运动规划是机械臂研究中的重要组成部分,基于快速扩展随机树（RRT）的规划算法常用于在机械臂的位形空间中进行路径规划。这些算法大部分具有随机性,并且其规划的路径需要额外的时间来进行优化。针对这一问题,本文提出了一种改进的固定节点数快速扩展随机树星（RRT*FN）算法,其可以在规划较优路径的同时节省规划时间。同时,大多数情况下机械臂的运动规划只面对于某一特定任务,并当给予机械臂新的任务时则需要重新规划运动轨迹。为此,本文将改进的RRT*FN算法规划的轨迹作为演示轨迹,并使用动态运动基元算法对其进行学习,以此实现运动轨迹的泛化。论文主要工作如下:（1）本文以UR5机械臂为研究对象。首先对UR5机械臂进行了运动学分析,通过改进的DH参数法计算UR5机械臂的正运动学,使用几何法计算UR5机械臂的逆运动学,并分析了UR5机械臂的奇异性。（2）针对大部分基于快速扩展随机树的规划算法具有随机性,以及需要额外时间对其规划的路径进行优化的问题,本文提出了一种改进的RRT*FN算法。通过使用启发式的采样方法,即结合超椭球子集区域和先前得到的路径信息,该算法能够更有目的性地进行采样。该算法采用改进的节点删除方法,即为采样区域内与采样区域外的叶子节点赋予不同的权重。因此该算法可以保留更有价值的叶子节点信息,在加快了运行速度的同时保留了优化特性。此外,在节点采样的过程中,本文使用层次包围盒和扫掠与修剪算法解决机械臂的碰撞检测问题。通过使用改进算法在机械臂的位形空间中规划出路径后,结合路径时间参数化方法可以使得规划出的路径具有速度信息,以此能够在真实的机械臂上执行运动轨迹。（3）针对大多数机械臂的运动只是面向某一特定任务进行规划的问题,本文将改进的RRT*FN算法规划的轨迹作为演示轨迹,并使用基于生物启发的动态运动基元算法对其进行学习。当改变机械臂的任务时,可以通过动态运动基元算法的泛化性能生成一条与演示轨迹相似并满足任务的运动轨迹,以此提高了机械臂在各种任务中的适用性。