源自：自動化學報? ? ??

作者：王耀南 江一鳴 姜嬌 張輝 譚浩然 彭偉星 吳昊天? 曾凱

摘 要

智能機器人在服務(wù)國家重大需求, 引領(lǐng)國民經(jīng)濟發(fā)展和保障國防安全中起到重要作用, 被譽為“制造業(yè)皇冠頂端的明珠”. 隨著新一輪工業(yè)革命的到來, 世界主要工業(yè)國家都開始加快機器人技術(shù)的戰(zhàn)略部署. 而智能機器人作為智能制造的重要載體, 在深入實施制造強國戰(zhàn)略, 推動制造業(yè)的高端化、智能化、綠色化過程中將發(fā)揮重要作用. 本文從智能機器人的感知與控制等關(guān)鍵技術(shù)的視角出發(fā), 重點闡述了機器人的三維環(huán)境感知、點云配準、位姿估計、任務(wù)規(guī)劃、多機協(xié)同、柔順控制、視覺伺服等共性關(guān)鍵技術(shù)的國內(nèi)外發(fā)展現(xiàn)狀. 然后, 以復(fù)雜曲面機器人三維測量、復(fù)雜部件機器人打磨、機器人力控智裝配等機器人智能制造系統(tǒng)為例, 闡述了機器人的智能制造的應(yīng)用關(guān)鍵技術(shù), 并介紹了工程機械智能化無人工廠、無菌化機器人制藥生產(chǎn)線等典型案例. 最后探討了智能制造機器人的發(fā)展趨勢和所面臨的挑戰(zhàn).

關(guān)鍵詞

機器人??智能制造? 視覺感知? 智能控制 系統(tǒng)應(yīng)用 信息物理系統(tǒng)

近年來, 智能機器人作為國民經(jīng)濟與社會發(fā)展的基礎(chǔ)性與戰(zhàn)略性產(chǎn)品, 在服務(wù)國家航空航天、軌道交通、海洋艦船、工程機械制造等領(lǐng)域重大需求, 引領(lǐng)國民經(jīng)濟發(fā)展和保障國防安全中起到重要作用, 被譽為“制造業(yè)皇冠頂端的明珠”. 隨著新一輪工業(yè)革命的到來以及人工智能、云計算、物聯(lián)網(wǎng)等技術(shù)快速發(fā)展, 機器人技術(shù)受到美國、歐盟等世界發(fā)達國家的高度重視, 同時世界主要工業(yè)國家都開始加快機器人部署的步伐. 2013年, 德國率先提出“工業(yè)4.0”, 旨在推動工業(yè)現(xiàn)代化和數(shù)字化轉(zhuǎn)型, 在新一輪工業(yè)革命中占領(lǐng)先機; 2017年, 美國推出“國家機器人計劃2.0”, 強調(diào)機器人可擴展性, 通過多機器人協(xié)作實現(xiàn)復(fù)雜環(huán)境下分布式的感知、規(guī)劃、行動和學習, 提升機器人的作業(yè)范圍. 2020年美國發(fā)布的“機器人發(fā)展路線圖”以及2021年發(fā)布的“無盡前沿法案”, 均將機器人與先進制造技術(shù)列為發(fā)展重點; 而歐盟早在其“火花計劃”、“地平線2020”等計劃, 以及日本發(fā)布的“機器人新戰(zhàn)略”, 都著重強調(diào)了機器人的作業(yè)能力; 此外, 我國的“智能制造2025”等, 也明確了機器人在推動制造業(yè)智能化轉(zhuǎn)型升級中將發(fā)揮重要作用[1-3].

機器人感知與控制是實現(xiàn)機器人智能化作業(yè)的關(guān)鍵核心技術(shù). 機器人需要感知周圍環(huán)境和識別作業(yè)對象, 從二維到多維信息的感知和融合, 實現(xiàn)快速、精準的環(huán)境感知和目標識別, 充當機器人系統(tǒng)“眼睛”. 感知環(huán)境之后, 結(jié)合智能規(guī)劃決策和自適應(yīng)控制等方法, 像“大腦”一樣為機器人系統(tǒng)提供最恰當?shù)目刂泼? 以使得機器人做出相應(yīng)的動作和反應(yīng). 近年來, 隨著深度學習, 大數(shù)據(jù), 智能控制等技術(shù)的快速發(fā)展, 機器人的智能感知與自主作業(yè)的水平也在迅速提升. 如DeepMind開發(fā)的AlphaGo, 可以讓機器人在不斷的游戲中自我學習與提高, 從而實現(xiàn)更加智能的決策與控制; 特斯拉的人形機器人, 其搭載了激光雷達、攝像頭、超聲波傳感器等, 用于感知周圍環(huán)境和避開障礙物, 還配備了一個自主學習系統(tǒng), 可以不斷學習和改進自己的行為和決策, 從而更好地適應(yīng)不同的任務(wù)和場景; 波士頓動力的Spot機器狗, 可以與人類進行互動, 如識別和追蹤人類, 并在人類的指示下執(zhí)行指定任務(wù)如檢查和搬運物體.

當前, 云計算、物聯(lián)網(wǎng)和大數(shù)據(jù)等新興信息通信技術(shù)快速發(fā)展, 為機器人的高端制造應(yīng)用提供了新的思路和發(fā)展契機, 數(shù)字化、網(wǎng)絡(luò)化、智能化融合創(chuàng)新引領(lǐng)未來工業(yè)發(fā)展已取得廣泛共識. 我國在《十四五規(guī)劃和2035年遠景目標綱要》 也明確提出要“加快推進制造強國、質(zhì)量強國建設(shè), 深入實施智能制造和綠色制造工程, 發(fā)展服務(wù)型制造新模式, 推動制造業(yè)高端化智能化綠色化”. 而傳統(tǒng)的人工以及專機加工, 加工質(zhì)量一致性差、效率低且只能實現(xiàn)小批量生產(chǎn), 已無法滿足智能制造需求. 區(qū)別于傳統(tǒng)工業(yè)機器人簡單、重復(fù)性勞動, 高端制造機器人是更信息化、網(wǎng)絡(luò)化、智能化、柔性化的機器人[4]. 在智能工廠中, 機器人的作業(yè)環(huán)境日益非結(jié)構(gòu)化, 作業(yè)工序趨于柔性化, 作業(yè)對象日趨定制化, 生產(chǎn)的動態(tài)性對機器人的環(huán)境感知與控制技術(shù)提出了越來越高的要求. 在未來的智能工廠中, 變批量、多品種、定制化、高柔性的生產(chǎn)模式將成為主流, 機器人也將得到更加廣泛的應(yīng)用, 機器人感知與控制技術(shù)為智能工廠的高適應(yīng)、高精度、智能化作業(yè)提供保障.

1.?? 智能制造機器人共性關(guān)鍵技術(shù)

1.1? ?機器人感知關(guān)鍵技術(shù)

視覺感知是機器人系統(tǒng)的重要組成部分, 在復(fù)雜的三維工業(yè)場景中利用視覺傳感器獲取周圍環(huán)境的真實空間信息, 并進行預(yù)處理、配準融合以及空間場景表面生成等過程, 實現(xiàn)對外界環(huán)境真實的刻畫及數(shù)字模型的重建, 為機器人在工業(yè)制造中提供豐富的二維和三維信息. 智能制造機器人通過視覺等感知系統(tǒng), 具備了實時觀察作業(yè)場景的能力, 可以極大地增強其智能化程度, 如圖1所示. 本節(jié)將對雙目三維環(huán)境感知、3D點云配準、位姿估計等技術(shù)進行介紹.

?1.1.1?? ?三維環(huán)境感知

三維環(huán)境感知是計算機視覺領(lǐng)域的核心, 它通過模擬人類雙眼視覺系統(tǒng)的觀測原理, 利用雙目相機對獲取圖像進行立體匹配得到圖像中像素點的準確視差, 結(jié)合雙目相機參數(shù)獲取周圍環(huán)境的準確深度信息, 并利用機器學習算法實現(xiàn)場景目標感知識別與定位(圖2). 機器人通過雙目視覺感知系統(tǒng), 具備了實時觀察作業(yè)場景的能力, 極大地增強了其智能化程度, 能夠更加智能地完成復(fù)雜非結(jié)構(gòu)化作業(yè)環(huán)境下的各種加工作業(yè)任務(wù).

雙目立體匹配算法可劃分為匹配代價計算, 匹配代價聚合, 視差計算, 視差優(yōu)化等四個步驟[5]. 匹配代價計算通過找出參考圖像(通常為雙目圖像的左圖像)中待匹配像素與目標圖像(通常為雙目圖像的右圖像)中候選像素的匹配對應(yīng)關(guān)系. 為了提高匹配代價計算方法的魯棒性, 代價匹配函數(shù)[6-7]以像素為中心的局部鄰域窗口為匹配單元, 計算參考圖像與目標圖像中對應(yīng)匹配像素間的相關(guān)性. Martin等[6]提出一種零均值歸一化互相關(guān)代價函數(shù)方法, 可以補償圖像局部增益的變化, 并且可以消除高斯噪聲的影響, 同時保持像素值的空間仿射一致性. Zabih和Woodfill[7]提出了Rank變換, 利用局部區(qū)域像素值的相對次序性統(tǒng)計信息來實現(xiàn)匹配代價計算. 匹配代價聚合[8-10]主要通過對匹配代價空間進行代價聚合來減少錯誤匹配或歧義匹配的像素區(qū)域. 由于單個像素匹配代價的不穩(wěn)定性, 代價聚合往往在代價空間中通過對局部鄰域內(nèi)的匹配代價進行加權(quán)聚合, 來提高立體匹配算法的性能. Tomasi等[8]利用邊緣等特征信息, 采用傳統(tǒng)的雙邊濾波器算法實現(xiàn)代價聚合. Zhang等[11]提出一種基于非規(guī)則局部十字臂區(qū)域的代價聚合算法, 能夠很好地利用場景的結(jié)構(gòu)和輪廓等特征信息, 減少深度不連續(xù)區(qū)域的視差估計誤差. 視差計算通常使用WTA (Winner take all)策略選取最佳匹配視差, 但是直接使用WTA方法來計算視差可能會導(dǎo)致視差估計誤差大. 因此, 為了獲得準確的視差估計結(jié)果, 視差計算通?？梢赞D(zhuǎn)化為能量最小化與優(yōu)化問題, 通過構(gòu)造能量函數(shù), 求取能量函數(shù)的最小化來確定最優(yōu)視差, 如基于圖割[12]的視差優(yōu)化方法、基于置信度傳播[13]的視差優(yōu)化方法、基于動態(tài)規(guī)劃[14]的視差優(yōu)化方法和基于隨機行走[15]的視差優(yōu)化方法. 視差優(yōu)化是雙目立體匹配算法的后處理步驟, 來進一步優(yōu)化細化預(yù)測視差圖的誤差. 常用視差后處理算法主要包括基于分割[16]算法和基于置信度度量[17-19]算法. 基于分割的視差后處理方法通過利用雙目圖像的邊緣和輪廓等圖像細節(jié)特征信息, 來引導(dǎo)視差優(yōu)化算法細化視差估計錯誤, 進一步提高雙目立體匹配方法的性能. 如Yan等[20]提出一種基于超像素分割的視差優(yōu)化算法來解決雙目立體匹配遮擋的問題. 該方法利于超像素分割算法來提取圖像的邊緣和輪廓特征信息, 并結(jié)合超像素分割圖預(yù)測出粗糙的視差結(jié)果, 利用馬爾科夫隨機場在粗糙視差圖的3D鄰域空間中檢測并優(yōu)化遮擋目標的匹配視差. 場景目標感知算法主要利用機器學習算法實現(xiàn)場景目標感知識別、檢測與定位. 如Yang等提出一種基于深度學習的單階段目標檢測網(wǎng)絡(luò)模型, 通過建立一種目標預(yù)測解耦檢測新范式, 來合理推斷不同目標的最合適位置, 實現(xiàn)目標識別與定位[21]. Wang等提出一種新型邊緣保持和多尺度上下文神經(jīng)網(wǎng)絡(luò), 高效生成具有尖銳對象邊界的顯著性特征圖, 實現(xiàn)高精度目標檢測, 解決傳統(tǒng)基于像素的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network, CNN)方法由于卷積層和池化層而產(chǎn)生的模糊邊界問題[22].

裝備雙目視覺感知系統(tǒng)的機器人可以作為智能制造自動化生產(chǎn)線中的生產(chǎn)作業(yè)單元, 承擔產(chǎn)品、元件和零部件等目標物體的測量、檢測、識別與引導(dǎo)加工等作業(yè)任務(wù). 根據(jù)機器人雙目視覺感知系統(tǒng)的應(yīng)用場景, 可將其劃分為識別、檢測、測量與定位等四個方面的應(yīng)用場景: 1)基于雙目視覺的識別功能[23]是指識別目標物體的物理特征, 包括形狀、顏色、字符、條形碼等, 其準確性和識別速度是衡量的重要指標, 廣泛應(yīng)用于機器人自動化產(chǎn)品識別、分類與分揀中. 2)雙目視覺檢測系統(tǒng)[24]具有非接觸、高效、低成本、自動化程度高等優(yōu)點. 基于雙目視覺的機器人自動化檢測能夠替代傳統(tǒng)的人工檢測, 解放人工, 去除人工抽檢帶來的低效、誤檢與漏檢等問題. 3)通過基于雙目視覺的精密測量系統(tǒng)[25], 機器人可以獲得加工作業(yè)對象的形狀、位置、尺寸和方向等作業(yè)信息, 比如打磨、焊接、銑邊等加工目標的余量測量, 然后進一步在視覺的引導(dǎo)下進行加工作業(yè). 4)基于雙目視覺定位的機器人作業(yè)[26]是指通過雙目視覺獲取目標物體的坐標和角度信息, 自動判斷物體的位置, 來進一步引導(dǎo)機器人抓取、搬運、焊接與裝配等.

?1.1.2?? ?3D點云配準技術(shù)

3D點云配準在工業(yè)場景具有重要應(yīng)用, 通過求解出同一坐標下不同姿態(tài)點云的變換矩陣, 利用該矩陣實現(xiàn)多視點掃描點云的精確配準, 最終獲取完整的3D數(shù)字模型, 在三維測量、逆向工程、即時定位與建圖等領(lǐng)域有諸多應(yīng)用.

最近點迭代(Iterative closest point, ICP)及其強化方法是最常用的配準比對策略[27]. 利用點對點距離構(gòu)造目標函數(shù), 通過距離函數(shù)極小化方法匹配兩個點云數(shù)據(jù)集. 然而, 如果初始姿態(tài)較差, 該方法容易陷入局部極小值, 或收斂困難[28]. 為了提高算法的魯棒性, 一些方法在數(shù)據(jù)配準比對的代價函數(shù)中引入三維位置和旋轉(zhuǎn)參數(shù)的估計值以提高誤差測量精度, 例如定義迭代靈敏度指標來評估數(shù)據(jù)的配準結(jié)果, 進一步優(yōu)化掃描數(shù)據(jù)點云迭代的最終位姿[29]. 或引入數(shù)據(jù)點物理質(zhì)量, 將三維掃描點云與設(shè)計模型數(shù)據(jù)的配準比對過程轉(zhuǎn)換為在重力場內(nèi)的多數(shù)據(jù)點受引力牽引運動模型, 并定義三維掃描點云的引力勢能函數(shù)作為優(yōu)化函數(shù)來計算點云最終位姿[30], 或應(yīng)用不同的統(tǒng)計數(shù)據(jù)方法來分離三維測量數(shù)據(jù)中的異常值, 降低干擾、噪聲數(shù)據(jù)的配準權(quán)重, 減小其對配準結(jié)果的影響. 例如trimmed-icp采用了最小限制二乘方法(Least trimmed squares, LTS). LTS方法是對掃描數(shù)據(jù)和模型數(shù)據(jù)每組匹配對應(yīng)數(shù)據(jù)點對的殘差做一個升值排序, 只截取排序前端一定比例的匹配點, 對輸入擬合誤差函數(shù)迭代求解變換矩陣TT[31]. 還有方法[32]建立點云配準的引力模型, 該方法中配準點對在配準誤差函數(shù)中的權(quán)重與配準點對之間絕對距離的平方成反比. 此外, 還有一些算法通過重構(gòu)點云數(shù)據(jù)配準的目標函數(shù)來增強算法的效果, 如點面距離最小化[33]、點切線距離最小化(Tangent distance minimisation, TDM)[34]、平方距離最小化[35]和方差最小化(Variance minimization, VM)[36]. 另一些研究考慮結(jié)合上述方法以提高算法配準測量效果, 例如VMSM配準方法把TDM和VM相結(jié)合, 利用TDM的切點距離進一步提升VM算法的點云數(shù)據(jù)配準效果[37]. 基于特征和幾何信息的方法也能夠提高基礎(chǔ)點云數(shù)據(jù)配準算法的收斂速度和穩(wěn)定性, 如關(guān)鍵點搜索、幾何約束設(shè)置和數(shù)據(jù)點權(quán)值分配等方法[38]. 在確定了配準的誤差函數(shù)后, 設(shè)計模型數(shù)據(jù)與三維掃描數(shù)據(jù)的配準測量可以看作非線性最小二乘問題求解. 同時考慮到優(yōu)化算法可能陷入局部最小值的問題, 可以加入模擬退火算法[39]、蟻群算法[40]、粒子群算法[41]等隨機搜索算法避免計算陷入局部最優(yōu).

上述3D點云配準解決方案存在容易陷入局部最優(yōu)、收斂困難等問題, 為提升對噪聲、遮擋、低分辨率點云圖像配準的魯棒性, 近期有學者通過深度網(wǎng)絡(luò)來獲取三維特征描述子, 以提升關(guān)鍵點的識別能力. 通過3DMatch[42]在體素網(wǎng)格上執(zhí)行Siamese 3D CNN, 從符號距離函數(shù)上下文中提取局部特征描述子. 雖然文獻[43]提出平滑體素網(wǎng)格密度后作為輸入, 但體素化仍然會由于稀疏和非結(jié)構(gòu)化數(shù)據(jù)造成質(zhì)量損失. 因此, 文獻[44-45]使用PointNet[46]學習逐點特征. 有學者[47]通過稀疏卷積[48]達到了與最先進的學習描述符相當?shù)男阅?

?1.1.3??? 位姿估計技術(shù)

機器人在智能工廠中準確完成上料、裝配、分揀、搬運任務(wù), 必須利用視覺系統(tǒng)從作業(yè)場景中檢測出目標物體并預(yù)測其三維位姿[49]. 早期位姿估計算法主要包括模板匹配和特征點檢測[50], 前者預(yù)先構(gòu)建目標物體各個視角位姿模板庫, 在線檢測時檢索得到最相似模板圖像對應(yīng)的位姿, 后者通過提取目標二維圖像特征, 構(gòu)建表征性強的2D-3D關(guān)鍵點匹配點對, 然后使用N點透視(Perspective-n-Points, PnP) 方法解算出物體位姿[51]. 早期方法由于依賴物體表面顏色紋理, 在弱紋理工件物體上的效果不佳, 并且易受作業(yè)場景復(fù)雜環(huán)境、光照不均、遮擋等因素影響. 隨著傳感器技術(shù)發(fā)展, 小型三維相機在機器人視覺領(lǐng)域得到了很好應(yīng)用, 通過引入場景三維幾何信息, 提高了目標位姿估計精度[52]. 具體處理思路包括兩個方面, 一是對原有二維圖像方法結(jié)果通過ICP算法進行迭代優(yōu)化, 二是將早期模板匹配和特征點檢測方法思路擴展至三維圖像空間, 通過構(gòu)建三維特征表征方式進行目標物體位姿估計[53]. 然而, 這些方法需要針對目標物體人工設(shè)計圖像特征提取方式, 過程繁瑣、魯棒性低、泛化性能差, 應(yīng)用場景受到限制. 近年來, 隨著深度學習方法飛速發(fā)展, 以卷積神經(jīng)網(wǎng)絡(luò)為代表的圖像處理算法極大提高了物體位姿估計算法性能[54]. PoseCNN作為深度學習位姿估計算法開創(chuàng)者, 構(gòu)建了一個卷積神經(jīng)網(wǎng)絡(luò)自動提取圖像特征, 采用端到端的方式直接回歸物體三維位姿[55], 如圖3. Kehl等基于現(xiàn)有目標檢測算法框架修改網(wǎng)絡(luò)中的回歸結(jié)構(gòu)以實現(xiàn)位姿估計[56]. Hu等采用了關(guān)鍵點檢測方式, 通過卷積神經(jīng)網(wǎng)絡(luò)預(yù)測目標物體2D關(guān)鍵點, 并通過PnP方法解算位姿[57]. 同時, 針對目標物體弱紋理、場景遮擋嚴重的問題, 基于稠密預(yù)測和投票方式的方法吸引了不少學者研究, 這類方法利用卷積網(wǎng)絡(luò)生成輸入圖像逐像素的位姿預(yù)測, 然后通過投票方式?jīng)Q定最終目標位姿, 其中文獻[58]采用直接投票方式, 網(wǎng)絡(luò)直接輸出稠密的位姿參數(shù), 而文獻[59]采用間接方式, 網(wǎng)絡(luò)輸出稠密的物體關(guān)鍵點信息, 進一步通過PnP方法得到位姿參數(shù). 此外, 為了更有效地利用二三維圖像信息, 文獻[60]提出了一種雙向特征融合結(jié)構(gòu), 將二維彩色紋理特征和三維幾何特征進行了互補, 有效提高了位姿估計性能.

1.2?? ?機器人規(guī)劃關(guān)鍵技術(shù)

在智能工廠中, 機器人安全合理的運動規(guī)劃和任務(wù)分配是實現(xiàn)高效、穩(wěn)定和安全完成復(fù)雜作業(yè)任務(wù)的重要基礎(chǔ). 在執(zhí)行制造任務(wù)時, 考慮到狹小空間以及機器人復(fù)雜多維結(jié)構(gòu), 如圖4所示, 機器人有自主運動規(guī)劃能力, 能夠?qū)崿F(xiàn)避碰規(guī)劃, 滿足由機械結(jié)構(gòu)環(huán)境等帶來的運動限制, 是機器人在智能工廠中運行的必要因素.

?1.2.1?? 機器人移動作業(yè)規(guī)劃

移動機器人協(xié)調(diào)運動規(guī)劃可以考慮將其移動端視為作業(yè)端的附加關(guān)節(jié). 根據(jù)對環(huán)境信息的處理方式, 適用于移動作業(yè)機器人的高維運動規(guī)劃方法主要有人工勢場類方法、隨機采樣類方法、智能優(yōu)化算法等.

1)人工勢場類方法. 該類方法引入了傳統(tǒng)力學中“場”的概念, 機器人在虛擬勢場中沿著復(fù)合場函數(shù)梯度下降的方向運動[61]. 傳統(tǒng)的人工勢場法結(jié)構(gòu)簡單, 易于實現(xiàn)實時控制, 但由于缺乏全局信息, 容易陷入局部最優(yōu)并存在死鎖問題.

2)隨機采樣類方法. 該類方法通過在規(guī)劃空間中隨機采樣, 在采樣點中得到無碰路徑, 代表算法有以快速搜索隨機樹(Rapidly-exploring random trees, RRT)為主的單查詢算法和以概率地圖法(Probabilistic roadmap method, PRM)為主的多查詢算法兩類. RRT算法[62]以路徑規(guī)劃的起點為根節(jié)點, 通過隨機采樣的方式來增加葉子節(jié)點, 并進行快速擴張, 直至目標點出現(xiàn)在樹中. Karaman等[63]在此基礎(chǔ)上引入代價函數(shù), 提出漸進最優(yōu)的RRT*算法. 為提高RRT算法的采樣效率, Lai等[64]提出了一種快速隨機搜索游離樹算法, 實現(xiàn)了基于隨機采樣的增量式多查詢規(guī)劃. PRM算法[65]將規(guī)劃分為建圖階段與查詢階段, 首先對狀態(tài)空間中的采樣點以及其與鄰近點相連形成的邊進行碰撞檢測, 構(gòu)造出一個無碰撞路徑圖, 而后在生成的路徑圖中進行最優(yōu)路徑搜索.

3)智能優(yōu)化方法. 該類方法將移動作業(yè)機器人的路徑規(guī)劃問題轉(zhuǎn)換成有約束條件下的多目標求解問題, 典型的智能優(yōu)化算法包括遺傳算法、蟻群算法、模糊算法與強化學習方法等. Pardi等[66]考慮到移動作業(yè)機器人系統(tǒng)的非完整約束與運動學約束, 將約束受限下的路徑規(guī)劃表述為多目標優(yōu)化問題, 將由作業(yè)單元末端執(zhí)行器表面移動距離、可操作性以及移動單元運行速度構(gòu)成的代價函數(shù)嵌入到RRT*算法中實現(xiàn)任務(wù)空間下的路徑規(guī)劃.

4)作業(yè)端軌跡規(guī)劃. 機器人作業(yè)端一致性運動規(guī)劃屬于十分復(fù)雜的高維規(guī)劃問題, 此外機器人系統(tǒng)作業(yè)端的運動規(guī)劃還需滿足受限空間動態(tài)環(huán)境下的實時避障等需求, 進一步增加了問題的難度. Prianto等[67]將集群機器人作業(yè)端視作構(gòu)型空間維度更高的單移動作業(yè)機器人系統(tǒng), 并提出一種基于策略梯度型強化學習算法SAC (Soft actor-critic)的集群機器人運動規(guī)劃算法. 比薩大學的Bonilla等[68]提出了一種集群機器人作業(yè)端在與環(huán)境以及自身內(nèi)部進行位置/力交互時的運動規(guī)劃與控制集成方法. 該方法設(shè)計了一個非交互式的控制器實現(xiàn)集群機器人的解耦控制, 通過放松幾何約束, 采用一個狹窄的全維邊界層代替低維約束流形來解決受約束的運動規(guī)劃問題. Vannoy等[69]提出了一種實時自適應(yīng)運動規(guī)劃方法, 不僅實現(xiàn)了動態(tài)環(huán)境下單移動作業(yè)機器人的實時運動規(guī)劃, 還適用于集群機器人共享的動態(tài)環(huán)境中每個機器人單元的運動規(guī)劃.

?1.2.2?? ?多機器人協(xié)同運動規(guī)劃

在大規(guī)模制造場景中, 存在任務(wù)工序多、場景復(fù)雜等難點, 單一的機器人無法滿足制造需求, 需要多個機器人共同承擔作業(yè)任務(wù). 多機器人協(xié)同規(guī)劃是制造系統(tǒng)的樞紐, 其性能決定整個制造系統(tǒng)的運行效率. 多機器人協(xié)同規(guī)劃算法可分為集中式規(guī)劃方法、分布式運動規(guī)劃方法以及集群運動規(guī)劃方法.

1)集中式規(guī)劃方法. 在集中式運動規(guī)劃框架中, 中央控制單元為所有機器人移動端規(guī)劃路徑, 實現(xiàn)了移動機器人間的“緊密協(xié)調(diào)和最優(yōu)協(xié)調(diào)”, 規(guī)劃的路徑通常是最優(yōu)的. 當前主流的集中式規(guī)劃方法包括搜索類方法和優(yōu)化類方法等. a)搜索類方法. 該類方法首先單獨為每個機器人規(guī)劃路徑, 然后搜索沖突并進行調(diào)節(jié), 最終產(chǎn)生無沖突路徑. 典型的搜索類方法有M*以及基于沖突的搜索算法等方法. M*算法[70]以A*算法作為底層路徑規(guī)劃器為每個機器人單獨規(guī)劃最優(yōu)路徑, 同時為每個節(jié)點維護碰撞集合和反向傳播集合, 減少了A*算法擴展過程的節(jié)點數(shù). 基于沖突的搜索算法[71]采用兩級算法結(jié)構(gòu), 在上層對當前路徑進行沖突檢測, 對產(chǎn)生沖突的機器人構(gòu)建基于時間位置的約束樹, 實現(xiàn)沖突調(diào)節(jié). b)優(yōu)化類方法. 該類方法的思路是首先利用現(xiàn)有集群機器人全局規(guī)劃器為每個機器人規(guī)劃出初始的離散解, 然后構(gòu)造優(yōu)化函數(shù), 在離散解的基礎(chǔ)上獲得可行軌跡. Park等[72]同樣利用增強的基于沖突的搜索算法獲得初始離散點, 構(gòu)建安全和相對安全廊道作為針對靜態(tài)障礙物和其他動態(tài)智能體的安全性硬約束, 設(shè)計最小化能量的目標函數(shù), 求解目標函數(shù)獲得最終軌跡.

2)分布式運動規(guī)劃方法. 在分布式運動規(guī)劃框架中, 每個機器人根據(jù)自身傳感器采集的信息單獨規(guī)劃自己的路徑和運動, 然后通過互相通信來交換彼此的信息, 因此更適合動態(tài)環(huán)境. 典型的分布式規(guī)劃方法有基于速度障礙的方法(Velocity obstacle, VO)和優(yōu)化類方法等. 基于速度障礙的方法將機器人會與障礙物在未來某一時刻發(fā)生碰撞的速度區(qū)域定義為VO區(qū)域, 通過選擇VO區(qū)域之外的速度作為避障的執(zhí)行速度[73]. MADER[74]利用最小體積基構(gòu)建當前智能體控制點的最小凸多面體, 并且對動態(tài)障礙物或者其他智能體預(yù)測軌跡同樣建立凸多面體, 進而創(chuàng)建一個平面對兩種凸多面體進行分離. 通過將此平面作為安全性硬約束, 建立目標函數(shù)進行求解, 獲得無碰撞的軌跡.

3)集群運動規(guī)劃方法. Paull等針對具有時間期限的任務(wù)和具有工作能力的機器人群提出了一種圖神經(jīng)網(wǎng)絡(luò)架構(gòu)CapAM[75], 經(jīng)過訓練的CapAM模型在幾毫秒即可產(chǎn)生任務(wù)分配決策, 在應(yīng)用中表現(xiàn)出卓越的性能. 在任務(wù)分配調(diào)度方面, 以自動導(dǎo)引車(Automatic guided vehicle, AGV) 物料搬運為例, Hu等[76]針對車間環(huán)境的高動態(tài)性、復(fù)雜性和不確定性提出了一種基于自適應(yīng)深度強化學習的混合規(guī)則AGV實時調(diào)度方法, 以最大限度地減少制造時間和延遲率, 并在現(xiàn)實世界柔性車間中驗證了所提出方法的可行性和有效性. Sabattini等[77]考慮多AGV任務(wù)分配與路徑規(guī)劃, 提出了一種考慮后續(xù)路徑規(guī)劃的同時分配任務(wù)的方法, 解決了以無沖突的方式將一組任務(wù)分配給一組AGV的問題.

針對智能工廠制造過程動態(tài)性強的特點, 采用基于概率采樣的快速搜索方法, 研究可行路徑的快速尋找的路徑規(guī)劃和動態(tài)重規(guī)劃, 實現(xiàn)集群機器人可行路徑的快速尋找, 在作業(yè)時間允許的范圍內(nèi)不斷優(yōu)化和尋找更優(yōu)的路徑, 確保規(guī)劃路徑的可達性和作業(yè)效率, 是解決集群機器人連續(xù)生產(chǎn)作業(yè)過程中實時動態(tài)規(guī)劃的有效方式.

1.3? ?機器人控制關(guān)鍵技術(shù)

在智能工廠中, 機器人的控制性能不僅影響到最終的加工效果, 還影響到加工過程的安全. 高精、高效、高柔性、高穩(wěn)定性的控制策略為工件的安全制造提供了保障(圖4).

?1.3.1?? 機器人精準執(zhí)行控制

精準執(zhí)行是指機器人在作業(yè)過程中能夠保持對于預(yù)設(shè)加工軌跡的高精度跟蹤并且對于各類擾動具有魯棒性, 在保障加工一致性方面具有重要作用.

機器人在進行作業(yè)任務(wù)時, 系統(tǒng)的控制性能不僅和被控對象本身有關(guān), 而且也會受到執(zhí)行回路中執(zhí)行器等部件物理特性的影響. 在帶有執(zhí)行器約束的機器人魯棒控制器設(shè)計方面, 學者們進行了大量研究, 以提高系統(tǒng)的響應(yīng)特性. 如自適應(yīng)學習控制、基于優(yōu)化方法的控制[78]、魯棒控制[79]、滑?？刂?、抗擾動控制、有限時間收斂控制等. 文獻[80]在部分狀態(tài)不可測的情況下, 研究了單輸入單輸出系統(tǒng)的死區(qū)和摩擦補償?shù)膯栴}. 將自適應(yīng)模糊小波神經(jīng)網(wǎng)絡(luò)、遞推反推以及滑模控制結(jié)合起來, 實現(xiàn)了對系統(tǒng)不確定性的逼近、死區(qū)和摩擦參數(shù)的自適應(yīng)補償, 并增強了反饋控制器的抗干擾性能. 文獻[81]針對工業(yè)機器人在未知動態(tài)和外部干擾對位置跟蹤帶來的不利影響, 提出了一種基于死區(qū)補償器的魯棒自適應(yīng)反推遞歸模糊小波神經(jīng)網(wǎng)絡(luò)控制器, 遞歸模糊小波神經(jīng)網(wǎng)絡(luò)用于對系統(tǒng)的未知動力學進行逼近, 自適應(yīng)算法的收斂參數(shù)和死區(qū)的估計參數(shù)由Lyapunov穩(wěn)定性理論和逼近理論進行計算. 文獻[82]考慮了具有非對稱死區(qū)、關(guān)節(jié)動態(tài)摩擦、環(huán)境接觸空間與末端執(zhí)行器之間的動態(tài)摩擦和不確定性的機器人控制問題, 對于死區(qū)的處理, 設(shè)計了基于彈塑性摩擦模型的死區(qū)估計與補償器, 前置在死區(qū)關(guān)節(jié)的輸入環(huán)節(jié)中, 實現(xiàn)對于死區(qū)的補償. 文獻[83]采用函數(shù)逼近技術(shù), 設(shè)計機器人魯棒阻抗控制器, 以解決系統(tǒng)中的不連續(xù)非線性, 使用簡單、計算量小的傅里葉級數(shù)展開或勒讓德多項式進行不確定性估計, 該控制器的優(yōu)點是減少了回歸矩陣的維數(shù). 文獻[84]探索了機器人力跟蹤阻抗控制中觀測器的作用, 將非線性狀態(tài)觀測的思想應(yīng)用于機械手的關(guān)節(jié)速度的估計. 基于該估計的關(guān)節(jié)速度, 開發(fā)了自適應(yīng)徑向基神經(jīng)網(wǎng)絡(luò)阻抗控制器, 用于跟蹤末端執(zhí)行器的期望接觸力和機械手的期望軌跡.

1.3.2?? 機器人柔順力控制

機器人在執(zhí)行加工、打磨等作業(yè)任務(wù)的過程中, 通常需要與外界環(huán)境發(fā)生接觸, 對于接觸型作業(yè)機器人來說, 其本體必須跟外部環(huán)境進行接觸才能完成指定的工作任務(wù). 為了有效提高控制性能和作業(yè)質(zhì)量, 除了要具備高精度的軌跡跟蹤性能, 還要能夠?qū)崿F(xiàn)對力的感知與控制. 機器人柔順控制是完成接觸作業(yè)任務(wù)的有效方法.

1)機器人阻抗控制: 阻抗控制策略由Hogan在1985年首次提出[85]. 主動柔順是把期望的柔順性轉(zhuǎn)換為期望的位置和力信號, 基于接觸時狀態(tài)量的變化(如力、位置等), 研究并建立相關(guān)變量之間的耦合關(guān)系, 從而得出期望的位置和力信號下所需要的控制信號. 對于執(zhí)行接觸作業(yè)的機器人來說, 除了自身的不確定性, 非結(jié)構(gòu)化的環(huán)境也對控制系統(tǒng)帶來不利影響, 阻抗模型參數(shù)的不準確會直接影響系統(tǒng)的動態(tài)響應(yīng)和穩(wěn)態(tài)精度[86]. 文獻[87]利用赫茲彈性接觸理論, 建立了考慮彈性形變的連續(xù)接觸力模型, 分析了實際磨削過程中砂帶與接觸輪的時變剛度等因素, 研究了砂帶在磨拋作業(yè)中的耦合?變形規(guī)律, 通過力跟蹤阻抗控制器, 自動的適應(yīng)和補償砂帶的動態(tài)變化. 文獻[88]將阻抗調(diào)節(jié)技術(shù)應(yīng)用于機器人砂帶磨削控制, 根據(jù)人體磨削實驗數(shù)據(jù), 計算了熟練工人的手臂調(diào)節(jié)阻抗. 然后, 將人的技能封裝為統(tǒng)計學習模型, 通過高斯過程回歸算法從演示數(shù)據(jù)中學習核心參數(shù).

為了建立響應(yīng)好、精度高、收斂快的跟蹤控制系統(tǒng), 使得機器人的運行軌跡能夠準確跟蹤阻抗軌跡. 文獻[89]針對磨拋機器人提出了一種自適應(yīng)框架和基于阻抗控制的迭代學習控制器, 可以拋光包括鈦等硬質(zhì)金屬在內(nèi)的各種材料, 在每次迭代中同時調(diào)整位置和力來調(diào)節(jié)拋光過程. 所提出的控制器可以跟蹤所需的輪廓, 而無需對拋光不同材料所需的力有任何先驗知識. 文獻[90]中, 模糊邏輯被用于風力渦輪機葉片磨拋的控制中, 對葉片的重力進行補償, 同時對阻抗控制器中的關(guān)鍵參數(shù) — 阻尼進行動態(tài)調(diào)節(jié), 以減小力的誤差. 文獻[91]所提出的多方法融合阻抗控制器對環(huán)境的不確定性具有一定的魯棒性, 能夠?qū)崿F(xiàn)期望的接觸力, 同時在不知道環(huán)境精確模型的情況下, 在正交子空間中跟蹤指令位置. 此外, 根據(jù)輸入輸出關(guān)系配置控制律, 以便采用自適應(yīng)控制律, 即使在機械手參數(shù)不確定的情況下, 也能獲得漸近全局穩(wěn)定性.

2)機器人力位混合控制: 為了保證兩個變量的互不影響, 機器人力位混合控制將兩個變量劃分為兩個互補的正交空間, 通過對角矩陣實現(xiàn)了位置和力的“互鎖”[92], 從而實現(xiàn)了力和位置的解耦控制. 力位控制方法的早期研究成果主要是由文獻[93-95]提出并改進, Raibert在此基礎(chǔ)上, 結(jié)合柔順思想和現(xiàn)實的約束總結(jié)歸納出了力位混合控制. 在此系統(tǒng)中, 接觸點上的位置和力可以通過機器人的參數(shù)實時分配到各個獨立的或者集中的控制器中, 控制器則根據(jù)需要實時地調(diào)整結(jié)構(gòu)的切換.

文獻[96]研究了航空葉片磨拋機器人的控制問題. 提出了基于模糊比例積分微分(Proportion integration differentiation, PID) 的力/位置混合控制方法, 建立多源參數(shù)重力補償矩陣, 通過矩陣重組進行參數(shù)識別, 根據(jù)重力補償結(jié)果感知接觸力/扭矩, 設(shè)計了基于模糊PID的力/位置混合控制與力/力矩的融合控制, 削弱加工銳邊現(xiàn)象.

?1.3.3?? ?機器人視覺伺服控制

機器人視覺伺服控制通過視覺誤差產(chǎn)生控制量, 驅(qū)動機器人到達作業(yè)位置, 完成指定作業(yè)任務(wù), 其基本原理如圖5所示. 其中視覺誤差由測量反饋視覺信息與設(shè)定特征向量之間的差值確定, 通過視覺感知設(shè)備成像參數(shù)、成像模型等信息, 將視覺反饋信息轉(zhuǎn)換為與設(shè)定特征向量同類型的測量值. 視覺伺服在視覺反饋結(jié)構(gòu)中可分為三個不同的類別: 1)基于位置的視覺伺服(Position-based visual servoing, PBVS), 其使用視覺特征來估計相機相對于目標的三維(3D)位姿. 2)基于圖像的視覺伺服(Image-based visual servoing, IBVS), 其直接使用圖像特征坐標誤差來確定2D圖像平面上的控制輸入. 3) 混合視覺伺服, 又稱2-1/2D視覺伺服, 其將PBVS與IBVS各自的優(yōu)勢相結(jié)合, 其控制誤差函數(shù)部分在3D笛卡爾空間中計算, 部分在2D圖像空間中計算.

PBVS使用機器人的笛卡爾位置作為反饋, 將機器人引導(dǎo)到所需的空間位置, 可以實現(xiàn)機器人的姿勢調(diào)節(jié)和跟蹤. 文獻[97-98]使用基于位置的視覺伺服實現(xiàn)了機器人對物體的抓取. 文獻[99]中提出了基于位置的視覺伺服的冗余機器人防撞方法. 由于PBVS系統(tǒng)需要手眼標定, 對于標定誤差較為敏感[100].

IBVS將圖像中的幾何特征(如點、線段或直線[101])作為控制器的輸入. 文獻[102]利用基于圖像的視覺伺服, 提出了一種視野約束控制算法, 防止視覺伺服任務(wù)過程中特征點丟失. 文獻[103]將基于圖像的視覺伺服與阻抗控制相結(jié)合, 提出了一種通用的視覺?阻抗控制框架.

混合視覺伺服將IBVS與PBVS相結(jié)合, 因此其控制輸入向量由3-D笛卡爾空間坐標以及2-D圖像空間特征組成[104]. 與IBVS相比, 混合視覺伺服方法可以保證控制律在整個任務(wù)空間中的收斂性. 文獻[105]設(shè)計了一種飛行機械臂的視覺伺服控制框架. Mekonnen等[106]提出一種移動機器人混合視覺伺服控制算法, 利用基于位置的視覺伺服方法進行全局控制, 利用IBVS方法進行局部精細導(dǎo)航控制.

?1.3.4?? ?多機器人協(xié)同控制

隨著多機器人制造應(yīng)用需求的擴大, 多機器人控制成為國內(nèi)外研究的熱點問題. 目前, 設(shè)計多機器人控制器的主要方法包括: 矩陣理論方法、耗散理論、小增益定理、收縮分析和李雅普諾夫函數(shù)方法等[107-108]. 根據(jù)多機器人系統(tǒng)領(lǐng)航者數(shù)量, 多機器人控制可分為無領(lǐng)航者、單一領(lǐng)航者和多領(lǐng)航者方法. Sun等將交叉耦合概念引入多機器人搬運控制[109], 構(gòu)建基于耦合誤差表征的機器人協(xié)同控制框架, 提出模型不確定性情形下的無領(lǐng)航多機器人協(xié)同控制策略. Yan等提出了分散能力感知的自適應(yīng)多機器人協(xié)作控制框架[110], 該框架通過機器人的零空間運動來最大化提升機器人受力能力, 同時設(shè)計自適應(yīng)控制器實現(xiàn)不同負載能力下多機器人分散協(xié)作, 能夠處理系統(tǒng)參數(shù)不確定、輸入約束等問題. 該方法不考慮底層控制器的影響, 實現(xiàn)了精確的軌跡跟蹤, 可用于非統(tǒng)一結(jié)構(gòu)多機器人系統(tǒng). 墨西哥大學團隊提出了一種通信延遲下的多機器人協(xié)同控制方法[111], 該方法通過構(gòu)建無源控制器實現(xiàn)多機器人一致性, 同時不依賴機器人速度的高精度測量, 方便具體實施和部署, 但對于系統(tǒng)的通信要求較高, 不適用多機器人工業(yè)制造場景. 盧森堡大學提出多機器人搬運的高動態(tài)負載分配策略, 實現(xiàn)系統(tǒng)任意形狀和質(zhì)量載荷的多機器人協(xié)同搬運[112]. 美國國家標準與技術(shù)研究院提出了基于低延時高同步多機器人系統(tǒng)的高效裝配方法, 并通過機器人力/位信息評估零部件裝配質(zhì)量[113]. 綜上所述, 目前多機器人控制技術(shù)方面研究較多, 但大多數(shù)研究主要針對結(jié)構(gòu)環(huán)境下同類型機器人的協(xié)同作業(yè)任務(wù), 無法適應(yīng)重大裝備復(fù)雜、動態(tài)、非結(jié)構(gòu)化制造環(huán)境下的協(xié)同作業(yè)控制.

2.?? 智能制造機器人應(yīng)用關(guān)鍵技術(shù)

2.1? ?復(fù)雜部件機器人三維測量

三維測量在工業(yè)制造領(lǐng)域有大量的應(yīng)用, 按照基本功能可以分為尺寸測量、表面測量、坐標測量[114]. 目前主流的工業(yè)三維測量方法包括, 激光跟蹤儀、激光三角測量、攝影測量系統(tǒng)、結(jié)構(gòu)光、飛行時間技術(shù)等,?圖6為工業(yè)三維測量技術(shù)發(fā)展歷程. 三維測量包括數(shù)據(jù)獲取、數(shù)據(jù)處理、測量分析等主要過程, 然而由于傳統(tǒng)手工測量方式在數(shù)據(jù)獲取過程缺乏自主性, 需要引入視點規(guī)劃、點云配準等技術(shù), 提高機器人三維測量的智能自主化程度.

1)復(fù)雜部件全尺寸三維測量技術(shù). 光學測量設(shè)備在便攜性、高效性、動態(tài)性方面存在優(yōu)勢, 且能夠獲得被測對象的完整形貌數(shù)據(jù), 易于與工業(yè)機器人構(gòu)成自動化程度更高的機器人測量系統(tǒng).

針對飛輪、直角連接頭和觸發(fā)式噴頭等工業(yè)零件三維測量問題, 多倫多大學Yu Sun教授等提出了一種基于半平面模型和自適應(yīng)非最大抑制方法(Adaptive non-maximum suppression, ANMS)的邊緣檢測器, 該方法包括兩個THP (Two half-planes model)來估計獨立于邊緣角影響的幾何量, 并采用ANMS, 通過對點云鄰域的方向約束來抑制邊緣冗余數(shù)據(jù)對測量結(jié)果的影響, 實現(xiàn)了三維測量的精確邊界提取. 這種三維測量方法可以在不需要微調(diào)閾值的情況下優(yōu)化系統(tǒng)的檢測測量結(jié)果, 對常見結(jié)構(gòu)的簡單零部件有較好的魯棒性和精度(見圖7(a)). 針對工件表面的打孔位置測量問題, 有文獻提出一種用于機器人鉆孔的多傳感器測量系統(tǒng)[115]. 該系統(tǒng)機器人能夠測量工件姿態(tài), 并為鉆孔建立參考坐標系, 實現(xiàn)工件的快速高精度位置估計和低垂直度偏差的鉆孔定位與測量. 但該系統(tǒng)僅實現(xiàn)了平面和低高度變化表面的定位與測量, 對于弧面、凹面等型面的算法性能有待進一步研究驗證(圖7(b)).

Ghorbani等[116]提出了一種葉片三維測量方法, 通過結(jié)合平均曲率Hausdorff距離和平均歐幾里德Hausdorff距離表征了局部測量掃描數(shù)據(jù)和標準模型之間的差異, 準確分離葉片的不可靠受損區(qū)域掃描數(shù)據(jù)點, 提高測量精度. 算法提高了模型大面積缺失條件下的三維測量算法精度和魯棒性, 但算法偏向于局部缺陷的測量, 而忽略了葉片的中弧線、弦傾角等全局參數(shù). 針對機器人打磨時不同磨削余量對應(yīng)的不同加工需求, Li等[37]提出了基于機器人磨削的飛機發(fā)動機葉片三維測量點云匹配方法(見圖8), 并將穩(wěn)定磨削的余量權(quán)重函數(shù)引入測量匹配系統(tǒng), 定義了基于方差最小化的優(yōu)化函數(shù), 并通過平衡所有測量點的匹配權(quán)重, 解決了三維掃描數(shù)據(jù)中缺失點或密度不均勻數(shù)據(jù)點引起的錯誤匹配問題, 最后通過迭代優(yōu)化算法得到最終的測量點云配準參數(shù). 該方法避免了掃描數(shù)據(jù)點不均勻造成的數(shù)據(jù)匹配誤差, 并且考慮了葉片凹凸面的不同加工余量要求, 使三維測量結(jié)果有利于保持機器人打磨磨削力的相對穩(wěn)定, 提升打磨效果(見圖8(b)). 不同于通過補償算法減弱三維測量中的數(shù)據(jù)缺陷對測量效果的影響, Zhong等[117]提出了一種增強相位測量輪廓術(shù), 通過對測量掃描機理的研究, 解決掃描過程中表面反射率變化和振動問題, 提高三維掃描的點云數(shù)據(jù)生成質(zhì)量, 實現(xiàn)了列車輪轂適配器的三維測量(見圖8(a)). 該算法提出了一種最佳曝光時間標定方法來解決大表面反射率變化范圍的掃描數(shù)據(jù)質(zhì)量問題, 可以避免強反射區(qū)域的相機三維傳感器飽和, 同時增大弱反射區(qū)域條紋圖像的信噪比. 算法還采用了一種改進的位姿標定方法, 通過平面目標圖像來快速標定攝像機的位姿, 減小了機械振動對測量系統(tǒng)的影響(見圖8).

2)復(fù)雜部件的機器人掃描視點規(guī)劃技術(shù). 視點是相對于固定坐標系的六自由度傳感器位姿. 視點規(guī)劃算法確定下一個最佳視點(Next best view, NBV), 引導(dǎo)掃描儀以最佳方式采集物體表面信息. 機器人測量系統(tǒng)需要在未知先驗?zāi)Ｐ偷那闆r下重建一個異形葉片的三維模型, 在這個過程中無模型的視點規(guī)劃方法是非常必要的, 這些視點規(guī)劃方法根據(jù)對環(huán)境的表示方法可分為兩種主要類型: 基于表面的方法和基于體素的方法[118].

a)基于表面的方法視點規(guī)劃. Maver和Bajcsy用多邊形逼近被遮擋物體區(qū)域在平面上的投影, 在遮擋邊緣處計算下一次的掃描方向[119], 該方法基于需要密集型可視性計算. Pito利用距離傳感器拍攝的深度圖像建立三角形網(wǎng)格模型, 然后通過從可見表面邊界的連續(xù)性來估計被遮擋的部分, 最大化被遮擋部分即可得到NBV[120]. Chen等使用擴展的廣義線性模型來擬合表面趨勢. 通過分析物體表面的曲率趨勢, 預(yù)測物體表面的未知部分, 然后選取可獲得最大化視角的視點作為NBV[121]. Kriegel等選擇用二次方程來近似邊界區(qū)域, 然后使用二次趨勢網(wǎng)格來計算與先前掃描的重疊度, 根據(jù)估計的重疊區(qū)域確定激光掃描路徑[122].

b)基于體素的方法視點規(guī)劃. Connolly對基于體素方法進行了初步研究[123]. Yamauchi定義了邊界體素, 即未知空間和已知空間之間的邊界區(qū)域[124]. Vasquez-Gomez等使用體素模型來表示對象空間, 視點中的重疊度簡單地表示為所有體素中被占用的體素的比例, 可以通過射線跟蹤算法計算[125-127]. Monica和Aleotti從KinectFusion通過基于截斷地帶符號距離函數(shù)體素提取輪廓, 利用點云的顯著性從潛在視點中選擇NBV[128]. 近年來, 基于信息增益的視點規(guī)劃方法引起了廣泛關(guān)注, 通常這類方法需要一個占用網(wǎng)格模型來存儲對象的概率表示.

3)復(fù)雜部件裝配精度估計. 復(fù)雜零部件三維數(shù)據(jù)裝配模擬包括三個步驟: a)三維掃描各裝配零部件并提取裝配面; b)拼接合并兩零部件的裝配面, 得到零部件裝配的變換矩陣; c)分析裝配間隙, 并測量裝配組合件關(guān)鍵裝配指標. 復(fù)雜部件裝配精度估計是通過各部分零部件三維信息的拼接融合得到完整部件三維尺寸、表面信息的方法. 該方法可以在零部件裝配前模擬裝配成品的各項尺寸及表面參數(shù), 避免了裝配組合件精度的不確定性, 縮減“試裝?修配”裝配模式的執(zhí)行次數(shù), 提高裝配效率, 近年來相關(guān)研究較為廣泛[129-130]. 其中, 為了提高數(shù)據(jù)拼接算法對初始姿態(tài)的魯棒性, 通常將三維位置和旋轉(zhuǎn)信息的估計值引入數(shù)據(jù)拼接誤差方程, 例如定義靈敏度指標來評估數(shù)據(jù)拼接結(jié)果, 進一步優(yōu)化三維掃描數(shù)據(jù)位姿. 或引入數(shù)據(jù)點質(zhì)量參數(shù)并建立重力場模型, 將掃描點云與設(shè)計模型的移動拼接過程轉(zhuǎn)換為在重力場內(nèi)的多數(shù)據(jù)點受引力牽引運動, 并定義三維掃描點云的引力勢能函數(shù)作為優(yōu)化函數(shù)來計算點云最終裝配位姿. 另一類配準算法利用高斯分布, 將目標點云通過多組高斯分布進行局部建模, 并擬合到數(shù)據(jù)點, 如正態(tài)分布變換[131], 該方法克服了基于ICP的方法因最近鄰點搜索而帶來的局部最優(yōu)問題[132].

2.2? ?復(fù)雜部件機器人力控磨拋

磨拋加工是表面改性技術(shù)的一種, 能夠有效提高部件表面的平整度和光潔度, 獲取特定的表面粗糙度, 消除焊接等加工過程中產(chǎn)生的應(yīng)力, 具有柔性靈活性強、作業(yè)效率高、加工一致性好等優(yōu)點. KUKA、ABB、FANUC、YASKAWA等機器人企業(yè)均開展了磨拋機器人的應(yīng)用研究. 如圖9(a)所示, KUKA公司研制的KR 120 R2900 Fextra機器人, 通過將該機器人和負荷能力為750 kg的三軸式定位裝置, 在不損傷工具且毛刺外形不同的情況下, 能夠確保高標準、高質(zhì)量完成打磨任務(wù). 如圖9(b)所示, 奧地利Fer Robotics公司開發(fā)了基于氣控系統(tǒng)的浮動打磨與拋光末端系統(tǒng), 實現(xiàn)在單一方向上的快速浮動打磨與拋光, 浮動力控制精度最高可達到1 N, 用戶通過快速簡便的編程, 在提升質(zhì)量的同時節(jié)約更多成本. 如圖9(c)所示, 加拿大ESI公司依托自研的協(xié)作機器人, 開發(fā)了E-Stial柔性打磨機器人工作站, 利用實時力控反饋、精密軌跡調(diào)整、精密接觸力調(diào)整等先進技術(shù)實現(xiàn)了安全、穩(wěn)定、高效的拋光打磨作業(yè), 克服了傳統(tǒng)磨拋方式調(diào)試時間長、成品質(zhì)量不一致等缺點. 美國Carnegie Mellon University[133]等科研機構(gòu)從前沿理論探索的角度對磨拋機器人進行了研究. 文獻[134-135]設(shè)計了磨拋機器人模糊PID控制方法, 采用末端位置和關(guān)節(jié)角度參數(shù)設(shè)計模糊規(guī)則, 使PID控制器參數(shù)在每次采樣時在線更新, 提高了系統(tǒng)的響應(yīng)速度和穩(wěn)態(tài)精度. 基于模糊邏輯方法[136]和基于機器學習的方法[137]被用于對磨拋機器人關(guān)鍵模型信息進行估算, 從而減小對于模型信息的依賴.

國內(nèi)的科研機構(gòu)也對磨拋機器人的相關(guān)技術(shù)開展了持續(xù)的研究, 華中科技大學陶波教授等針對大型風電葉片加工區(qū)域大、形狀復(fù)雜、任務(wù)規(guī)劃難等問題, 提出了基于幾何及任務(wù)信息的大型復(fù)雜構(gòu)件加工區(qū)域劃分方法[138]. Zhao等以風電葉片表面打磨為應(yīng)用背景, 構(gòu)建了大型復(fù)雜構(gòu)件機器人移動打磨硬件系統(tǒng), 并在風電葉片表面打磨實驗中進行了系統(tǒng)性驗證[139-140].

2.3? ?機器人柔順智能裝配

軸孔類零部件裝配是工業(yè)機器人應(yīng)用的重要場景. 傳統(tǒng)機器人裝配按照示教或者離線編程所設(shè)定的動作進行, 難以適應(yīng)不斷變化的環(huán)境. 為滿足小批量多品種的生產(chǎn)模式, 完成更加復(fù)雜的裝配任務(wù), 現(xiàn)有研究通過將視覺傳感器、力傳感器和工業(yè)機器人結(jié)合應(yīng)用, 使機器人具備對周圍環(huán)境高度感知的能力, 能夠根據(jù)環(huán)境變化做出相應(yīng)調(diào)整.

Dietrich等建立軸孔接觸狀態(tài)與力信息的關(guān)系圖, 通過關(guān)系圖糾正軸孔之間的位姿誤差, 完成軸孔裝配任務(wù)[141]. Liu等提出了基于螺旋插裝策略的飛機尾翼軸孔裝配方法[142]. Lefebvre等[143]提出機器人主動柔順控制方法, 通過接觸狀態(tài)規(guī)劃結(jié)合力控算法, 能夠?qū)崿F(xiàn)自主裝配運動. Abdullah等[144]建立了裝配過程中軸孔之間的相對位置與接觸力/力矩的映射關(guān)系, 并根據(jù)人為制定的決策規(guī)則來規(guī)劃裝配運動軌跡.

近年來基于強化學習的機器人裝配方法也受到廣泛關(guān)注. 傳統(tǒng)機器人裝配方法中不具備自學習的能力, 強化學習算法通過控制機器人和環(huán)境不斷接觸試錯學習到合適裝配策略, 能夠自主完成復(fù)雜裝配任務(wù). Inoue等提出了基于深度強化學習的高精度軸孔裝配方法, 利用長短時記憶網(wǎng)絡(luò)和強化學習算法結(jié)合有效的現(xiàn)實機器人裝配任務(wù)[145]. Chen等提出了一種基礎(chǔ)策略迭代的強化學習方法, 實現(xiàn)了具有未知系統(tǒng)動態(tài)的連續(xù)時間系統(tǒng)的穩(wěn)定控制[146]. Luo等提出了面向齒輪的軸孔裝配任務(wù)的機器人控制器, 通過最優(yōu)控制方法生成裝配過程中的運動軌跡, 能夠通過幾次訓練穩(wěn)定的完成裝配任務(wù)[147].

3.?? 智能制造機器人典型應(yīng)用案例

3.1? ?高端制造智能無人工廠

智能無人工廠也稱智慧工廠, 是在數(shù)字化工廠的基礎(chǔ)上, 利用工業(yè)互聯(lián)網(wǎng)等技術(shù)提升工廠制造效率和運營水平, 提高生產(chǎn)過程的可控率, 從而實現(xiàn)制造企業(yè)的降本提質(zhì)增效以及轉(zhuǎn)型升級. 按照德國的Scheer教授提出的智能工廠構(gòu)架理論, 智能工廠可以分為基礎(chǔ)設(shè)施層、智能裝備層、智能產(chǎn)線層、智能車間層和工廠管控層五個層級[148]. 隨著機器人、人工智能及增材制造等新興技術(shù)信息迅速升級, 為制造業(yè)推進智能工廠建設(shè)提供了良好的技術(shù)支撐.

德國梅賽德斯奔馳的56號工廠是按照工業(yè)4.0標準打造的未來工廠, 采用了無人運輸系統(tǒng)、數(shù)字孿生、自動分揀等技術(shù). 工廠大量的使用了AGV裝配線, 可以實現(xiàn)無軌裝配工位, 無軌自動運輸, 并與自動分揀、DTS (Data transmission service)系統(tǒng)相匹配使用, 可實現(xiàn)多種車型混線生產(chǎn). 在保證大規(guī)模生產(chǎn)的同時, 也保障產(chǎn)品質(zhì)量并降低生產(chǎn)成本.

三一集團的“18號廠房”工程機械總裝車間, 采用5G+AGV小車完成智能分揀和精準配送, 在智能化調(diào)度系統(tǒng)的控制下, 上百臺機器人能夠高效協(xié)同工作(圖10); 采用5G高清傳感器, 組裝作業(yè)時可以自動修復(fù)偏差, 減少因磕碰導(dǎo)致的質(zhì)量缺陷; 大件激光切割軟件及系統(tǒng), 在多品種鋼板物料特征識別技術(shù)、基于激光測量的物料精確定位技術(shù)、激光跟蹤與實時尋邊技術(shù)、機器人位姿魯棒控制與在線補償技術(shù)以及基于激光尋邊的切割軌跡光順與優(yōu)化技術(shù)等五個方面取得創(chuàng)新突破; 通過制造運營系統(tǒng)、物流管理系統(tǒng)、遠程控制系統(tǒng)、智能搬運機器人等系統(tǒng)優(yōu)化運用與深度融合, 在數(shù)字化“加持”下, 實現(xiàn)了從一塊鋼板進來到一臺整車出去的全流程自動化生產(chǎn).

3.2? ?高端制藥機器人智能檢測生產(chǎn)線

高端智能醫(yī)藥質(zhì)量檢測主要是指通過新興的機器人技術(shù)來代替人工進行質(zhì)量檢測的過程. 相比于傳統(tǒng)人工檢測而言, 它具有穩(wěn)定性好、持續(xù)工作時間長、精度和效率高等優(yōu)點. 日本Eisai公司、德國Brevetti CEA集團、意大利Seidenader等企業(yè)紛紛開展機器人醫(yī)藥檢測技術(shù)研究.

我國制藥裝備需求量大, 醫(yī)藥制造裝備的性能是保證藥品質(zhì)量的基礎(chǔ). 為解決傳統(tǒng)藥品質(zhì)量檢測環(huán)節(jié)依賴人工、漏檢、誤檢頻發(fā)等問題, 需研制高端制藥機器人視覺檢測控制關(guān)鍵技術(shù)與裝備, 實現(xiàn)制藥過程無菌化、無人化生產(chǎn), 保障藥品質(zhì)量安全. 高端無菌化制藥機器人面臨的主要挑戰(zhàn)包括: 制藥技術(shù)裝備工藝復(fù)雜, 無菌化控制難; 制藥過程污染顆粒微小、種類多、檢測難; 高端制藥過程中多工序、多任務(wù)、多機器的協(xié)同控制難. 湖南大學團隊針對高端制藥裝備感知與控制的重大需求, 攻克高端制藥灌裝封口機器人協(xié)作控制、高端制藥檢測機器人視覺識別、高端制藥分揀機器人視覺控制等關(guān)鍵技術(shù), 研制出無菌化配藥雙臂機器人、藥品灌裝?轉(zhuǎn)運?封口機器人、藥品質(zhì)量視覺檢測機器人、藥品分揀機器人等自動化生產(chǎn)線裝備, 如圖11所示.

基于機器視覺的醫(yī)藥檢測是在藥物出廠前, 通過對藥物的運動圖像或視頻進行分析和處理, 從而實現(xiàn)對藥物的一系列質(zhì)量檢測, 例如, 液體環(huán)境中的外來異物檢測、凍干粉中的雜質(zhì)檢測、外包裝和標簽檢測等. 針對安瓿瓶型, Ge等設(shè)計了一種自動檢測安瓿注射雜質(zhì)的系統(tǒng), 采用空間在線極限學習機算法, 驗證了該算法在區(qū)分氣泡和異物上的可行性[149]. 針對藥液中的不溶異物檢測方法, 張輝等提出了一種可行的高速度、高精度的機器視覺檢測方法, 能在線檢測30多種微弱異物, 檢測精度達到50 μm, 異物檢出率99.7%以上, 滿足醫(yī)藥微弱異物種類繁多、特征多樣、高速高精度的在線檢測要求[150].

4.?? 智能制造機器人發(fā)展趨勢及挑戰(zhàn)

當前, 云計算、物聯(lián)網(wǎng)和大數(shù)據(jù)等新興信息通信技術(shù)快速發(fā)展, 為高端制造業(yè)的發(fā)展提供了新的思路和契機.

1)“云?邊?端”融合的智能制造. “云?邊?端”融合的作業(yè)模式通過深度感知制造過程中生產(chǎn)實體的特性和狀態(tài), 動態(tài)/在線地在工業(yè)云 (云) 和生產(chǎn)單元(邊、端) 間進行數(shù)據(jù)交換和計算分發(fā), 進而高效、無縫、透明地協(xié)同使用云端和邊緣端的計算、存儲及數(shù)據(jù)等資源, 以實現(xiàn)網(wǎng)絡(luò)化、智能化、柔性化生產(chǎn). 在智能制造機器人協(xié)同作業(yè)場景中, 在“云?邊?端”融合的架構(gòu)集成了通信與計算技術(shù), 克服了個體設(shè)備信息存儲和計算資源等的固有局限, 能夠較好地支撐機器人系統(tǒng)運行(如圖12). 有效地建立云邊融合的網(wǎng)絡(luò)架構(gòu), 加強云邊端協(xié)同、智能共享的頂層設(shè)計, 將是未來智能制造機器人研究的重點.

2)新一代智能制造系統(tǒng)由通信、計算、感知、控制與安全體系等組成, 通過新一代人工智能技術(shù), 智能制造系統(tǒng)將具備“感知?決策?執(zhí)行”的閉環(huán)特征, 而在動態(tài)環(huán)境中構(gòu)建機器人的感知?決策?控制協(xié)同作業(yè)機制具有重要意義. 在工業(yè)互聯(lián)網(wǎng)平臺設(shè)備互聯(lián)互通的基礎(chǔ)上, 利用分布式傳感技術(shù)實現(xiàn)生產(chǎn)場景要素的全面感知, 以適應(yīng)復(fù)雜制造場景下感知對象異構(gòu)、干擾因素多等挑戰(zhàn); 靈活運用集中式、分布式與群體智能, 建立安全高效、強魯棒、易擴展的任務(wù)調(diào)度和動態(tài)規(guī)劃體系, 設(shè)計機器人自主決策機制, 保障大規(guī)模制造任務(wù)和工序井然有序地運行.

3)人機融合智能. 人機融合技術(shù)不斷深化, 標準化結(jié)構(gòu)、柔性人機交互技術(shù)不斷發(fā)展, 促進智能制造領(lǐng)域工業(yè)機器人的便捷性和可靠程度越來越高. 人機融合在智能機器人生產(chǎn)設(shè)計中, 越來越受到重視. 人機協(xié)同既具備人類認知能力, 又具備機器人的高效率, 通過人類與機器人的智能協(xié)作, 能夠完成復(fù)雜的加工、裝配等任務(wù), 同時提升了安全性與便捷性, 是人機融合的一個重要發(fā)展方向. 同時, 隨著機器人技術(shù)日益成熟、智能倉儲機器人等產(chǎn)品的快速發(fā)展, 人機協(xié)作技術(shù)在電子、建筑、家居等一般行業(yè)的應(yīng)用也在迅速演進.

4)集群機器人技術(shù). 智能制造機器人涉及先進信息技術(shù)、機器人技術(shù)、自動化技術(shù)以及機械工程與材料工程交叉融合等前沿制造技術(shù). 面對大規(guī)模的智能制造任務(wù), 機器人往往處于分散、低連通環(huán)境, 為適應(yīng)需求多變、異構(gòu)感知對象、突發(fā)問題等情況, 需根據(jù)特定感知任務(wù), 準確描述跨域多實體、多機器的動態(tài)協(xié)作關(guān)系, 進而探索自適應(yīng)的群組動態(tài)協(xié)作感知與融合策略, 實現(xiàn)智能制造機器人的跨域融合感知. 還需在動態(tài)和多維信息收集的基礎(chǔ)上, 對復(fù)雜問題進行自主識別、判斷、推理, 并做出實時性的決策, 實現(xiàn)集群機器人的精準感知與實時規(guī)劃, 集群機器人有望在新一代智能制造系統(tǒng)發(fā)揮重要作用, 如圖13所示.

5.?? 結(jié)論

隨著新一輪工業(yè)革命的到來以及人工智能、云計算、物聯(lián)網(wǎng)技術(shù)的快速發(fā)展, 世界主要工業(yè)國家都開始加快機器人技術(shù)戰(zhàn)略部署. 本文首先對機器人感知與控制的關(guān)鍵共性技術(shù)進行了綜述和介紹, 如三維環(huán)境感知、3D點云配準技術(shù)、位姿估計技術(shù)、運動規(guī)劃技術(shù)、多機協(xié)同規(guī)劃、精準控制技術(shù)、柔順控制技術(shù)、視覺伺服技術(shù)等. 然后介紹了機器人應(yīng)用的關(guān)鍵技術(shù), 如機器人三維測量、機器人加工與裝配等, 最后總結(jié)了機器人系統(tǒng)在智能制造領(lǐng)域應(yīng)用典型案例, 并探討了智能制造機器人的發(fā)展趨勢和所面臨的挑戰(zhàn).

本文僅用于學習交流，如有侵權(quán)，請聯(lián)系刪除 ！！

加V “人工智能技術(shù)與咨詢”? 了解更多資訊 ??！文章來源地址http://www.zghlxwxcb.cn/news/detail-490649.html

到了這里，關(guān)于機器人感知與控制關(guān)鍵技術(shù)及其智能制造應(yīng)用的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！