1.一种冲击约束的机器人避障和时间最优轨迹规划方法，其特征在于由路径规划模块、样条插值模块、避障处理模块以及时间优化轨迹规划模块四个模块组成，首先，路径规划模块在RRT*算法基础上，基于障碍物斥力场安全约束引入目标偏置和目标偏好思想，压缩搜索空间并加快工业机器人最短路径的搜索速度，其次，样条插值模块采用五次样条插值函数对路径关键节点进行插值平滑，以初始与终止速度和初始与终止加速度为固定边界条件构建AT矩阵，再其次，避障处理模块利用几何精细检测方法对工业机器人和障碍物执行避碰处理，利用机器人正逆运动学求得机器人关节、基座TCP点，其中机器人连杆和焊枪利用胶囊体包络，障碍物利用球体包络，最后，时间优化轨迹模块将等级制度和贪婪策略与传统的鲸鱼优化算法相结合，提高了算法的全局搜索能力。

2.根据权利要求1所述的一种冲击约束的机器人避障和时间最优轨迹规划方法，其特征在于所述的路径规划模块引入目标偏置和目标偏好扩展思想解决RRT*算法扩展节点时运算量大的问题，新生成的节点qnew具有很强的随机性，虽然可以渐进最优，但是盲目扩展策略导致计算资源浪费，大大影响收敛速度，目标偏置扩展思想是在添加目标节点qgoal方向上的分量，新节点qnew向qgoal和qrand的矢量方向扩展，目标偏好思想是以极小概率直接朝目标节点qgoal方向扩展，从而更接近理想路径，目标偏置策略和目标偏好策略的选择概率pt引导随机树T扩展方向，保留扩展树随机性的同时，以更快的速度向目标扩展。

其中，η为RRT*生长的初始步长， 为近邻节点qnear到随机节点qrand的向量， 为近邻节点qnear到目标节点qgoal的向量，ρ为RRT*的动态调整系数，保证新节点qnew在方向和步长长度上趋近于目标节点qgoal。

规定在斥力场中的qnew点不能加入到随机树T中，d为当前节点与目标节点的最小距离，若满足||qnew‑qgoal||＜d约束，则尝试向目标节点逼近。

c

其中，为斥力场系数，与环境规模成正相关，ρ为在R空间内目标节点与障碍物的最短距离，ρ0为障碍物的最大影响作用范围，系数的取值与障碍物数目的大小有关，当斥力场作用范围覆盖初始节点qinit则缩小斥力场作用范围，直到初始节点qinit在斥力场作用范围外，当斥力场范围覆盖目标节点qgoal，则将斥力场范围清零。

3.根据权利要求1所述的一种冲击约束的机器人避障和时间最优轨迹规划方法，其特征在于所述的样条插值模块是对路径规划模块生成的一些靠近障碍物的路径关键节点进行插值平滑的功能模块，本发明考虑了避障的前提下，为了保证机器人实际运行轨迹的平滑性、速度与加速度的连续，采用五次样条插值函数对路径平滑处理。

对于s(x)∈S5(Π)，给定区间[a,b]上n个样条节点a＝x1＜x1＜…＜xn＝b，在d维状态空间X中一条无碰撞路径可以定义为一个列表的形式σ:[0,t]，对于任意τ∈R，都有σ(τ)∈X，因此，σ(τ)在维度X1,X2,…,Xd下插值可得到系统状态唯一确定的d维向量Xτ。

(4)

引入记号Mi＝S (xi)，Ai＝S″(xi)，i∈{1,2,…,n}，记hi＝xi+1‑xi，αi＝x‑xi，i∈{1,(4)

2,…,n‑1}由于s (x)在[xi,xi+1]上是线性函数，所以对公式(3)积分两次，并代入s″(xi)＝Ai，s″(xi+1)＝Ai+1，在区间[xi,xi+1]上有对公式(4)积分两次，并代入s(xi)＝yi，s(xi+1)＝yi+1，在区间[xi,xi+1]上有在公式(5)两边对x求一阶导数有

其中，s[xi,xi+1]＝(f(xi+1)‑f(xi))/(xi+1‑xi)，公式(6)两边对x求二阶导数有由s″′(xi+0)＝s″′(xi‑0)给出M和A的关系式，并令λi＝hi/6，μi＝2(λi‑1+λi)， li＝‑(ji+1‑ji)则得

λi‑1Mi‑1+μiMi+λiMi+1+ji‑1Ai‑1+liAi+jiAi+1＝0     (8)由s′(xi+0)＝s′(xi‑0)给出M和A的关系式，并令 qi＝8(pi‑1+pi)/7，gi＝f[xi,xi+1]‑f[xi,xi‑1]，则得pi‑1Mi‑1+qiMi+piMi+1+λi‑1Ti‑1+μiTi+λiTi+1＝gi      (9)其中，i＝1,2,…,n‑1，将公式(8)和公式(9)联立后，得到含2n个未知量2n‑4个方程的欠定方程组，为了求出2n个未知参数，给出4个固定边界条件，从而得到方程组的确定解。

m

其中，V1 ， 和 机器人末端执行器在X状态空间对应维度X1,X2,…,Xd的速度值及加速度值，m∈{1,2,…,d}，得到关于2n‑2个未知量M1,M2,A2,…,An‑1,Mn和2n‑2个方程的线性方程组。

其中，k∈{2,3,…,n‑3}，矩阵C的2k行各元素值如下：矩阵C的2k+1行各元素值如下：

矩阵G的各元素值如下：

矩阵G的其他元素值如下：

m

在补充4个固定边界条件V1 ， 和 后，在子区间端点处四阶连续可导的条件构造方程求解Mi,Ai(i∈{0,1,…,n‑1})。

4.根据权利要求1所述的一种冲击约束的机器人避障和时间最优轨迹规划方法，其特征在于所述的避障处理模块设置机器人与障碍物的安全距离为dsafe，通过机器人逆运动学求解关节q的角度值，如果无解则默认为该节点不可达，如果机器人在新节点qnew处存在多组逆解，则通过父节点qparent到新节点qnew的代价值。

其中，Cpn为父节点qparent到新节点qnew的代价，其中，i∈[1,s]，机器人逆运动学解有s组，通过正运动学求解机器人各连杆及末端执行器的端点坐标，将机器人连杆L与障碍物O定义为点的集合，连杆的碰撞检测问题转化为胶囊体与球体之间是否发生碰撞，球体的半径是障碍物斥力场范围半径Rrep和连杆胶囊体半径rs之和。

R＝Rrep+rs      (17)机器人包络胶囊体与障碍物球体的碰撞检测转化为判断线段与球的位置关系，则球心O与线段LMN最短距离dmin表示为其中，O为障碍物斥力场范围球心，M、N为机器人连杆的端点，线段LMN的端点M、N与球体球心O所形成的夹角∠OMN和∠ONM表达式为笛卡尔空间中的新节点qnew的关节状态与父节点qparent的关节状态之间距离代价定义为它们关节空间向量的欧式距离。

机器人包络柱体与障碍物斥力场范围可以近似的看成线段与球的位置关系，线段和 列举了线段LMN与球体O的关系：S1：判断初始节点与终止节点是否满足规范，即是否在观测范围内，该处的机器人逆解是否存在以及是否在障碍物斥力场范围内，如果初始节点与终止节点不在观测范围内、逆解不存在或与障碍物发生碰撞，则重新布置初始节点和终止节点，通过机器人逆运动学得到机器人逆解组数n，n≤8，如果n＝0，机器人在该节点处没有逆解，则舍弃该节点，计算新节点qnew的每一组逆解与父节点qparent各关节角度值的距离代价，找到与父节点最近的关节逆解，通过正运动学求得机器人基座原点、机器人关节原点和末端执行器原点的坐标，机器人连杆近似看作线段LMN，线段端点为正运动求得各原点。

S2：判断线段LMN与球体球心的最短距离dmin与斥力场范围半径和安全距离的和的大小关系， 表示线段 与球体球心的最短距离，若 则机器人与障碍物不发生碰撞，否则，执行碰撞检测的S2与S3。

S3：判断线段LMN的端点M、N是否在球体范围内， 表示线段 的端点N2与球体球心O的距离， 表示线段 的端点M2与球体球心O的距离，若线段 任一端点在球体内，则机器人碰撞，若线段 两端点都在球体内，则机器人发生碰撞，若线段 两端点都不在球体内，则执行碰撞检测的S3。

S4：线段LMN两端点都在球体范围外的情况，判断线段LMN是否穿过球体，若线段 的两端点M3、N3与球体球心O的夹角∠OM3N3与∠ON3M3均为锐角，∠OMN≤π/2∩∠ONM≤π/2，则机器人与障碍物之间发生碰撞，若线段 的两端点M4、N4与球体球心O的夹角∠OM4N4与∠ON4M4存在钝角时，∠OMN＞π/2∪∠ONM＞π/2，机器人与障碍物不发生碰撞。

5.根据权利要求1所述的一种冲击约束的机器人避障和时间最优轨迹规划方法，其特征在于所述的时间优化轨迹规划模块设置机器人末端执行器的初始速度、初始加速度、终止速度和终止加速度，同时限制机器人速度、加速度和加加速度，机器人末端的冲击损坏末端执行器以及机器人关节处传动机构、电机及减速器的现象更应优先考虑，基于机器人运动约束惩罚函数的机器人时间最优轨迹规划描述如下：其中，ti是两个节点间的时间间隔，n是节点数量，kj是将惩罚与违反约束相关联的惩罚函数，cj是一个标量函数，涉及机器人机械极限施加的约束的实现，L表示机器人运动约束条件的总数，机器人的运动约束条件如下所示：其中，sup(V)是机器人末端执行器的最大速度，sup(A)是机器人末端执行器的最大加速度，sup(J)是机器人末端执行器的最大冲击。

鲸鱼优化算法是通过模仿座头鲸收缩包围和螺旋更新位置的搜索觅食行为，所构造出的一类随机群智能优化算法，本发明的鲸鱼位置信息是节点间的时间间隔，系数向量Ai与Ci由公式(24)～(26)得出。

a＝2‑2t/tmax                    (24)Ai＝2a·ξ1‑a                    (25)Ci＝2·ξ2                     (26)其中，ξ1，ξ2为区间[0,1]中的随机变量，a在迭代过程中从2线性减小到0，tmax表示最大迭代次数，鲸鱼算法的开发阶段，座头鲸以收缩包围猎物和“9”形气泡网络接近猎物，则的位置更新数学模型描述为

设ξ3是[0,1]中的一个随机决策概率因子，收缩圆形包围和收缩螺旋接近猎物两种位置更新策略根据ξ3的随机值分布各占50％的概率被选择，Xp(t)表示当前鲸鱼群体位置最优个体，Xi(t)为当前鲸鱼个体位置，Ai||CiXp(t)‑Xi(t)||为收缩包围步长，b是定义对数螺旋形状的常数，l是[‑1,1]中的随机数，以便调整螺旋线方向，更好地搜索最优解空间，ξ3＜0.5时选择收缩包围猎物，使得算法收敛到最优解，当ξ3≥0.5时选择收缩螺旋接近猎物，防止仅仅使用收缩包围陷入局部最优解。

鲸鱼优化算法开发阶段得到的解可能是局部最优解，所以还需要通过探索其他可行解去寻找全局最优解，即为鲸鱼优化算法的探索阶段，探索阶段随机搜索目标防止陷入局部最优解，由式(27)可知，Ai∈[‑a,a]，当|Ai|≥1时，迫使搜索目标远离最优解，当前鲸鱼随机选择其他鲸鱼(非当前最优解)位置Xrand为目标位置，当前鲸鱼Xi的位置更新公式为：Xi(t+1)＝Xrand(t)‑Ai·||CiXrand(t)‑Xi(t)||      (28)鲸鱼优化算法没有考虑种群中其他鲸鱼的次优位置，引入等级制度策略，选取前3个鲸鱼种群中最优位置{X1st,X2nd,X3rd}以得到潜在的鲸鱼种群最优个体位置，可得到新的位置更新函数：

其中，ftot(t)＝f(X1st(t))+f(X2nd(t))+f(X3rd(t))，等级制度使得鲸鱼优化算法的搜索范围扩大，但是鲸鱼个体在进行位置更新过程中，更新位置的代价值不一定优于当前位置的代价值，为了使算法能够收敛到最优解，引入贪婪策略对代价最优值的个体进行位置更新，位置更新函数为

区间[0,1]上的随机决策概率因子ξ4决定鲸鱼位置是否更新，只有当ξ4＜0.5且ftmp＞fcur时，才使用贪婪策略使群体朝着最优方向搜索。