulator can catch moving
object smoothly in the obstacle-free environment and the object in the environment with moving obstacle. The experimental results
indicate that both the tracking algorithm and the collision avoidance algorithm are very effective to finish the object catching.
Key words：dynamic environment；smooth pickup；moving obstacle avoidance；object grasping

测量 [1] ，在这方面，有许多研究者进行了探索。
0 前言 BORANGIU 等[2]基于视觉测量的方法，实现了免碰
撞、快速抓取传送带上物体。COWLEY 等[3]采用 3D
机器人在静态环境中的抓取操作技术日趋成 视觉引导，使得 PR2 机器人成功抓取传送带上的物
熟，广泛应用于工业场合，诸如搬运、装配等。近 体。SHIN 等[4]采用最短时间算法，在最短时间内完
年来，为了解决高维空间中的规划问题，概率地图 成对传送带上物体的抓取。上述工作虽然都基于视
(Probability roadmaps, PRMs) 和 快 速 扩 展 随 机 树 觉测量完成对移动物体的抓取，但是规划出的轨迹
(Rapidly-exploring random tree, RRT)等基于采样的 可能无法和物体的运动完全同步，在抓取易碎物体
规划算法得到了众多学者的关注，但是上述算法主 时容易造成损坏。因此，需要对移动物体进行平滑
要研究的是如何获得到达静态目标的免碰撞路径， 抓取，即机器人的运动与物体的运动完全同步后再
并不适用于动态环境中的物体抓取。 抓取。MENON 等[5]提出了基于搜索的运动规划算
在动态环境中，对移动物体的抓取还面临着 法，生成与目标物体的轨迹相匹配的轨迹，实现了
诸多问题，比如，需要对物体运动轨迹进行精确 平滑抓取传送带上的物体，但是并未使用视觉传感
器来测量物体轨迹，而是通过已知的传送带速度和
* 国家自然科学基金资助项目(51675501, 51275500)。20171115 收到初稿，
20180130 收到修改稿 物体的初始位置来获取物体的轨迹。ZHANG 等[6]
月 2018 年 10 月 张 驰等：机器人平滑抓取移动物体的运动规划方法 11

通过实时调整机器人速度，实现了对传送带上物体
的跟踪抓取。这两项工作都未考虑到环境中存在动
态障碍物的情况。
在移动物体平滑抓取中，不仅要抓住运动物
体，同时需要考虑机器人操作时的安全性，在有
障碍物的环境中，躲避障碍物后完成物体平滑抓
取操作。近年来，一些研究者尝试设计具有柔顺
控制 [7]、轻量化特征 [8]、人造皮肤 [9]等特点的安全
机器人，当碰撞发生时能尽可能地减少损伤。然
而，这类机器人的硬件成本非常高，一些研究者
就转向了无接触式避障，即在障碍物与机器人接
触之前就产生避开障碍物的动作 [10]。通常，避开
障碍物的动作可由两种方式产生，一是路径规划算
法和轨迹生成[11-12]，二是动作规划和运动生成[13-14]，
前者首先规划出一条无碰撞的路径，再经过插值
得到轨迹，但是对于运动的障碍物而言，难以做
1 无障碍物环境中平滑抓取的运动规
划算法设计
在无障碍物环境中，为了实现在传送带上平滑
抓取移动物体，需要建立平滑抓取模型，得到目标
物体相对于机器人的位置，估算目标物体的运动速
度，然后进行运动规划，使机器人能够跟随物体运
动，在与其保持一致后，实现平滑的、无碰撞的抓
取。下面，首先建立平滑抓取模型，之后设计平滑
抓取的运动规划算法。
1.1 平滑抓取模型
建立机器人动态物体抓取的相关坐标系，如
图 1 所示。机器人末端执行器在机器人基坐标系
中的位姿记为 Re Τ = [ Re x Re y Re z eRφ eRθ Reψ ]T 。相机
相对机器人末端执行器坐标系的变换矩阵记为
c T = [ c x c y c z c φ cθ cψ ] ， 基 于 二 维 码 识 别 技
e e e e e e e T

到实时避障。后者使用人工势场法产生一个动作，
术 [19] ，可以得到目标物体在相机坐标系下的位姿，
然后计算机器人避开障碍物的运动。张建华等 [15]
记为 co T = [oc x oc y oc z ocφ ocθ ocψ ]T ，则目标物体在机
提出了基于主从任务转化的避障算法，避免了单
器人基坐标系中的位姿为
一主任务模式时可能存在的冲突。YANG 等 [16]提 R
T =eRT ⋅ ecT ⋅ coT = [oR x R
y R
z φ oRθ oRψ ]T
R
(1)
出了利用 3D 点云来检测机器人与障碍物的碰撞， o o o o

然后进行路径规划，生成避障轨迹。FLACCO 等[17] 末端执行器和目标位置之间的吸引矢量记为 Vatt =

提出了基于排斥矢量的涡流算法，解决了在障碍 [Vtrans T Vrot T ]T ，其中，Vtrans =[oR x− Re x oR y − Re y oR z − Re z ]T
物速度过快时机器人躲避不及的问题，并在 7 自 和 Vrot = [oR φ − eRφ oRθ − eRθ oRψ − Reψ ]T 分 别表 示平 移
由度的机械臂 KUKA LWR IV 上实现了动态避障， 矢量和旋转矢量。吸引矢量的变化率，也就是目标
但是忽略了机器人本体的避障问题。LUO 等 [18]进 物体的速度为
一步提出了基于排斥矢量的动态避障算法，分析 dV
Vatt = att (2)
dt
了机器人本体和末端执行器的避障问题，并在 7
自由度机械臂 NTU-iCeiRA 上实现了动态避障。这 考虑目标物体沿着速度方向做匀速直线运动，则可
两项工作虽然都实现了动态避障，但是前者没有 以得到目标物体的下一时刻的吸引矢量为
考虑到机器人的全身避障，在机器人抓取时存在 Vatt′ = Vatt + ∆t ⋅ Vatt (3)
安全性问题；后者虽然考虑到机器人本体和末端
执行器的避障，但是只适用于肩关节有摆动自由
度的机器人，不具有通用性。
为了实现动态环境下的物体平滑抓取，本文
设计了一种运动跟踪算法来解决复杂工业环境下
的物体抓取。基于二维码识别定位技术 [19]，利用
RGB-D 相机来获取障碍物的位置，构建障碍物和
末端执行器以及手臂平面的排斥矢量，生成机器
人的运动轨迹，实现实时避障。进一步，基于雅
可比矩阵伪逆生成平滑的跟踪轨迹，完成对运动
图1 动态物体抓取的相关坐标系
物体的抓取。最后，在 5 自由度 KUKA Youbot 机
械臂平台上完成了无障碍物环境中传送带上物体 平滑抓取运动规划
1.2
的平滑抓取，以及环境中存在运动障碍物时的物 在平滑抓取模型构建完成后，利用得到的末端
体平滑抓取。 执行器和目标物体之间的吸引矢量及其变化量，进
 12 机 械 工 程 学 报 第 54 卷第 19 期期

行运动规划，分为以下三个方面。 2.1 平滑抓取模型

(1) 接近目标物体。首先，相机识别到目标物 为了描述机器人的避障问题，引入基于人工势
体，得到此时目标物体在机器人基坐标系下的位姿 场法的排斥行为，其主要的表征量是排斥矢量，基
为 boV∆t ，然后计算末端执行器和目标物体之间的吸 于排斥矢量可以设计末端执行器避障和机器人本体
引矢量及其变化量，得到目标物体的运动速度 Vatt ， 避障算法。
预估 ∆t1 时间后目标物在基坐标系下的位姿为 boV∆t1 ， (1) 末端执行器避障。当相机检测到障碍物时，
那 么 在 ∆t1 时 间 内 的 物 体 的 运 动 路 径 即 为 引入障碍物与末端执行器之间的排斥矢量，由式(1)
oV∆t1 − oV∆t 。在矢量 oV∆t1 − oV∆t 上取 N 个路径点，则 得到障碍物在机器人基坐标系中的位姿
b b b b

可得到第 n 个路径点 xn 为 obsT =[ obs x obs y obs z obs φ obs θ obsψ ] ，只考虑位置信
R R R R R R R T

b
V − boV∆t 息，不考虑姿态信息，得到障碍物与末端执行器之间的
xn = V + n ⋅
b o ∆t1
n = 1, 2," , N (4)
o ∆t
N 距离矢量为 D = [ obsR x − Re x obsR y − Re y obsR z − Re z ]T 。
到达每一个路径点的时刻为 tn = n ⋅ ∆t1 / N 。末端执 为了计算排斥矢量，需要定义一个碰撞区域，
行器先加速，再减速至 Vatt ，到达第一个路径点，从 即以末端执行器中心为球心， ρ 为半径的球，当障
而与目标物体同步。 碍物进入球形区域时，越靠近末端执行器，排斥矢
(2) 跟随物体。在跟随物体运动的过程中，物 量的模值越大，排斥矢量表达式为
体的运动轨迹就是机器人末端执行器在笛卡尔坐 Vr = vr ⋅ D (7)
|| D ||
标空间的期望轨迹，每一个路径点对应的关节角
可由逆运动学解算得出，到达每一个路径点的速 vr = Vmax ⎡ 1 + 1 tanh(4 ρ − 8 || D ||) ⎤ (8)
⎢⎣ 2 2 ⎥⎦
度为
( )
θn = J + x n + I − J + J θ0 (5)
式中， Vmax 表示末端执行器在笛卡尔坐标空间中的
最大速度。当距离矢量的模值越接近 0 时，即障碍
式中， J + 表示雅可比矩阵的伪逆， x n 表示末端执 物越接近末端执行器，排斥矢量的模值越接近于
行器在笛卡尔坐标空间中的速度，也即目标物体的 Vmax ；当距离矢量的模值越接近 ρ 时，即障碍物在
运动速度 Vatt ，定义关节角速度的限制值 θ0 为 碰撞区域的边缘，排斥矢量的模值越接近于 0。
⎧−θ J θ ≥ θU − θ D 为了保证末端执行器能够避开运动障碍物，需
⎪
θ0 = ⎨ θ J θ ≤ θL + θD (6) 要考虑障碍物运动的速度，如果过快，仅仅使用上
⎪0 θ +θ <θ <θ −θ
L D U D 述的排斥矢量无法避开。因此，采用涡流算法[11]，
⎩
当排斥矢量 Vr 及其变化量 Vr 之间的夹角小于 π / 2
式中， θU 和 θ L 分别表示关节角的上下限，在关节
时，更新排斥矢量的方向，得到新的排斥矢量 Vr -p 。
角限制值附近定义一个缓冲区域，θ D 表示这个缓冲
进一步，得到 ∆t ′ 时间后末端执行器的位置，通过逆
区域的长度，θ J 表示将关节角限制在缓冲区域外的
运动学求解得到关节角。由于只考虑了位置信息，
关节角速度。
可能会出现逆运动学无解的情况，故采用速度雅可
(3) 抓取物体。在得到机器人的轨迹后，控制
比矩阵映射到关节空间
机器人保持跟随物体运动，根据相机实时检测到的
θ=J +V (9)
物体位姿，当满足 ||Vtrans ||<d ， Vrot = 0 时，闭合夹 r

持器，将物体向上提起，完成抓取过程。此处，d 表 得到关节角速度，从而得到各关节 ∆t ′ 时间后的关节

示抓取时末端执行器和物体之间的最大距离。 角，控制机器人运动，实现末端执行器的避障。
(2) 机器人本体避障。在设计机器人本体避障
算法时，可将机器人本体看作一个整体，通过整体
2 动态避障时的平滑抓取运动规划
与障碍物之间的排斥行为，避开运动障碍物。下面
算法设计 首先建立手臂平面，之后定义排斥行为。
1) 手臂平面。机器人本体可看作一个整体，其
针对环境中存在运动障碍物的情况，平滑抓取 肩关节、肘关节、腕关节能够共同张成一个平面，
移动物体时应当先避开运动障碍物，待障碍物远离 即手臂平面，如图 2 所示，其中 S、P、E、A、W、
机器人时，再进行平滑抓取，相应的运动规划算法 T 分别表示肩关节、后肢、肘关节、前肢、腕关节、
包含动态避障和平滑抓取两部分。 末端执行器，P 是 S 和 E 的中点，A 是 E 和 W 的中
月 2018 年 10 月 张 驰等：机器人平滑抓取移动物体的运动规划方法
点，O 表示障碍物，SEW 平面即为手臂平面。
图2 手臂平面示意图
2) 排斥行为。将手臂平面为躲避障碍物而发生
的旋转运动定义为二者之间的排斥行为，其表征量
为排斥矢量，排斥矢量的选取，与手臂平面法矢量
和障碍物运动矢量的夹角有关。下面，首先计算障
碍物运动矢量，然后选取手臂平面法矢量，最后构
造排斥矢量。
为了计算排斥矢量，需要定义碰撞区域，即四
个分别以 P、E、A、W 为球心，以 ρ1 为半径的球。
当相机检测到障碍物位于 O 处时，计算距离矢量
OP、OE、OA、OW ，其中 P、E、A、W 的位置可
由 机 器 人 正 运 动 学 得 到 。 在 集 合
Ω = {OP , OE , OA, OW } 中，判断各个元素模值
是否小于 ρ1 。如果是，则继续监测障碍物，当障碍
物位于 O′ 时，计算障碍物运动矢量 OO′ = [ x y z ]T 。
取手臂平面 SEW 的单位法矢量为 n=[ xn yn zn ] ，
其方向与障碍物运动方向有关，如图 3 所示，n1 ，n2
是单位法矢量 n 的正、负方向，设初始的手臂平面
在 OXY 平面上的投影为 x 轴，若障碍物运动方向为
1、2、3，选择 n1 方向作为手臂平面的法矢量方向；
若障碍物运动方向为 4、5、6，选择 n2 方向作为手
臂平面的法矢量方向。矢量 n 和 OO′ 的夹角 γ 为
′ (2) 根据式(7)～(14)，生成躲避障碍物的运动，
γ = a cos n ⋅ OO (10)
n ⋅ OO′
图3 手臂平面法矢量及障碍物运动方向示意图
构造手臂平面与运动障碍物之间的排斥矢量
VR 为
13
VR = vR ⋅ u j (11)
式中，vR 表示的是排斥矢量的模值，u j 表示的是排
斥矢量的方向，分别定义为
V j max
vR = (12)
1 + exp((3 − 4γ / π )α )
⎧u x⋅ y < 0
uj = ⎨ (13)
⎩ −u x⋅ y ≥ 0
式中，u 和 −u 分别表示关节 1 顺时针旋转和逆时针
旋转，V j max 表示关节 1 的最大角速度。考虑障碍物
的运动方向，如图 3 所示，当障碍物以方向 3 运动
时，手臂平面顺时针旋转能更快地躲避障碍物。同
理，以方向 6 运动时，逆时针转动能更有效地避开
障碍物。当夹角 γ 接近于 π 时，排斥矢量达到最大
的速度 V j max ；当夹角 γ 接近于 π / 2 时，排斥矢量接
近于 0，此时手臂平面法矢量和 OO' 垂直，也就不
会发生碰撞，不再躲避。
生成排斥矢量后，机器人运动使得手臂平面的
位置发生变化，更新手臂平面的法矢量 n 为
n=[ xn 2 + yn 2 cos(α + η ) xn 2 + yn 2 sin(a + η )zn ] (14)
式中，η 表示初始手臂平面在 OXY 平面的投影和 x
轴之间的夹角， α 表示关节 1 旋转的角度。
继续监测障碍物的位置，计算新产生的运动障
碍物前后时刻的距离矢量，更新得到新的排斥矢量，
控制机器人运动。如此循环，直到障碍物远离机器
人本体，完成本体避障。
2.2 基于动态避障的平滑抓取运动规划算法
根据第 2.1 节的动态避障算法，设计动态避障
时的平滑抓取运动规划算法。
(1) 检测周围环境中运动障碍物的位置。
直至机器人远离障碍物。
(3) 检测目标物体的位置，并计算其运动速度，
然后根据式(1)～(6)，生成平滑抓取物体的轨迹，抓
取目标物体，完成动态避障时的平滑抓取。
3 仿真及试验验证
3.1 试验环境
本文的试验平台是 KUKA Youbot，其手臂腕关
节处装有 Realsense f200 摄像头，外部摄像头采用
的是 Kinect v2，如图 4 所示。机械臂的工作半径为
0.508 m，负载为 0.5 kg，重复定位精度为 1 mm。
Realsense f200 是 Intel 公司生产的 RGB-D 摄像头，
其彩色摄像头能够提供 30 帧/s 的 1 920 × 1 080 分辨
 14 机 械 工 程 学 报 第 54 卷第 19 期期

率的图片，有效工作范围是 0.2～1.2 m。Kinect v2

的彩色摄像头同样能够提供 30 帧/s 的 1 920 × 1 080
分辨率的图片，有效工作范围是 0.5～4.5 m。试验
中，两种相机均只使用了彩色摄像头。在机器人操
作系统(Robot operating system, ROS)框架下编写程
序，利用 ROS 中节点间的通信，完成平滑抓取移动
物体试验。

图6 末端执行器和目标物体的运动轨迹

行器速度先急剧增大后急剧减小，在较短的时间内
完成抓取，但可能对被抓取物体造成碰撞损害；平
滑抓取中，虽然末端执行器的最大速度与基于吸引
行为抓取时的最大速度相近，但增速过程明显平
缓许多，并且减速至与物体等速后，与物体同步
运动 4 s 左右，闭合夹持器抓取，避免了与物体的
激烈碰撞。
图4 试验硬件设备

3.2 试验结果
(1) 平滑抓取试验。平滑抓取试验是在一台传
送带上进行的，此时只使用了机械臂腕关节处的
Realsense f200 相机。首先，让机械臂运动到初始的
观测位姿，开启传送带，待贴有二维码的玻璃杯运
动时，相机检测到玻璃杯位置，0.5 s 后第二次得到
玻璃杯位置，估算其速度；然后，预估其接下来的
轨迹，从而产生机械臂的跟随轨迹，控制机器人运
动；最后，待相机检测到玻璃杯与机器人末端保持
一致后，缓慢闭合夹持器，完成抓取。抓取过程如
图 5 所示。玻璃杯和机器人末端的轨迹如图 6 所示，
其中 p0～p2 为目标物体轨迹，p3～p5 为末端执行器 图7 两种抓取试验下末端执行器的速度曲线对比

轨迹，玻璃杯是沿着 y 轴方向运动的。 (2) 动态避障试验。动态避障试验分末端避障

和本体避障两种情况进行，试验中均只使用 Kinect
v2 相机。
1) 末端避障试验：在 ROS 仿真环境中，设置
免碰撞区域半径 ρ=0.25 m ，末端执行器最大速度
Vmax =0.05 m / s ，假定障碍物的运动轨迹为一条直
线，先靠近机器人，然后远离。同时末端执行器产
图5 平滑抓取试验过程
生相应的躲避行为，仿真试验环境如图 8 所示，其
基于吸引行为抓取是预测目标物体位置后，直 中方块表示障碍物。机器人末端执行器和障碍物的
接去抓取，它与平滑抓取试验的末端执行器速度对 运动轨迹如图 9 所示，其中 p0～p2 为障碍物的运动
比如图 7 所示，其中，基于吸引行为抓取的末端执 轨迹，p3～p5 为末端执行器的运动轨迹。
月 2018 年 10 月 张 驰等：机器人平滑抓取移动物体的运动规划方法 15

p3～p5 为末端执行器的轨迹，从实际避障试验结果
可看出，末端执行器躲避障碍物的运动与仿真中的
躲避行为是一致的。
2) 本体避障试验：在试验中，免碰撞区域半径
ρ ′=0.25m ，当相机检测到障碍物在机器人本体附近
运动时，手臂平面转动以躲避障碍物，直到障碍物
远离手臂平面后运动停止，避障过程结束。试验过
程如图 12 所示。

图8 末端执行器避障仿真试验环境

图 12 本体避障试验

(3) 动态避障时的平滑抓取试验。在本试验
中，首先使用 Kinect v2 相机检测障碍物，然后机
器人躲避障碍物，待障碍物远离机器人后，检测
玻璃杯的位置及速度，进行平滑抓取。试验过程
图9 仿真试验中末端执行器和障碍物的运动轨迹 如图 13 所示。

在实际避障试验中，试验参数和仿真试验相同。
实际试验中，当检测到障碍物在机器人末端执行器
附近运动时，末端执行器躲避障碍物，直到障碍物
远离末端执行器后运动停止，则避障结束，试验过
程如图 10 所示。机器人末端执行器和障碍物的运动
轨迹如图 11 所示，其中 p0～p2 为障碍物的轨迹，

图 10 末端执行器避障试验
图 13 动态避障时的平滑抓取试验

实际试验时，目标物、障碍物、机器人末端执
行的运动轨迹如图 14 所示，其中 p0～p2 为障碍物的
轨迹， p3～p5 为末端执行器的轨迹， p7～p9 为目标
物体的轨迹。

4 结论

(1) 在动态避障抓取方案中，设计了基于排斥
矢量的动态避障算法，解决了末端执行器及机械臂
图 11 实际试验中末端执行器和障碍物的运动轨迹 本体的动态避障。
 16 机 械 工 程 学 报 第 54 卷第 19 期期

Automation，May 31-June 7 ，2014 ，Hong Kong，

China. Piscataway：IEEE，2014：453-460.
[6] ZHANG G，LIU G. Workspace analysis and dynamic
object tracking with a delta parallel robot[C]//
ASME/IFToMM International Conference on
Reconfigurable Mechanisms and Robots，July 20-22，
2015. Berlin：Springer，2016：965-975.
[7] KHAN S G，HERRMANN G，PIPE T，et al. Safe adaptive
compliance control of a humanoid robotic arm with
antiwindup compensation and posture control[J].
International Journal of Social Robotics，2010，2(3)：
305-319.
[8] BICCHI A，TONIETTI G. Fast and soft-arm tactics robot
arm design[J]. IEEE Robotics and Automation Magazine，
2004，11(2)：22-33.
图 14 实际试验中目标物、障碍物、机器人末端
[9] STROHMAYR W M，WORN H，HIRZINGER G. The
执行器的运动轨迹
DLR artificial skin step：Uniting sensitivity and collision
(2) 将躲避运动障碍物和抓取运动物体结合 tolerance[C]// IEEE International Conference on Robotics
在一起，在 KUKA Youbot 机械臂上完成了试验，实 and Automation，May 6-10，2013，Karlsruhe，Germany.

现了先躲避运动障碍物，然后抓取运动目标物的操
作。
(3) 试验结果表明，一方面，相比于基于吸引
行为的抓取，平滑抓取产生的轨迹更加平滑，有效
地保护被抓取物体的安全；另一方面，所设计的动
态避障算法和物体跟踪算法能够有效地结合在一
起，完成动态环境中的物体抓取操作。
参 考 文 献
[1] GIOVANNI B. A picking strategy for circular conveyor
tracking[J]. Journal of intelligent & Robotic Systems，
2016，81(2)：241-255.
[2] BORANGIU T ， MANU M ， ANTON D F， et al.
High-speed robot motion control under visual
guidance[C]// International Power Electronics and
Motion Control Conference，August 30 - September 1，
Portoroz，Slovenia. Piscataway：IEEE，2006：519-523.
[3] COWLEY A ， COHEN B ， MARSHA W ， et al.
Perception and motion planning for pick-and-place of
dynamic objects[C]// IEEE International Conference on
Intelligent Robots and Systems，November 3-7，2013，
Tokyo，Japan. Piscataway：IEEE，2013：816-823.
[4] SANG S I ， NAM S H ， ROBERTS R ， et al. A
minimum‐time algorithm for intercepting an object
on a conveyor belt[J]. Industrial Robot：An International
Journal，2009，36(2)：127-137.
[5] MENON A，COHEN B，LIKHACHEV M. Motion
planning for smooth pickup of moving objects[C]//
IEEE International Conference on Robotics and
Piscataway：IEEE，2013：1012-1018.
[10] 吴海彬，彭爱泉，何素梅. 基于危险指数最小化的机器
人安全运动规划[J]. 机械工程学报，2015，51(9)：18-27.
WU Haibin，PENG Aiquan，HE Sumei. Robot safe motion
planning based on minimized danger index[J]. Journal of
Mechanical Engineering，2015，51(9)：18-27.
[11] BERG V D J，FERGUSON D，KUFFNER J. Anytime
path planning and replanning in dynamic
environments[C]// IEEE International Conference on
Robotics and Automation ，May 15-19，2006，Orlando，
USA. Piscataway：IEEE，2006：2366-2371.
[12] YANG Q，RAHMANI A. Path planning approach for
redundant manipulator based on Jacobian
pseudoinverse-RRT algorithm[C]// International
Conference on Intelligent Robotics and Applications，
September 25-28，2013，Busan，Korea. Berlin：Springer，
2013：716 -717.
[13] REIMANN H，IOSSIFIDIS I，SCHONER G. Generating
collision free reaching movements for redundant
manipulators using dynamical systems[C]// IEEE/RSJ
International Conference on Intelligent Robots and
Systems，October 18-22，2010，Taipei，Taiwan，China，
Piscataway：IEEE，2010：5372-5379.
[14] HADDADIN S，URBANEK H，PARUSEL S，et al.
Real-time reactive motion generation based on variable
attractor dynamics and shaped velocities[C]// IEEE/RSJ
International Conference on Intelligent Robots and
Systems，October 18-22，2010，Taipei，Taiwan，China，
Piscataway：IEEE，2010：3109-3116.
[15] 张建华，胡平，张小俊，等. 基于主从任务转化的闭环
月 2018 年 10 月 张 驰等：机器人平滑抓取移动物体的运动规划方法 17

控制避障算法[J]. 机械工程学报，2017，53(1)：21-27. avoidance of 7-DoF redundant robot manipulator[C]//

ZHANG Jianhua，HU Ping，ZHANG Xiaojun，et al. IEEE/ASME International Conference on Advanced
Closed loop control algorithm for obstacle avoidance Intelligent Mechatronics，July 8-11，2014，Besançon，
based on the transformation of master and slave tasks[J]. France. Piscataway：IEEE，2014：1036-1041.
Journal of Mechanical Engineering，2017，53(1)：21-27. [19] NIEKUM S. AR tag tracking library[EB/OL]. 2013. http：
[16] WANG X Y，YANG C，JU Z J，et al. Robot manipulator //www.ros.org/ wiki/ar_track_alvar.
self-identification for surrounding obstacle detection[J].
Multimedia Tools and Applications ， 2017 ， 76(5) ： 作者简介：张驰，男，1993 年出生。主要研究方向为机器人抓取移动物
体的运动规划。
6495-6520.
E-mail：jingxizc@mail.ustc.edu.cn
[17] FLACCO F，KROGER T，LUCA D A，et al. A depth 尚伟伟(通信作者)，男，1981 年出生，博士，副教授。主要研究方向为
space approach to human-robot collision avoidance[C]// 并联机器人、仿人机器人、人工智能等。
E-mail：wwshang@ustc.edu.cn
IEEE International Conference on Robotics and
丛爽，女，1961 年出生，博士，教授。主要研究方向为量子系统及其控
Automation ， May 14-18 ， 2012 ， St. Paul ， USA. 制、先进控制系统及运动控制。
Piscataway：IEEE，2012：338-345. E-mail：scong@ustc.edu.cn
刘宜，男，1980 年出生，博士，高级工程师。主要研究方向为运动控制、
[18] LUO R C，KO M C，CHUNG Y T，et al. Repulsive
绳索机器人等。
reaction vector generator for whole-arm collision E-mail：yliu@iim.ac.cn