基于最小能耗的自主移动机器人的最优运动规划与解耦控制

基于最小能耗的自主导移动机器人（AMR）运动规划与解耦控制框架提出，通过Smooth Hybrid A*算法优化路径平滑性与避障能力，结合能耗模型驱动的调速方法，并采用横向-纵向解耦的模型预测控制（MPC）实现轨迹跟踪，仿真验证了其有效性。

　　

徐孙|明月|向丽|余祖阳|宗光登

大连工业大学机械工程学院，中国大连，116024

摘要

本文提出了一种基于最小能耗的自主移动机器人（AMR）最优运动规划与解耦控制框架，该框架主要用于降低AMR在执行任务过程中的能耗，并最终实现规划轨迹的稳定跟踪控制。首先，在路径规划层面，设计了一种基于路径长度的平滑混合A*算法；通过对启发式函数施加几何运动学惩罚，该算法有效提高了路径的平滑度，同时确保了与障碍物的无碰撞运动。其次，在速度规划层面，提出了一种基于能耗模型的速度规划方法；该方法关注AMR运行过程中的主要能耗来源，并通过非线性优化获得最优速度曲线，从而显著降低AMR的运行能耗。然后，在运动控制层面，提出了一种横向-纵向耦合模型预测控制（MPC）方法，并改进了避障目标函数；其中，纵向MPC算法负责控制加速度信息，横向MPC算法负责控制前轮角度。最后，基于典型工作条件和不同的虚拟环境，进行了仿真实验以验证所提出的运动规划与控制框架的有效性和鲁棒性。

引言

近年来，机器人技术领域发展迅速，并已广泛应用于仓库物流、校园运输和港口等场景（Erdem (2011); Raouf, Kumar, & Kim (2024); Zhou, Wang, Ye, Xu, & Gao (2020); Zhou et al. (2022b)）。特别是，由于其高灵活性和鲁棒性，AMR引起了业界的广泛关注。随着AMR相关技术的实施，许多学者开始关注解决更实际的问题，如能耗和轨迹跟踪精度（Sabir, Said, Al-Mdallal, & Bhat (2024); Su, Yue, Sun, Wang, & Zhao (2025); Yuan, Chen, Sun, & Huang (2014); Yue, Shangguan, Guo, & Zhao (2023)）。在各种场景中，AMR需要根据先验信息进行轨迹规划和跟踪控制。在此基础上，如何实现最优解以获得最佳运动策略是该领域的一个重要研究方向。

目前，为了解决单个机器人能耗高的问题，通常通过硬件优化、软件迭代和智能算法来解决问题（Ahn, Na, & Song (2023); Joki?, Petrovi?, & Miljkovi? (2022); Nazarahari, Khanmirza, & Doostie (2019); Sun, Yue, Wang, Liu, & Zhao (2025）。其中，智能算法是一个重要的研究方向，包括人工势场法（APF）、A*算法和混合A*算法（Ab Wahab et al. (2024); Ganesan, Ramalingam, & Mohan (2024); Sang, You, Sun, Zhou, & Liu (2021）。此外，由于混合A*算法在运行过程中考虑了机器人的运动学约束，它使AMR能够获得满足阿克曼转向约束的路径。这也使得该算法能够广泛应用于运动规划；此外，学者们不断改进和优化了该算法。利用这些算法，可以为单个机器人获得无碰撞的运动路径。然而，还需要对这些路径进行速度规划以生成实时运动轨迹。通常采用步进速度规划、梯形速度规划、S曲线速度规划等方法，选择和应用这些方法需要根据具体场景进行结合。

此外，在获得最优运动轨迹后，还需要使机器人能够稳定地跟踪该轨迹。一些学者提出了用于轨迹跟踪控制问题的控制方法，并不断对其进行优化（Leng & Minor (2016); Qi, Yue, Xu, Zhang, & Liu (2025); Zhao et al. (2023）。在这些算法中，PID、MPC和LQR等控制算法在工业场景中应用最为广泛，但通常需要对这些算法施加某些约束以确保系统的正常运行（Cao et al. (2024); Cheng et al. (2020); Khosravian, Masih-Tehrani, Amirkhani, & Ebrahimi-Nejad (2024）。

本文的其余部分组织如下。第2节介绍了相关工作。第3节提出了平滑混合A*算法。第4节系统介绍了基于能耗模型的速度规划方法。第5节介绍了横向和纵向解耦MPC方法的总体内容。第6节提供了仿真方案和仿真结果。第7节给出了结论和未来工作。

相关研究

相关研究

在运动规划领域，Tobias等人（Sch?fle & Uchiyama (2021）提出了一种新的混合A*算法，在该算法中对成本函数施加了软约束。这使得算法能够在不修剪额外节点的情况下提高效率，并且与传统算法相比具有更好的安全性。然而，这种方法仍然无法摆脱算法的局限性，在处理全局避障时面临某些挑战。

平滑混合A*算法

众所周知，混合A*算法被广泛用于机器人路径搜索。实际上，通过定义的成本函数，该算法可以规划出连接起点和终点的最优路径。因此，合理设计和优化成本函数可以提高算法的性能。

此外，在路径搜索过程中，需要检测环境中的碰撞情况以有效避开障碍物。碰撞检测通常分为

基于能耗模型的速度规划

一般来说，AMR的能耗主要由电机、传感器、嵌入式计算机等消耗。为了准确评估能耗，需要建立一个合理的能耗模型。此外，AMR的结构如图3所示。

这里，δ_f表示前轮转向角，R_f表示前轮转弯半径，R_r表示后轮转弯半径。

然后，根据AMR的运动学特性，其运动学模型可以表示为：

纵向控制器

实际上，关于AMR的横向和纵向控制问题，解耦控制器相比耦合控制器具有更强的抗干扰能力和更低的计算负担。因此，使用一阶惯性模型来表示车辆的纵向控制，可以表示为：

基于能耗模型的速度规划

通常，AMR的能耗主要由电机、传感器、嵌入式计算机等消耗。为了准确评估能耗，需要建立一个合理的能耗模型。此外，AMR的结构如图3所示。

这里，δ_f表示前轮转向角，R_f表示前轮转弯半径，R_r表示后轮转弯半径。

然后，根据AMR的运动学特性，其运动学模型可以表示为：