逆运动学中的奇点规避：经典方法与学习方法的统一处理
机器人学
2026-04-16 v1
摘要
奇点配置会导致任务空间运动性丧失、关节速度无界以及求解器发散，因而在串联机械臂的逆运动学（IK）中具有挑战性。目前尚无综述将经典奇点鲁棒 IK 方法与快速发展的学习方法桥接起来。我们提供一个涵盖 Jacobian 正则化、Riemann 流形操作性跟踪、受约束优化以及现代数据驱动方法的统一处理框架。我们提出系统分类法，按保留的几何结构和鲁棒性保证（形式 vs. 经验）进行划分。我们通过提出基准测试方案并呈现实验结果来解决评估空白：在位置-only IK 下，对 Franka Panda 上的 12 个 IK 求解器进行评估，涉及四个互补面板：衡量条件数下的误差退化、速度放大、越域鲁棒性和计算成本。结果表明，纯学习方法即使在良好条件的目标上也会失败（MLP: 0% 成功率，约10 mm 平均误差），而混合 warm-start 架构 - IKFlow（59% 到 100%）、CycleIK（0% 到 98.6%）、GGIK（0% 到 100%） - 通过经典细化拯救了学习求解器，DLS 能从初始误差高达 207 mm 收敛。更深入的奇点 regime 评估被确定为 immediate future work。
引用
@article{arxiv.2604.13405,
title = {Singularity Avoidance in Inverse Kinematics: A Unified Treatment of Classical and Learning-based Methods},
author = {Vishnu Rudrasamudram and Hariharasudan Malaichamee},
journal= {arXiv preprint arXiv:2604.13405},
year = {2026}
}