人工势场法

概述

人工势场法（Artificial Potential Field, APF）是由 Oussama Khatib 于 1986 年提出的一种机器人实时避障与运动规划方法。该方法将目标点建模为产生引力的势场源，将障碍物建模为产生斥力的势场源，机器人通过计算合势场的负梯度来确定运动方向。APF 的核心优势在于其极低的计算复杂度，使其成为早期唯一能实现毫秒级实时控制的避障方案，并成功统一了运动规划与底层控制两个环节。尽管存在局部极小值等理论缺陷，它仍是反应式机器人学的基石，并深刻影响了后续的导航函数、群体机器人及深度强化学习策略的发展。

关键内容

1. 核心数学模型

人工势场法构建了一个定义在机器人构型空间 $q$ 上的标量势场函数 $U(q)$，由引力势场 $U_{att}$ 和斥力势场 $U_{rep}$ 叠加而成： $$U(q) = U_{att}(q) + U_{rep}(q)$$ 其中，引力势场通常采用二次函数形式 $U_{att}(q) = \frac{1}{2} k_{att} | q - q_{goal} |^2$，确保机器人始终受到指向目标的拉力，且距离越远拉力越大。斥力势场则采用分段函数，仅在机器人进入障碍物影响半径 $\rho_0$ 内时生效，形式为 $U_{rep}(q) = \frac{1}{2} k_{rep} (\frac{1}{\rho(q)} - \frac{1}{\rho_0})^2$，当机器人趋近障碍物表面时斥力趋于无穷大，形成“无形墙壁”。

机器人的运动遵循负梯度规则，即合力 $F(q) = -\nabla U(q)$。这一机制将复杂的几何路径搜索问题转化为简单的力学计算问题。在每个控制周期，系统只需计算当前构型下的引力向量和各障碍物的斥力向量之和，即可生成运动指令。

2. 操作空间控制的统一

Khatib 的创新不仅在于势场本身，更在于将其与操作空间（Operational Space）控制理论相结合。传统方法往往在关节空间进行控制，而势场自然定义在笛卡尔空间（末端执行器工作空间）。通过雅可比矩阵转置 $J^T(q)$，势场产生的虚拟力 $F$ 可直接映射为关节力矩 $\tau = J^T(q) F$。这种映射使得高层的避障规划与底层的动力学控制无缝融合，消除了传统“规划 - 执行”架构中的接口摩擦，实现了真正的实时响应。此外，该方法可扩展至机械臂的所有连杆，通过对连杆上关键点施加斥力，实现整体防碰撞保护。

3. 局限性与理论缺陷

尽管 APF 计算高效，但其最著名的缺陷是局部极小值（Local Minima）问题。当引力与斥力在非目标点达到平衡（例如机器人陷入 U 形障碍物底部）时，合力为零，机器人将停滞不前。此外，还存在目标不可达问题（GNRON），即当目标紧邻障碍物时，巨大的斥力可能阻止机器人精确到达目标；以及在狭窄通道中因斥力叠加导致无法通过的问题。由于缺乏完备性保证（即不能保证在有解时一定找到解），APF 在现代复杂全局规划中常作为局部规划器使用，或与全局采样方法（如 RRT、PRM）结合。

4. 历史地位与现代演变

APF 与 Rodney Brooks 同年提出的包容体系结构共同开启了反应式机器人学时代，证明了智能行为可无需完整世界模型而直接由感知驱动。为解决局部极小值问题，后续研究提出了导航函数（Navigation Functions），通过构造满足特定拓扑条件的势场来保证全局收敛。在现代应用中，APF 的思想被广泛继承：在多机器人系统中演化为“社会势场”用于编队保持；在行人动力学中发展为“社会力模型”；甚至在深度强化学习中，训练好的价值函数在行为上等价于一个隐式的 Learned Potential Field。对于计算资源受限的无人机避障，APF 依然是首选方案之一。

来源

raw/books/机器人学/07-khatib-artificial-potential-field.md