机 械 工 程 学 报

JOURNAL OF MECHANICAL ENGINEERING 第 46 卷第 9 期

2010 年 5 月

Vo l . 46 No .9

May 2010

DOI：10.3901/JME.2010.09.019

工业机器人的最优时间与最优能量轨迹规划*

徐海黎 1, 2 解祥荣 2 庄 健 1 王孙安 1

(1. 西安交通大学机械工程学院 西安 710049； 2. 南通大学机械工程学院 南通 226019)

摘要：提出一种工业机器人的 优轨迹规划方法。将机器人的轨迹视为由机器人关节空间中一系列的关键点构成，关键点两

两之间通过三次多项式曲线进行连接。通过使用加权系数法定义代价函数，从而使机器人运动过程中的总动作时间和消耗能

量在某种程度上达到综合 优，同时考虑关节速度、加速度、二次加速度以及力或力矩等约束条件。在代价函数的设计中，

采用一种新颖的罚函数排序形式来处理约束问题。提出基因环境双演化免疫克隆算法对所定义的代价函数进行优化。以上策

略的采用，使算法具备一定的学习能力，增强算法的全局搜索能力，从而提高解的质量和算法效率。对斯坦福机器人的仿真

结果表明了本文方法与现有方法相比，具有更高的搜索效率，能得到性能更良好的解。 关键词：轨迹规划 工业机器人 基因环境双演化免疫克隆算法

中图分类号：TP242

Global Time-energy Optimal Planning of Industrial Robot Trajectories

XU Haili1, 2 XIE Xiangrong2 ZHUANG Jian1 WANG Sunan1

(1. School of Mechanical Engineering, Xi’an Jiaotong University, Xi’an 710049; 2. School of Mechanical Engineering, Nantong University, Nantong 226019)

Abstract：A technique for optimal trajectory planning of robot manipulators is presented. It consists of linking two points in the operational space while minimizing a cost function, taking into account dynamic equations of motion as well as bounds on joint velocities, accelerations, jerks and force/torques. The cost function is used as a weighted balance of traveling time and mechanical energy of the actuators. Also, a novel ranking technique for the penalty function is designed to deal with the constraints. Furthermore, the environment-gene evolutionary immune clonal algorithm (EGICA) is proposed to solve the optimization problem. The use of the above-mentioned strategy makes the algorithm have a certain learning ability and enhances its global searching ability, thus improving solution quality and algorithm efficiency. The algorithm is tested with Stanford robot in simulation, and the result shows that the presented method has higher search efficiency and can obtain better solution in comparison with the existing methods. Key words：Trajectory planning Industrial robot Environment-gene evolutionary immune clonal algorithm

0 前言*

优轨迹规划是工业机器人 优控制问题之

一，规划的任务是根据给定的路径点规划出通过这

些点并满足边界约束条件的光滑的 优运动轨 迹[1]。轨迹规划策略中的时间 优算法是文献中

早提出的，目的是为了 大化操作速度从而 小化

机器人总的动作时间，这样的研究工作见文献[2-4]。实际上，能量 优也是工业应用中很重要的性能指

标。利用能量 优进行轨迹规划产生的光滑轨迹更

* 国家自然科学基金(50705073)、江苏省高校自然科学基金(09KJB460009) 和陕西省自然科学基金(2007E224)资助项目。20090708 收到初稿， 20091222 收到修改稿

易于跟踪并能减少执行器和操作臂上的应力，同时

在能源紧张的情况下可节省能量(比如空间机器人

和水下机器人)[5]。因此，动作时间 优和消耗能量

优通常结合在一起考虑，采用样条函数以产生加

速度连续的光滑轨迹，在优化过程中，还必须考虑

以速度、加速度、二次加速度和输入力或力矩形式

表示的边界约束条件，这样的研究工作见文献[6-8]。但这些文献中的算法存在着两个问题：其一，所采

用的寻优算法，其结构过于简单，没有完全体现原

有优化问题的本质特征，所得解的效果往往不是很

理想，不能适应更复杂的工业应用场合；其二，

优轨迹规划是带约束的优化问题，在解决这类问题

时，通常采用罚函数的方法，而这些文献中惩罚系

数的设计采用传统的方法，即一个固定的预设值，

机 械 工 程 学 报 第 46 卷第 9 期期 20

因此，虽然文献[9]中寻优算法有所改善，但由于约

束条件的限制，很难在解的质量和寻优效率上得到

兼顾。 本文应用能量 优和时间 优的综合优化方法

进行轨迹规划。为了获得全局 优解，提出一种基

因环境双演化免疫克隆算法 (Environment-gene evolutionary immune clonal algorithm, EGICA)。在

EGICA 中，针对罚函数的设计，提出了一种新颖的

排序规则，弱化了由于约束限制而产生的可行解集

的限制。另外，算法中的克隆环境变异算子能够积

累个体进化过程的经验，使个体具备了一定的学习

能力。 终提高了解的质量和算法效率。

1 优轨迹规划问题描述

本文在研究 优轨迹规划策略时，假定已由上

层的路径规划器产生了几何路径，以关节空间中各

个关节关键点的形式给出，避障问题同样也已由上

层的路径规划器完成。 1.1 轨迹的产生

机器人的轨迹由关节空间中的关键点序列组

成，引入一系列的三次多项式曲线来连接这些关键

点。对于关节 j (1 j L≤ ≤ )，设 1 2, , , nq q q 为其关

节空间中的关键点， { }1 2, , , nt t t 是相应的时间序

列。定义 ( )jiQ t 为时间间隔[ti, ti+1]内的三次多项式函

数， ( )jiQ t 、 ( )jiQ t 、 ( ) ( )ji jiQ t Q t和 分别为关键点

qi 和 qi+1 之间的位移、速度、加速度和二次加速度。

机器人在初始时刻 1t t= 的关节速度值、加速度值以

及终止时刻 nt t= 的关节速度值、加速度值都是已知

的。根据三次多项式的定义，有

1 , 13 31

11

12 21

, 1

( ) ( )( ) ( ) ( ) +

6 6

( ) ( ) ( ) ( )

6 6

( ) ( )( ) ( ) ( ) +

2 2

(

ji i ji i j iji i i

i i i

i ji i ji i ji ii i

i

ji i ji iji i i

i i

j i i ji i

i

Q t Q t qQ t t t t t

h h h

h Q t q h Q tt t t t

h

Q t Q tQ t t t t t

h h

q h Q th

+ ++

++

++

+ +

⎛= − + − −⎜

⎝⎞ ⎛ ⎞

− + − −⎟ ⎜ ⎟⎜ ⎟⎠ ⎝ ⎠−

= − + −

−

( )

1

11

1

) ( )6 6

( ) ( ) ( )

1( ) ( ) ( )

ji i ji i

i

i iji ji i ji i

i i

ji ji i ji ii

q h Q th

t t t tQ t Q t Q t

h h

Q t Q t Q th

++

+

⎧⎪⎪⎪⎪⎪⎪⎪⎪⎪⎨⎪ ⎛ ⎞ ⎛ ⎞⎪ − −⎜ ⎟ ⎜ ⎟⎜ ⎟ ⎜ ⎟⎪ ⎝ ⎠ ⎝ ⎠⎪ − −⎪ = +⎪⎪⎪ = −⎪⎩

(1)

式中， 1i i ih t t+= − , 1,2, , 1i n= − 。如果 1( )ji iQ t + 、

1( )ji iQ t + 已知, 就能确定 ( ), ( ) ( )ji ji jiQ t Q t Q t和 。实际

上，根据速度和加速度的连续性条件， 1( )ji iQ t + 可

表示为关于时间间隔 hi和给定关键点位置值 qi的方

程式。 1.2 运动学和动力学模型

考虑一个 L 关节的串联机器人操作臂，通过拉

格朗日方程求导可得到其动力学方程

1 1 1

L L L

i ij j ijk j k ij j k

D Q D Q Q Gτ= = =

= + +∑ ∑∑ (2)

T0 0

max{ , }

T20 0

max{ , }

tr

tr

12

p pL

ij pp i j j i

p pL

ijk pp i j j k j

ij kjik

k j i

DQ Q

DQ Q Q

D DDQ Q Q

=

=

⎛ ⎞⎛ ⎞∂ ∂⎜ ⎟= ⎜ ⎟⎜ ⎟∂ ∂⎝ ⎠⎝ ⎠⎛ ⎞⎛ ⎞∂ ∂⎜ ⎟= =⎜ ⎟⎜ ⎟⎜ ⎟∂ ∂ ∂⎝ ⎠⎝ ⎠

⎛ ⎞∂ ∂∂+ −⎜ ⎟⎜ ⎟∂ ∂ ∂⎝ ⎠

∑

∑

T TJ

T TJ

T 0pL

i p pp i i

G mQ=

⎛ ⎞⎛ ⎞∂= −⎜ ⎟⎜ ⎟⎜ ⎟∂⎝ ⎠⎝ ⎠∑ T

g r

1

cos cos sin sin cossin cos cos cos sin sin 0 sin cos 0 0 0

i i i i i i i

i i i i i i iii

i i id

θ θ α θ α α θθ θ α θ α α θ

α α− =T

-sin

-

1

⎛ ⎞⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎝ ⎠

式中，第一部分为机器人惯性项，第二部分是离心

力和哥氏力项，第三部分是重力项， iτ , iQ , iQ , iQ分别为第 i 个(当下标为 j，k 时表示第 j 个，第 k 个)关节的广义力或力矩、位移、速度、加速度，

ik jkD D、 的表达式为 ijD 表达式中的 i，j 发生相应变

化，gT 是重力矩阵， pr 是连杆 p 的质心位置， 1ii−T

表示杆件 i 坐标系向杆件 i–1 坐标系的齐次坐标变

换矩阵， ia 是杆件 i 长度、 iα 是杆件 i 扭角、 iθ 是关

节 i 变量转角， id 是杆件 i 的偏距，且

1 2 30 0 1 2 1L L

LT T T T T −=

1 ( ) 2

1 ( )2

ixx iyy izz ixy

ixy ixx iyy izzi

ixz iyz

I I I I

I I I I

I I

− + +

− +=J

1 ( ) 2

i i i i

ixz i i

iyz i i

ixx iyy izz i i

m x m y

I m xI m y

I I I m z

⎛⎜⎜⎜⎜⎜⎜⎜⎝

− +

i i im z m

⎞⎟⎟⎟⎟⎟⎟⎠

式中，mi 为杆件 i 的质量，（xi，yi，zi）为杆件 i 的质心坐标， ixxI 、 iyyI 、 izzI 为杆件 i 的质量惯性矩，

月 2010 年 5 月 徐海黎等：工业机器人的 优时间与 优能量轨迹规划 21

ixyI 、 iyzI 、 ixzI 为杆件 i 的惯性积。

1.3 约束条件 约束条件表示为作用于机器人上的运动学和动

力学性能的物理极限。由式(3a)～(3d)给出。 关节速度值

( )jji CQ t v≤ (3a)

关节加速度值 ( )

jji CQ t a≤ (3b)

关节二次加速度值

( )

jji CQ t j≤ (3c)

关节力或力矩 ( )

jji Ct Fτ ≤ (3d)

式中，jCv 、

jCa 、jCj 和

jCF 分别是关节 j 的速度、

加速度、二次加速度和力或力矩的约束，

1,2, ,j L= ， 1,2, ,i n= 。式(3a)～(3d)表明运动

必须有一定的限度，能量资源也是有限的，必须在

机器人的动态行为被正确控制下合理利用。提出二

次加速度的约束是因为二次加速度值增加，关节位

置跟踪误差也将增加；同时为了限制机器人的过度

损耗以使机器人的使用寿命增加[10]。 1.4 目标函数

规划出的轨迹的好坏很大程度上依赖于所采用

的目标函数的形式。参见文献[8]中目标函数的定义

方式，并做适当修改后定义

( )21 2 ( )i i i if h Q hξ ξ α τ= +∑ ∑ (4)

式中，hi 为两个关键点之间的时间间隔, 1ξ 、 2ξ 为

加权系数， 1 2 1ξ ξ+ = 。 1ξ =1 的情况对应于 优动

作时间规划问题。α 是弹性系数，α 的引用是为了

防止消耗能量和动作时间会有数量级上的差别而弱

化了动作时间在整个目标函数中的地位。采用这样

的加权系数法对系统的动作时间和消耗能量进行平

衡，从而通过调整 1 2ξ ξ和 可使机器人总的动作时间

和消耗的能量在某种程度上均达到 优。

2 轨迹规划的优化算法 EGICA

EGICA所要解决的有约束全局优化问题可以

定义为

min ( )

s.t. { | ( ) 0}

[1, ] [1,0]

mi j

f

x g x

i m j

∈ = ∈ ≤

∈ ∈

X

X G G R

式中，f( )是实值函数，X={x1, x2,…,xm}为在Rm空

间内变量集，G为所有可行解集合，g( )为约束函数。

本文采用十进制编码，所有变量归一化在[0,1)区间。 2.1 有约束全局优化问题的代价函数设计

在有约束问题的求解中，由于约束条件的存在，

可行解集空间变得非常复杂，一般采用罚函数的方

式来处理，代价函数写为 ( ) ( ) ( )C gf f r φ= +X X X (6)

式中，rg为惩罚系数，φ ( )为罚函数。 在罚函数中，惩罚系数rg的选取是一件很困难

的工作，因为约束条件可能将可行解集空间分割为

非连续的状态。当rg选取过大时，虽然很容易发现

可行解，但如果此时的可行解集不是全局 优解所

在的空间，则很难再跳出该可行解集的局部空间，

从而影响解的质量；当rg选取过小时，惩罚函数的

惩罚力度就会过小，从而影响到优化函数的寻优方

向。所以如何选择合适的惩罚系数或惩罚函数的形

式是解决有约束优化问题的关键。 在进化算法中，进化的方向总是向着适应度大

的方向前进，而罚函数的作用是调节个体的适应度

值，所以，罚函数会影响到群体的排序。在文献[11]中采用概率排序的形式，使得群体在目标函数和约

束条件中找到一种动态平衡的关系。本文参考文献

[11]的核心思想，设计了一种新的排序形式，主要

有以下几条规则。 (1) 当两个个体都符合约束条件时，目标函数

值小的排序靠前。 (2) 当两个个体有一个不合约束条件时，目标

函数值小而且约束条件值小的排序靠前。 (3) 当两个个体有一个不合约束条件时，目标

函数值小与约束条件值小条件不同时成立，则以两

个个体约束条件的比值为概率，随机排序。 上述排序规则在强调约束条件的同时保证了目

标函数值小、约束条件值也不大的个体也能有一定

的机会在群体中传播基因，其实质是弱化了由于约

束限制而产生的可行解集的限制。 2.2 算子描述 2.2.1 免疫疫苗选择

在人类免疫系统中病原体被认为是抗原，但是

抗原以什么样的机制与免疫系统联系，人们依然知

之甚少。在EGICA算法中将每代亲和度 高的抗体

认为是疫苗，因为其与抗原 相似。该操作描述为

[1, ]( ) max ( )

n

sC C ni N

T f∈

=GA X (7)

式中，TCs为免疫疫苗选择，AG为抗体集，n为进化

代数，N为种群规模。

(5)

机 械 工 程 学 报 第 46 卷第 9 期期 22

2.2.2 克隆 克隆Θ是免疫系统抗体增长的过程，定义为

( )T1 2( ) ( ) ( ) ( )NΘ Θ Θ Θ=GA X X X

式中，Θ(Xi)=Ik×Xi，Ik是k维单位行矩阵，k称为克隆

规模。克隆后AG种群包括两部分群体集合，一部分

是被克隆的集合记做AGΘ，另一部分是未被克隆的

集合。 2.2.3 克隆环境变异

克隆后对AGΘ集合中的抗体做环境影响因素的

变异操作

( ) 1

12 3 ( ( ) )

n

n

a tC n n n

t n sC n

T r

r r T

Θ Θ Θ Θ

Θ−

= + ⊆

= + −

G

G

X X E X A

E E A X

式中，TCa为克隆环境变异，E是环境变量集，r1是

学习系数，r2 是遗忘系数，r1是修改系数。 克隆环境变异算子的目的有二：其一，在群体

中较优个体周围探索前进方向，从而提高免疫算法

效率；其二，通过环境变量获取进化过程中的历史

经验，使算法在一定程度上具有学习能力。 2.2.4 克隆直接变异

与一般变异不同，克隆变异只对AGΘ集合中的

基因变异，并不直接作用于抗体原始种群的信息。

克隆变异写为

1 2

1 2

1 2

1 2

flip( ) 1( )

mj j mm

C j jj j

ij j n

c pT c

c

c

ΘΘ

Θ Θ

⎧ =⎪= ⎨⎪⎩

∈ X

其他 (9)

式中，TCm为克隆直接变异，flip( )为贝努力试验函

数，cΘij为环境变异后个体的基因位， mijc 为直接变

异基因位，pm为直接变异概率。 2.2.5 克隆更新

若克隆进化后的群体中 大亲合度的个体优于

克隆母体的亲合度，用该克隆进化的个体代替母体。

max max

max1

( )> ( )

( , ) ( ) ( )

n

i

krC i j

j

it

f f

T f fΘ

Θ Θ

Θ Θ

=

⎧⎪⎪= ≥⎨⎪⎪⎩

∨G

X X X

X A X X

X 其他

(10)

式中，TCr为克隆更新， max

ΘX 为 大亲和度的个体。

2.3 算法流程描述 基因与环境双演化免疫克隆算法的流程可描述

如下。 (1) 初始化抗体种群，置当前抗体号i=1，进化

代数n=0。 (2) 对抗体种群排序，在群体中按式(7)规则选

择疫苗 ( )n

sCT GA 。

(3) 判断是否满足停止规则，如果是跳转到步

骤(10)。 (4) 判断当前抗体号i是否大于群体规模N，如

果是跳转到步骤(10)。 (5) 选择个体Xi为当前进化抗体，以规模k克隆

出该个体的克隆子群Θ(Xi)。 (6) 对上述克隆子群Θ(Xi) 按式(8)做克隆环境

变异，获取环境变异后子群TCa[Θ(Xi)]。

(7) 对上述子群TCa[Θ(Xi)]按式(9)做克隆直接

变异操作。 (8) 计算亲合度，按式(10)做克隆更新。 ( 9 ) 修改当前抗体号 i ： i = i + 1，返回步

骤(4)。 (10) 修改当前进化代数t：n=n+1，并在n+1代

群体中对抗体种群排序，按式(7)规则选择疫苗

1( )

n

sCT

+GA ；返回步骤(3)。

(11) 输出优化结果。

3 仿真结果

通过对斯坦福机器人的仿真试验来说明本文算

法的性能。程序用 Visual C++ 6.0 语言编写。EGICA算法参数为：群体规模 N=200，克隆规模 k=5，直

接变异概率 pm=0.01，学习参数 r1=random(0,1.2)，遗忘参数 r2=random(0.6,0.7)，修改参数 r3=random (0,1.4)。斯坦福机器人的 D-H 连杆参数及动力学参

数参见文献[12]。关节空间中 12 个关键点的位置参

见文献[7]。其速度、加速度、二次加速度和力或力

矩约束条件见表 1。采用文献[11]中的加强型进化规

划(Intensive evolutionary programming, IEP)算法的

计算结果如表 2 所示，采用本文提出的 EGICA 进

行优化的结果见表 3。

表 1 斯坦福机器人的约束 数值

约束 J1 J2 J3 J4 J5 J6

vC /(rad·s–1) 1.745 1.658 2.0 2.618 2.269 1.920aC / (rad·s–2) 0.873 0.698 1.5 1.222 1.571 1.396jC / (rad·s–3) 1.047 1.047 1.5 1.222 1.309 1.222FC / N 65 65 65 65 65 65

注：J3 为移动关节，故其单位为 vC(m/s), aC(m/ s2), jC(m/ s3), FC(N)。

表 2 IEP 最优轨迹规划结果 数值结果(α =0.01)

参数 1ξ =0

2ξ =1.0

1ξ =0.5

2ξ =0.5

1ξ =0.8

2ξ =0.2

1ξ =1.0

2ξ =0

ih∑ /s 86.830 0 49.640 0 43.023 7 37.144 2 T 2( )i i iQ h∑ τ / (N·m) 2 739.44 3 569.49 4 697.70 11 783.30

min f(x) 27.394 4 42.667 5 43.814 4 37.144 2

(8)

月 2010 年 5 月 徐海黎等：工业机器人的 优时间与 优能量轨迹规划 23

表 2、3 中的结果作比较后发现，本文算法的所

有优化结果均优于 IEP 算法的结果。对应于

1ξ = 2ξ =0.5 情况下的各个关节速度、加速度、二次

加速度的优化解见图 1a～1f。图 2 为 6 个关节的力

或力矩的 优解。通过对这些图形的观察发现，所

有的 优解均完全满足给定的约束条件。算法的收

敛曲线如图 3 所示。 表 3 EGICA 最优轨迹规划结果

数值结果(α =0.01)

参数 1ξ =0

2ξ =1.0

1ξ =0.5

2ξ =0.5

1ξ =0.8

2ξ =0.2

1ξ =1.0

2ξ =0

h1/s 7.656 44 0.323 71 0.488 66 0.918 74 h2/s 10.000 00 6.400 26 4.983 84 3.105 19

(续) 数值结果(α =0.01)

1ξ =0

2ξ =1.0

1ξ =0.5

2ξ =0.5

1ξ =0.8

2ξ =0.2

1ξ =1.0

2ξ =0

h3/s 10.000 00 6.970 04 5.525 89 3.467 32h4/s 10.000 00 6.608 65 5.726 98 5.895 41h5/s 10.000 00 7.348 84 6.367 60 5.438 90h6/s 8.447 53 4.687 99 3.977 82 3.452 23h7/s 10.000 00 6.261 50 5.352 56 4.713 01h8/s 2.529 04 2.056 30 2.119 90 3.192 86h9/s 7.360 93 4.876 40 4.818 33 2.834 43h10/s 6.192 91 2.560 78 2.567 57 2.531 27h11/s 0.644 02 0.765 62 0.764 86 0.826 33

82.830 90 48.860 10 42.694 00 36.374 70ih∑ /s

2 543.73 3 486.39 4 610.00 1 1409.20

min f(x) 25.437 3 41.862 0 43.375 2 36.374 7

图 1 6 个关节的 优速度、加速度和二次加速度

优速度 优加速度 优二次加速度 速度约束 加速度约束 二次加速度约束

参数

T 2( )i i iQ h∑ τ /(N·m)

机 械 工 程 学 报 第 46 卷第 9 期期 24

图 2 6 个关节的 优力或力矩

关节 1 关节 2 关节 3 关节 4 关节 5 关节 6 约束

图 3 应用 EGICA 的收敛曲线

4 结论

(1) 将关节空间中的关键点两两之间通过三次

多项式曲线相连产生了机器人的运动轨迹。 (2) 对产生的运动轨迹进行优化时，应用加权系

数法定义了目标函数，综合考虑了整个运动过程中

的动作时间和消耗能量，并且满足运动学和动力学

边界约束条件。 (3) 基于这样的有约束优化问题考虑，提出了基

因环境双演化免疫克隆算法。特别的，针对罚函数

的设计，提出了一种新颖的排序策略来解决约束问

题。这些都更有利于提高搜索效率，寻找全局 优解。

(4) 对斯坦福机器人的仿真结果表明了本文算

法与现有算法相比，能够更快速地搜索到更高质量

的解。 下一步的研究工作是将提出的 优轨迹规划算

法应用于实验室的 FANUC M-6iB 机器人上，并与

机器视觉相结合，使工业机器人的应用更具柔性、

更加高效和节能。

参 考 文 献

[1] CHOI Y K，PARK J H，KIM H S，et al. Optimal

trajectory planning and sliding mode control for robots

using evolution strategy[J]. Robotica，2000，18(8)：

423-428.

[2] LIN C S，CHANG P R，LUH J Y S. Formulation and

optimization of cubic polynomial joint trajectories for

industrial robots[J]. IEEE Trans. Automat. Contr.，1983，

28(12)：1 066-1 074.

[3] 李东洁，邱江艳，尤波. 一种机器人轨迹规划的优化

算法[J]. 电机与控制学报，2009，13(1)：123-127.

LI Dongjie，QIU Jiangyan，YOU Bo. Optimal algorithm

for trajectory planning of the robot[J]. Electric Machines

and Control，2009，13(1)：123-127.

[4] GASPARETTO A ， ZANOTTO V. A technique for

time-jerk optimal planning of robot trajectories[J].

Robotics and Computer-Integrated Manufacturing，2008，

24 (6)：415-426.

[5] SHILLER Z. Time–energy optimal control of articulated

systems with geometric path constraints[J]. Trans. ASME

J. Dynam. Syst. Meas. Control，1996，118：139-143.

[6] SARAMAGO S F P， STEFFEN V J R. Optimization of

the trajectory planning of robot manipulators taking into

account the dynamics of the system[J]. Mech. Mach.

Theory，1998，33(7)：883-894.

[7] SARAMAGO S F P ， STEFFEN V J R. Optimal

trajectory planning of robot manipulators in the presence

of moving obstacles[J]. Mech. Mach. Theory，2000，

35(8)：1 079-1 094.

[8] CHETTIBI T，LEHTIHET H E，HADDAD M，et al.

Minimum cost trajectory planning for industrial

robots[J]. European Journal of Mechanics A/Solids，

2004，23(3)：703-715.

[9] LUO X，FAN X P，ZHANG H，et al. Integrated

optimization of trajectory planning for robot

manipulators based on intensified evolutionary

programming[C]//Proc. International Conference on

Robotics and Biomimetics， Shenyang，China. Los

Angeles：IEEE，2004：546-551.

[10] PIAZZI A，VISIOLI A. Global minimum-time trajectory

月 2010 年 5 月 徐海黎等：工业机器人的 优时间与 优能量轨迹规划 25

planning of mechanical manipulators using interval

analysis[J]. Int. J. Control，1998，71(4)：631-652.

[11] RUNARSSON T P，YAO X. Stochastic ranking for

constrained evolutionary optimization[J]. IEEE Transac-

tions on Evolutionary Computation，2000，4(9)：284-294.

[12] PARL R P. Robot manipulators ： Mathematics ，

programming，and control[M]. Cambridge，MA：MIT

Press，1981.

作者简介：徐海黎，女，1973 年出生，博士研究生。主要研究方向为机

器人技术及应用。

E-mail： hillaryxu@163.com

解祥荣，女，1986 年出生。主要研究方向为机器人技术及应用。

E-mail：xiexiangrong12@163.com

庄健(通信作者)，男，1974 年出生，博士，副教授。主要研究方向为机

器人技术及应用。

E-mail：zhuangjian@mail.xjtu.edu.cn 王孙安，男，1957 年出生，博士，教授，博士研究生导师。主要研究方

向为机器人技术与应用。

E-mail：sawang@mail.xjtu.edu.cn

2011 年 IEEE 世界机器人与自动化大会(ICRA2011)征文通知

2011 年 IEEE 世界机器人与自动化大会(2011 IEEE International Conference on Robotics and Automation)将于 2011 年 5 月 9

日至 13 日在中国上海国际会议中心和浦东香格里拉大酒店举行。大会网址：http://www.ICRA2011.org。 IEEE 世界机器人与自动化大会是由 IEEE 机器人与自动化学会主办的年会，是机器人与自动化学界享有盛誉、历史 悠

久的国际学术会议，参加者包括来自世界各国/各地区科研院所、工业界、政府的机器人与自动化技术专家、学者，随着机

器人技术的迅速发展，越来越多的专家学者投入到机器人与自动化技术的研究中，近几届会议的每届参会人数约 1 500 人。 2011 年 IEEE 世界机器人与自动化大会(ICRA2011)是第 28 届年会，在 2004 年 4 月于美国新奥尔良举办的 2004 年大会

上，我国申办 2011 年大会获得成功，ICRA 年会将于 2011 年首次在中国大陆举办。本届大会的主题是“机器人，让生活更

美好”，反映机器人技术与人类生活息息相关，创造美好新生活。本届大会是世界机器人与自动化专家在中国大陆的第一次

大聚会，将为学术界、工业界的专家学者提供一个广泛的交流平台，共商机器人与自动化技术的挑战、解决方案及未来的发

展方向。 按照历届大会的惯例，ICRA2011 将邀请 3～6 位世界著名的机器人与自动化专家作大会主题报告，同时将举办近 200

场次的专题研讨会。会议欢迎各国、各地区学者就机器人与自动化的理论、技术及其在各领域的应用提交原创性论文。 论文(报告/张贴)

作者应通过网上提交PDF格式的论文，论文必须以ICRA标准格式编辑，包括图在内论文长度一般为6页， 长可以到8页。关于论文格式和投稿的详情请查询大会网页。 特邀研讨会

特邀研讨会面向新型、热点研究方向或创新性应用，每个研讨会包含4～6篇研究论文，相关论文也须经过正常的评审过

程。有意的组织者须提交一份研讨会组织申请书及所涵盖论文的摘要信息。 录像短片

录像短片研讨会征求展现机器人与自动化技术创新成果的录像短片，每个录像短片长度为1.5～3.0 min，录像短片的投

稿须按照大会网站的相关要求。 专题研讨会

专题研讨会可以是半天或一天时间，有意的组织者可以根据大会网站的相关要求提交申请书，申请书内容应包括：目的、

目标听众、主讲人简介及研讨论题。 展览

会议期间在会场将开辟专门场所开办展览，有意向的参展商可以通过大会网站了解相关信息。 重要日期

2010年9月15日：论文全文、录像短片及特邀研讨会论文投稿截稿 2011年1月7日：论文/录像短片接受情况公告 2011年2月8日：论文、张贴论文及录像短片终稿截稿

大会秘书处：secretariat@icra2011.org