智能制造时代下,无人化成为了工业生产自动化中的重要环节。实际工业生产过程中,工业机器人主要以臂型机器人参与生产,其操作方式主要有示教器示教和拖动示教,这两种操作方式过程繁琐、人工依赖程度高,为机械臂的应用与推广带来了一定阻碍。就机械臂应用而言,其工作环境已由传统工业生产向其它领域扩展,如医疗,海洋搜索和复杂环境救援等,这对机械臂的灵活性、适应性和交互性有着更高的要求,因而,从算法控制层对机械臂运动规划问题进行研究、处理具有十分重要的意义。近年来,基于采样的运动规划算法已广泛应用于机械臂运动规划中,该类算法采用随机采样策略,解决了传统规划问题求解时的计算量爆炸难题,为机械臂规划问题提供了更为高效的求解方式。在处理机械臂带约束运动规划问题时,直接应用采样规划算法却又往往会出现一些问题,如采样位形点难以满足约束条件、求解所得路径不连续等。为了使机械臂带约束运动规划时满足路径连续性和约束性条件,本论文提出渐进式约束扩展的快速搜索随机树算法(Progressive Constraint Extension-Rapidly Exploring Random Trees,PCE-RRT)和渐进式约束扩展的双向快速搜索随机树算法(Progressive Constraint Extension-BiDirection Rapidly Exploring Random Trees,PCE-BiRRT)。其中,PCE-RRT算法通过任务空间采样引导策略和渐进式约束扩展策略,使生成的搜索树可以很好地贴合于约束流形空间表面,令求解所得路径满足任务约束条件,且搜索树中任意两相连节点均可满足连续性条件;PCE-BiRRT算法针对PCE-RRT算法进行搜索树扩展时耗时较为严重这一问题,引入双向树扩展策略,同时对搜索树连接时出现的连接范围问题和扩展停滞问题进行了处理,也得到了很好的规划结果。这两种算法在进行搜索树扩展时,都采用渐进式约束扩展策略,该策略借助任务空间对位形空间的逆运动学求解引导,可在保证任务约束的情况下,迭代缩短搜索树中最近点和待扩展点在约束流形空间的距离,使每次扩展都能够保证搜索树的约束性和连续性。基于ROS机器人操作系统和OMPL运动规划库,本论文对提出的PCE-RRT算法和PCE-BiRRT算法进行了算法验证实验与对比分析实验,实验结果表明PCE-RRT算法和PCE-BiRRT算法可在同时满足任务约束和路径连续的条件下,为机械臂带约束运动规划问题提供优异的可行路径解。