智能机器人等制造技术(智能制造机器人装配自动化技术)

对于智能制造来说，一个建立在自动编程环境之上的自动机器人装配系统对于其快速智能化发展是十分重要的，可以大幅减少机器人的制造时间和制造成本。

智能制造机器人装配自动化技术的重要性越来越高，发展也越来越迅猛。未来这种技术将对更多的制造业领域带来创新性的变革，为生产企业提供更加高效、高质、低成本的装配解决方案。

技术背景与发展现状

随着智能制造技术的不断发展，机器人装配自动化技术越来越受到重视。这是因为机器人装配自动化技术可以大幅提高装配效率、降低成本、保证工艺质量。智能制造机器人装配自动化技术目前的发展也十分迅猛。如图1所示为汽车自动化装配生产线。

传统的人工装配存在诸多问题，比如低效率、工艺不稳定等。而机器人装配自动化技术可以高效地完成装配任务，提高装配效率，减少生产周期，从而提高企业的生产能力。

人工装配需要制造商支付大量的工人工资，而机器人装配自动化可以根据不同的应用场景，更快更便宜地完成装配任务。同时机器人装配还能够避免人为操作的误差，从而减少生产上的失误，降低成本。

机器人装配自动化技术操作精准，能够确保产品的精度和稳定性，这对于需要高水平质量的产品尤为重要。机器人具有一定的自主性，不像人类在面对重复性任务时容易出现疲劳和错误，机器人可以连续工作数小时，可靠性强。

目前，智能制造机器人装配自动化技术已经得到了广泛的应用，正成为制造业现代化的核心。智能制造机器人装配自动化技术呈现出了智能化、自动化、灵活化的特点。

智能化是机器人装配自动化技术的重要特征。智能化机器人具有很多先进技术，例如视觉技术、力反馈技术等，能够完善地完成多种复杂装配任务。这种技术可以让机器人模拟人的智力并执行复杂的任务，使得机器人在装配过程中更加智能化。

目前自动化机器人已经开始应用于多个领域，例如汽车制造、电子制造等。自动化机器人具有自主性、快速性、稳定性等优点。自动化机器人能够像人类一样执行操作，自动完成装配，不需人为干预，从而增加效率。

智能制造机器人装配自动化技术也在逐渐实现灵活化。机器人搭载了各种智能技术，能够自由切换，快速转换，适应多种生产场景。生产厂家能够根据不同的需求进行生产计划，机器人能够灵活地调整装配内容，适应不同场景，这也是智能化发展的重要趋势。

研究人员所提出的智能制造机器人装配自动化技术，是一种在最少的人工帮助下完成自动编程机器人装配任务的方法。该方法集成了“机器人通过观察学习装配任务”和“以技能形式学习装配任务”。

在前者中，机器人通过观察人类装配操作来学习一系列装配任务，这些任务被形式化为一个人类装配脚本。后者将人工装配脚本转换为机器人装配脚本，其中包括基于工作空间的环境建模和模拟重定位，定义了一系列机器人可执行的装配任务。

装配任务以机器人装配脚本的形式出现，然后通过预先训练好的各种机器人操作技能来完成这些任务。这些技能旨在使机器人能够执行各种不确定的和复杂的装配任务。

随着制造业向小批量生产的趋势靠近，生产线越来越依赖于柔性的或智能的工作单元。在一个基于智能电池的生产线中，工业机器人需要在一个比标准生产线更复杂、更少结构、更频繁变化的环境中工作。

此外这些机器人应该能够在他们自己之间以及与人类工人之间进行协作。这种情况与传统的大规模生产线明显不同，在传统的生产线上，机器人在高度结构化的工作空间环境下只需要执行简单和固定的例程。

尽管近些年来已经开发和发布了许多协作机器人，以支持工作单元的灵活性，但迫切需要进一步改进机器人以更直接和直观的方式完成任务。这意味着提高编程和机器人执行的自动化水平是至关重要的。

因此智能制造领域的研究人员对将人工智能（AI）应用于机器人工作规划和控制的自动化技术越来越感兴趣。

智能自动化装配系统原理

为参与智能装配单元的机器人构建自动编程环境的方法由三个部分组成：

通过观察人工装配过程来学习装配任务，将学习到的装配任务描述为正式的人工装配脚本；将人类装配脚本自动转换为机器人装配脚本，其中包括基于工作空间建模和模拟重定向；自动执行机器人装配脚本中定义的机器人任务序列，使用预先训练的机器人技能完成既定任务。

关于上述三个部分如何实现系统的组装目标，参见图2。

为了从观察的过程中确定装配任务的序列，第一部分除了从捕获的视频图像中识别涉及这些装配动作的物体外，还需要对手的抓取模式进行识别。

为此收集了大规模的人体装配数据集来训练和测试DL网络，包括人工装配动作的注释数据集及其在装配过程中的序列和所涉及的抓取模式。

然后将装配序列组织成有限状态机（FSMs）作为广义表示。FSM以这种方式过滤DL网络识别的装配操作序列，以确保所识别的装配序列的鲁棒性，并描述与这些操作相关联的装配状态。

这种从观察中学习一系列装配任务的过程是由识别对象和手抓握动作的类型所支持的，这些类型有助于识别与动作相关的装配状态。根据装配动作及其在装配序列中的顺序、状态转换、抓取模式和所涉及的对象，将学习到的装配任务及其序列形式化为一个人工装配脚本。

随后将第一部分生成的人类组装脚本转换为机器人组装脚本，使其可以由机器人去执行，尽管人类和机器人在物理和感知能力方面存在差异。在机器人实施的案例中，首先使用规划语言定义一系列机器人可执行的动作，以完成在人类装配脚本中定义的预期装配任务。

为了规划机器人的动作，预先定义了一组将在PDDL域中使用的机器人动作。

计划中的机器人动作在输入机器人装配脚本之前，要经过基于仿真的验证。验证过程中通过三维工作空间建模的辅助仿真来评估计划的动作序列是否可执行。如果失败将通过重新定位和重新计划来修改计划的行动序列。

最后则是在真实装配环境中实现上述机器人装配脚本的使用。该实现过程将计划中的机器人装配动作与所涉及的物体和工具的三维位置相结合。

在这个过程中应该注意的是，仅基于模拟的重定向可能不足以让机器人完成计划的装配任务。当装配任务中涉及的不确定性和变化太大而无法在装配脚本中指定任务序列时，此问题会更加严重。

为了处理这个问题，需要对机器人进行一系列技能的预培训，使它们可以在出现问题时选择合适的操作来进行现实世界的装配操作。

手抓握类型的识别在识别装配状态中起着重要的作用，因为抓握类型决定了如何通过手来管理对象和工具。然而通过视觉观察人的手很难正确识别不同的抓握类型，因为装配中涉及的手运动相当多样，当握持物体时手的图像可能被遮挡。

研究人员通过整合和修改各种现有的抓握方法，提出了一种针对日常生活中人类抓握类型的分类方法。

采用了33种抓握类型的分类，其中10种是根据它们与装配的强相关性选择的：圆柱形、球形、手掌、尖端、横向、钩、三脚架、棱柱指、圆盘和食指伸展。此外还选择了与这10种抓取类型相关联的8类对象。

首先检测到图像中所有的手和物体。然后将每一个手和与手相连的物体的组合识别出来。手和物体的检测由RetinaNet实现，而手的抓取类型的识别采用两层卷积神经网络（CNN），其具有平均池化层和全连接层。

为了将手和物体的可能组合识别为正确的对象，首先考虑两者之间的物理距离，因为手和物体应该彼此靠近。为了测量这个物理距离，缩放了手和物体各自的边界框之间的重叠。

另一方面为了对每个候选对象的抓取类型进行分类，将感兴趣区域（RoI）池化应用于各自的手和对象边界框中，作为抓取分类器的输入。

学习过装配任务的机器人在实际操作时需要对三维装配工作空间进行建模。建模使机器人能够根据装配过程中所涉及的对象和工具的三维几何信息来模拟或执行给定的装配任务。提出了如图6所示的三维工作空间建模系统。

当机器人装配脚本中定义的机器人单元任务处于难以建模的情况时，机器人需要诉诸必要的技能来克服这些障碍。因此预先定义了一组机器人装配技能，这些技能被预先训练为机器人完成任务所需要的技能。

与DL方法需要大量的训练数据才能达到高性能水平不同，IL方法依赖于来自人类演示的少量数据，但潜在的代价是性能的损失。因此将IL、DL和RL集成起来，通过弥补他们的缺点和最大化他们的优势来学习和提高技能。

系统结构概述与总结

研究人员提出了一个建立在自动编程环境上的机器人自动组装系统，当经常需要重新分配机器人任务时，如在智能制造工厂，该系统可以减少重新配置和重新编程机器人的设置时间和成本。

所提出的智能制造机器人装配自动化技术采用了三部分的方法：观察学习，带有行动计划的机器人实践，以及用预先训练的技能模拟重定向和执行。通过实施和实验，证明了该方法是有效和可行的。

证明了基于dl的人类装配动作序列和抓取类型的实时识别可以使机器人从观察中有效地学习给定的装配任务。此外还证明了基于PDDL的机器人行动规划从学习到的人体装配，是一种有效的机器人实施手段。

研究人员开发了一个原型系统，并将其应用于两个现实世界的制造场景，即电源断路器组装和机顶盒组装，成功地验证了所提出的系统。此外还展示了DL和RL的最新进展将如何影响未来智能制造的下一代自动化组装。

在未来研究人员会继续改进这个自动化装配系统，特别是它处理在装配过程中可能发生的意外故障的能力。

此外，将所提出的系统应用于基于智能工作台的人机协同系统，可以确定机器人协同操作的方法和顺序，同时分析人工工作行为和方法，从而为提高生产力和安全性提供指导。

机器人自动装配作为智能制造技术的核心之一，有着非常广阔的发展前景。

尤其是随着各种高端科技的应用，包括人工智能、云计算、大数据、物联网、5G等的广泛普及，这些科技都将极大地加快了制造业的数字化、智能化和自动化的进程，这将进一步推动机器人装配自动化技术的发展。

因此未来的智能制造，将会更加智能，更加高效，更加环保，而机器人装配自动化技术将会成为智能制造的重要支柱之一，实现更大的发展空间和市场应用价值。

参考文献：

A.D?mel,S.Kriegel,M.Ka?ecker,M.Brucker,T.Bodenmüller,andM.Suppa,“Towardfullyautonomousmobilemanipulationforindustrialenvironments,”Int.J.Adv.Robot.Syst.vol.

14,no.4,pp.1–19,2017.