利用人工示教等传统方法控制机械臂动作,存在着过程繁琐、成本高、效率低等许多不足,已不能满足如今工业制造领域的要求。为提高机械臂的智能化程度和易用性,同时保证机械臂可以安全平稳的工作,其运动规划和路径优化问题成为了近年来的研究重点。机械臂运动规划常用于解决机械臂在其关节空间自主避障的问题。针对其规划维度高的特点,基于采样的运动规划方法不需要对关节空间进行显式描述,而是利用碰撞检测判断障碍物信息,从而能有效探索高维关节空间连通性,是解决机械臂运动规划问题的重要手段。但在面对复杂工况下的作业任务时,不仅要满足避碰等约束,还需要确保规划器的运算效率以及路径质量。为此本文提出了一种结合高斯混合模型的自适应采样策略和碰撞检测器,以提高基于采样的运动规划算法的运算效率;随后利用交互式路径渐近最优算法以除去冗余运动并收敛到长度最短路径;再将其作为初始轨迹,利用随机轨迹平滑算法得到同时满足避碰、关节角约束的连续平滑轨迹,其中基于高斯混合模型估计障碍代价函数,取代了对欧几里得距离的复杂计算;最后在仿真和实际实验中对算法进行验证。具体研究内容如下:首先,分析了基于采样的运动规划算法的基本原理,其中采样和碰撞检测模块是制约算法规划效率的主要瓶颈,本文将从这两方面入手对算法做出改进。一方面,提出一种自适应采样策略,针对不同工作场景,结合方差可调节的高斯方法获取样本集,训练拟合目标区域的高斯混合模型,并由该模型引导采样,通过缩小采样范围来缩短规划时间;另一方面,针对AABB包围盒等传统碰撞检测方法计算复杂的问题,通过训练拟合高维关节空间中障碍区域的高斯混合模型,计算采样点属于该模型的概率大小,从而快速判断机械臂在此构型下是否会与环境发生碰撞,以提高碰撞检测模块的计算效率。其次,针对基于采样的运动规划算法得到的路径质量差的问题,对路径优化方法进行了研究。为得到一条尽可能短的无碰撞路径,设计了一种交互式路径渐近最优算法,从微观和宏观两个方面对路径进行优化,一方面,除去不必要的动作以简化路径,并减少抖动;另一方面,以路径长度为优化指标,通过生成一条新的组合了多路径最优段的融合路径,解决了每次规划的路径一致性差且不最优的问题,弥补了算法随机性的不足。为保证机械臂安全平稳的运行,利用随机轨迹平滑算法,制定多元约束的代价函数,并基于高斯混合模型估计障碍代价,然后通过最大化期望估计更新轨迹,使其向着代价更低的方向迭代。并通过仿真验证上述方法的有效性。最后,基于ROS系统以UR5机器臂为操作对象进行实验。首先,搭建机器人仿真和实验平台,并利用RealSense深度相机获取图像信息。通过实际实验对以上运动规划算法和路径优化方法进行进一步验证:将基于高斯混合模型的采样策略和碰撞检测方法分别应用在基于采样的运动规划算法中,从而使得UR5机械臂完成不同的运动规划任务,进一步验证该算法对规划效率提高的有效性,同时也验证在不同运动规划任务中该优化算法对路径路径质量提高的有效性。