智能制造工业机器人共性技术研究进展

得益于庞大的制造业需求，智能制造工业机器人技术应用面极为宽阔，也获得了系统性的发展，但在复杂制造场景理解、主动灵活作业交互等方面仍有明显不足。解决之道是从视觉感知、决策规划、运动控制、灵巧机构设计等方面开展工业机器人的共性技术研究。

(一)视觉感知

1.环境理解与状态感知

     工业制造场景范围较大，人、机器人、设备、物料同时大量存在并不断移动变化。这种动态变化的大范围制造场景对机器人的实时环境理解与状态感知能力提出了极高要求，需要机器人在自主感知和理解当前环境的基础上构建环境地图、感知作业状态。机器人语义地图构建方法主要有基于视觉的同步定位与地图构建(SLAM)、基于激光的SLAM、多传感器融合等。视觉和激光SLAM方法通过最小化距离估计位姿，重建效果较好且计算量小，得到广泛应用。然而相关算法在面对更高级语义要求的场景时有所不足，将语义理解和环境构建相结合则可改善机器人对复杂作业环境的理解能力，如引入语义信息实现复杂室外场景中的多类型分割识别，建立基于语义理解的长期语义地图维护机制。为提高应用的实时性，结合拓扑先验知识、编码-解码器深度网络开发了环境语义理解方法，引入先验知识以加速语义理解过程，在避免依赖标注的同时提高了语义分割识别的精度。需要指出的是，目前的环境理解局限在室内、室外、自动驾驶等场景(语义分割精度无需精确到毫米级、环境要素种类偏少)，难以满足重大装备制造场景的多要素、高精度、高维细粒度等要求。

    机器人状态感知的信息有位姿、变形等影响工件质量关键表面参数的信息，裂纹、凹坑等表面缺陷信息。在机器人运行轨迹监测方面，建立不同轨迹、初始位置、运行参数、图像中作业位置/轮廓之间的映射关系，再基于卷积神经网络进行机器人运行轨迹的眼踪即监测。在目标位姿估计方面，相关研究集中在基于目标边缘、关键结构注意力机制的位姿估计策略，较好解决了光照多变、无纹理物体条件下的姿态估计问题。在作业过程形变感知监测方面，分析毛坏的成形误差、切削力与内应力变形等因素，重建考虑阻尼效应、外部载荷的动态位移和应变场，据此监控机器人作业过程中的外形几何形变、实施机器人运行补偿，保证成品精度。然而，重大装备制造过程工艺复杂、工序繁多、场景多变，需要综合且实时地感知多种状态，现有的感知方法仅适用单一模态制造状态，难以满足相关场景中集群机器人的自主作业需求。

2.全尺寸三维检测

三维检测指扫描数据与设计模型数据的三维误差计算过程，实质是比对三维扫描数据与工件模型数据的匹配及偏差情况，获得目标表面的三维误差分布，在打磨、抛光、机加工、焊接等环节得到广泛应用。在三维检测后，机器人加工系统根据测呈结果调整零部件的加工参数优化抛光、打磨等后续工序。全尺寸三维检测主要针对大尺寸部件、表面结构复杂的部件，在扫描视点规划、尺寸测量的基础上精确计算部件的外形及结构尺寸。扫描视点规划旨在确定最住成像视点，引导扫描仪完成目标的三维扫描任务;通常采用体素、三角网格等模型描述扫描空间，推算遮挡区域后确定扫描视点。

尺寸测量指基于模型的几何特征进行数据匹配(如体素截断符号距离或欧几里得符号距离信息)，或者根据测星的工艺特点构建测量评价函数，由平方最小化、方差最小化原理求解，可综合运用多种方法来进一步提高测量精度。应用特征和几何信息的匹配策略(如关键点搜索、几何约束设置、数据点权值分配)，也可提高零部件扫描数据配准算法的收敛速度及鲁棒性。根据测量余量分布要求确定误差函数后设计模型数据、三维扫描数据的配准测量过程可视为求解非线性的多维优化问题。当然，三维测量方法易受原始三维扫描数据中的背景数据噪声、数据匹配次序的影响，导致配准结果产生偏移进而降低三维检测结果的准确性。

（二）决策规划

1.机器人多任务调度

    对于复杂任务场景，单个机器人通常无法满足制造任务需求，因而需要多机器人协作。机器人多任务调度涉及任务工序的执行顺序(任务工序调度)、每个任务的承担机器人(任务分配)，较多采用启发式搜索策略，即由运行过程中的环境信息启发机器人系统的新搜索方向，获得任务调度优化问题的近似最优解(见图2)。代表性的研究有利用蚁群启发算法探究协作机器人的任务分配问题、基于启发式算法解决静态时间扩展的多机器人任务分配问题、引入大邻域搜索策略优化多机器人/多工序任务的调度与分配问题，相关方法初步应用于工程机械、飞机机身等结构件的制造过程。相比精确求解类方法，启发式方法只寻求近似最优解，搜索效率较高，适合计算规模较大的场景，但带有难以调整的超参数，明显影响求解质量，不适合处理动态任务。

不同于启发式方法，市场机制类方法采用分散式的控制方式，适合大规模动态分布式系统，具有良好的可扩展性和鲁棒性，在高动态环境中的任务调度分配方面效果更好。为应对机器人任务执行期间的意外及不确定场景，可将单一市场交易策略扩展为动态权重的拍卖策略，支持多机器人作业系统中时间约束任务的预先分配与动态分配。市场机制类方法的搜索过程通常采用贪心式决策，计算简单但很难获得全局最优解。

目前，机器人多任务规划开始探索应用强化学习方法，基于Distributed-Q算法的强化学习模型、基于分层强化学习的多任务梯度规划、深度强化学习规划等较好解决了大规模复杂环境下多机器人协同作业任务调度问题。类似强化学习方法，模仿学习也可应用于多机器人作业状态预测，支持多机器人安全路径规划。强化学习、模仿学习将学习到的策略函数直接映射成目标决策，相较传统的搜索方法具有更高的计算效率和实时性;但在求解问题规模较大时会出现状态空间“爆炸”情况，导致学习过程不易收敛。

2.复杂场景无干涉协同规划

机器人未端一致性作业规划是复杂的多约束高维规划问题。面向复杂部件制造场景，机器人系统作业端的运动规划还需满足空间狭小、动态分析、实时避障等需求。机器人作业端协同系统主要包括主从式、分布式两种。

主从式系统选择1个机器人作为主机器人，其余的定义为从机器人。根据主从机器人之间的协调关系与目标位置，规划主机器人的运动轨迹，再根据主机器人的轨迹进行从机器人的运动轨迹规划。例如，在基于任务分类的机器人规划策略中，通常对不可行任务与机器人分配进行编码183，并对未来可能出现的类似分配进行剪枝处理，生成可执行任务的机器人运动规划约束，形成机器人复杂任务规划。为应对避障问题，多采用机器人作业运动虚拟区域的策略190，改变虚拟区域移动方向及矩形参数以适应作业环境，在考虑虚拟区域参数变化的同时及时调整机器人的移动方向。主从式系统的结构整体性、协调性较好，但集群机器人的运动轨迹存在耦合概率，成员的误差及故障会被放大，不利于整个系统的稳定性和可扩展性。

在分布式规划的框架下，机器人根据自身传感器的信息规划自有运动，机器人之间以通信方式交换各自的位置和环境信息。典型的分布式规划策略是基于速度障碍(Vo)的方法。Vo起初用于处理动态环境下机器人的运动规划问题，将避障问题转化为速度调整问题;将预测碰撞的速度区域定义为Vo区域，选择VO区域之外的速度作为避障速度;当场景中的机器人数量较多时，会出现避障引起的抖动现象。为此提出了交互速度障碍算法，为机器人提供统一的行为决策与规划并避免抖动现象，但在机器人规模进一步增大后仍然难以避免碰撞。此外，分布式现划方法虽然适合动态环境场景，但大量的分布式通信交互对通信带宽要求较高。为了高效表征多机器人任务规划系统、增强多机器人任务规划能力，有研究将之视为构型空间维度更高的单机器人系统，探索了基于策略梯度模型的机器人运动规划策略，在复杂动态环境中单移动机器人的实时运动规划与调度、多机器人协作动态环境中机器人单元的运动规划等方面展现出良好潜力。

(三)运动控制

1.多机器人协同控制

机器人尤其适用多型号、小批量的大型构件加工，而复杂的机城连接结构致使末端刚度较低，进而导致加工精度普遍不高。机器人控制优化的重要研究方向即为基于接触力模型预测和补偿的机器人刚度增强方法，用于改善加工质量及稳定性。通行的做法是建立打磨、抛光、切割、去毛刺等任务的机器人运动学、动力学、刚度模型，据此优化机器人的位姿/接触力分布，提高加工精度。以机器人铣削加工为例，根据运动学、动力学模型来优化位姿、提高刚度，建立机器人铣削模型并分析铣削参数和工艺流程，增强机器人铣削动抑制能力。结合传感器反馈的六维铣削力信息，计算机器人的端偏移，通过算法对轨迹进行补偿，减少实际铣削误差。

在多机器人参与的加工过程中，工件形貌、工艺参数、工作条件等带来多重限制，多机器人的末端路径、机器人本休均需要满足面向任务的时空约束。各个机器人应在指定时刻分别到达规划位姿，不能出现互相干涉，可采取分析协作过程中多机器人运动学/动力学约束关系的方法进行处理。多机器人协同系统具有封闭多回路、冗余驱动的特性，难点在于动力学建模、载荷分配策略，主流思路是建立优化判据并进行动载荷的最优分配。例如，利用双机器人的冗余特性，根据最小作用力原则优化多机器人的多位置抓持力分布;建立多节点闭运动链协调系统，引入线性加权方法约束多机器人的内部作用力，给出基于载荷分配原则的机器人协作吊运方案。需要指出的是，机器人制造系统精度保障机制研究仍然停留在单机器人、单一工艺层面，而机器人协同加工的精度保障原理与体系层面研究仍处于空白阶段，后续需要攻关面向加工制造的机器人系统协同精度控制技术。

2.机器人柔顺控制

机器人作业任务要求机器人未端与工件存在物理接触，对机器人与环境之间的接触力精度控制提出了较高要求。机器人未端微小的位曾偏差都可能因被接触材料的形变而产生较大的接触力，或对机器人和被接触物造成损伤，需要在执行接触任务的机器人控制系统中添加力控制单元。力位混合控制、阻抗控制在环境一机器人交互控制方面应用较多:相较前者，后者无需在两个正交方向分解出两套控制策略，曾棒性更佳，机器人可稳定输出所需的作用力。早期研究关注机器人动力学的不确定性处理，多采用白适应阳抗控制方式，但阳抗控制模型结构相对固化而无法应对复杂的机器人工作环境。为此，引入考虑环境动态约束的机器人模型、受环境影响的可变控制模型，获得了更好的控制性能。

随着机器人视觉技术的不断发展，视觉/力觉混合策略相较纯力觉控制方案纳入更全面的机器人作业信息，作业柔顺性更好。自然的做法是视觉/力觉信息独立处理，采用视觉比例控制、力觉比例积分控制策略，联合进行机器人关节角度控制。也可采用视觉/力觉正交控制思路来简化控制策略，根据约束表面的几何信息预测视觉位移和接触力，将混合任务空间划分为正交的力觉控制子空间、视觉位控子空间，再由力觉、视觉分别控制不同的运动方向。

在工业制造的实际环境中，环境模型的参数变化频繁，亟需一种泛用性和效率均较高的环境一机器人动力学建模方式，以确保机器人作业过程的末端跟踪质量。机器人加工属于具有强交互力的作业场景，需要控制系统及时捕捉接触力的变化并针对性调整控制策略。然而，机器人多传感器数据融合方法的计算成本较高，导致控制系统难以及时响应加工接触力的突变。为此，在多传感器数据融合方面需克服各控制子集的缺点，提高机器人对位置、接触力等物理量的测量精度以及多源数据处理的效率。

(四)灵巧机构

在精密工业制造场景中，传统的机械抓手等机器人未端执行器，刚性结构的可形变范围小、关节运动自由度低、适应性不强、多关节柔顺性差，无法对不同尺寸、刚度、形状、类型的目标物进行高效率抓取及搬运。尽管已有机器人配置弹性材料并根据抓手模型设计自适应抓取策略，但无法根本性地解决相关问题。

由柔性材料制作的桑性抓手，可在无限的自由度上产生形变，利于模仿人的手部弯曲动作，自适应抓取刚度脆弱、结构复杂、尺寸多样的工业零部件。例如，拉线抓手模仿肌肉收缩模式，可通过外部动力使抓手产生形变，但拉线需要预先嵌入抓手，拉线的线路和点位相对固定，导致夹爪行程有限，很难抓取形状不规则、质呈较大的目标物体;为提高抓取效率，拉线抓手与黏性吸附、真空吸附等物理手段结合，进一步增强抓取动作的稳定性。

得益于增材制造技术的发展，气动抓手因较低的制备门槛、材料具有弹性结构的特点而受到关注，多由纤维增强橡胶制成，经气压驱动形成俯仰、偏转、拉伸等自由度;还可进一步组合出多节点机构，执行灵活的动作任务。传统的柔性抓手气动结构简单，但抓于刚度、承载能力较弱，因而目前多采用复杂气动网络结构!1以增强抓手的性能;可根据任务类型灵活选择气动网络结构，在抓于的不同位置配置变形性能差异化的结构，兼具物品抓取、振动控制能力，从而在灵活性、刚度、承载能力之间取得平衡。此外，根据材料受激形变特性设计柔性抓手，如利用导电聚合物(EAP)材料在电压下产生变形的特性，设计特殊的EAP材料结构、电压驱动控制策略，即可控制抓手的抓取动作EAP柔性抓手具有较大的形变和输出力，可根据零部件的外形轮廓进行白适应调整，实现对目标物的稳定抓取;但EAP材料的机械强度很小抓取时易受干扰，无法稳定抓取大尺寸目标物，也不宜用于多级协同任务。

智能制造工业机器人技术发展趋势

(一)大范围动态场景理解

工业机器人对环境、运行状态的感知要求极高，而在自主制造场景中作业环境多变、状态难以预估。需要构建动态语义地图以促进环境理解，解决机器人精细化实时路径规划、协同作业控制等难题;也需实时感知机器人与工件的关键信息，支持对制造状态进行全面监控。长久以来，大型部件制造过程中的信息感知环节普遍存在人工参与的现象，尽管多机器人视觉感知系统已投入应用，但并未显著缓解人为干涉多、自主性程度低、协同机制弱的情况。面向大型复杂部件制造的多机器人智能感知与认知研究仅处于起步阶段，由机器人实时环境感知、多源传感器白主测量与目标检测等构成的多模态感知理论体系亟待完善。针对复杂工业动态场景的大范围场景感知与理解，是未来智能制造工业机器人发展的重要方向。

(二)集群化作业

智能制造的关键特征是机器设备之间互联、互通、互融，集群机器人协同作业则为高效协同、白主组织、增强学习、深度融合的智能制造理论与技术提供了关键能力支撑。集群机器人系统由一定规模的单体机器人组成，基于信息交互与反馈、激励与响应等交感行为，构建机器人之间的行为协同与白主决策能力，更好适应工业制造环境中动态变化的复杂作业任务。相较单体机器人，集群机器人系统的显著优势表现在:重塑大型复杂构件的测量、加工、装配等关键制造过程，执行单体机器人难以完成的制造与检测任务，对提质、增效、降本、柔性生产等发挥支撑作用。智能化的集群机器人制造是承担重大装备制造任务的有效形式、智能制造发展的重要趋势。

(三)柔性作业

就目前广泛应用的工业机器人而言，机器人作业调试阶段仍大量采用人工示教方式(技术人员预先调试，设曾机器人的动作路径)。而高端装备的各类关键核心部件，多有结构异形复杂、加工质量要求高、制造批量小、型号种类多的特点，导致机器人定制化作业调试模式难以胜任。智能制造工业机器人作为高柔性的智能制造装备，更好适应小批量、多品种、个性化的现代制造业生产模式，直接增强制造生产线的智能性和灵活性。为了高质量地执行焊铆、磨抛、装配、搬运等接触型作业任务，机器人需要准确跟踪预先轨迹，机器人的未端执行器与作业工件之间的位姿和接触力控制也显关键。对于接触型作业，人工操作在智慧性、灵巧性、柔顺性方面具有明显的优点，因而工业机器人在保持一致性、精准性、长时间连续作业等强项的同时，也需着力增强柔性作业能力。结合机器人作业特点，配置功能增强型传感器和未端执行器，提升机器人在接触过程中的操控性能，是实现人类技能与机器人作业模式融合互补的有效技术路径、智能制造工业机器人技术的重要发展方向。

(四)具身智能

当前的工业制造模式由流水线定制化作业转向小批量、多品种的柔性离散作业，在制造场景、制造环境边界、制造任务三方面均存在不确定性。常规工业机器人的感知与作业能力有限，难以活应更趋复杂的工业制造环境。具身智能作为A技术发展的重要分支，成为工业机器人的新兴研究方向，在工业制造中展现出良好潜力。具身智能机器人指具有具身智能能力的机器人，可理解人类自然语言感知环境，白主规划任务并与环境交互;突出机器人与环境的强关联、强交互，将更好应对柔性离散的工业制造环境。相关技术主要涉及多模态和泛传感的感知系统、精密运动控制系统、基于大模型技术与海量工业数据的世界模型，作为机器人与制造环境柔性适配的重要支撑，在智能制造技术体系中的地位不断提升。

(五)网络化协同

工业机器人系统宏观有序地执行智能制造作业，需要以机器人个体之间的通信与计算为支撑。云计算、边缘计算、工业互联网、大数据等信息技术发展迅速，相关部署架构及应用平台集成了异构信息互通与计算力分配功能，可克服单个设备在传感、通信、信息存储、计算资源等方面的固有局限，是解决机器人通信计算融合问题的有力依托(见图3)。“云边融合”的工业机器人作业模式，全面集成振动、视觉、激光、电信号等传感器信息，深度感知制造过程中生产实体的特性与状态，根据作业任务属性、设备种类、计算性能，实时动态地在工业计算中心(云)和计算单元(边)之间进行数据交换、计算分配、任务分发，进一步延伸至场景中的智能制造设备;驱动机器人与其他制造设备高效、无缝地分配并共享云端即边缘端的计算、存储、数据资源，支持制造系统的网络化、智能化、多设备协同。基于云计算、边缘计算、云机器人等技术，术沟建高效安全的集群机器人通信计算一体化网络架构，保障机器人之间低时延、高安全的网络传输及计算分配，是末来智能制造工业机器人技术发展的另一重点方向。

(六)数字孪生

李生以数字化方式创建制造场景、设备、零部件等实体的虚拟模型，可模拟物理实体在现实环境交互中产生的外观行为、内在物理特性变比。对于智能制造工业机是基于岁字孪生技术开展虚实交互仿真、虚实映射反馈、数据融合分析、预测迭代优化，增强或扩展机器人制造系统的功能，监控机器人系统的运行情况，预测并优化机器人作业参数，将显著增强复杂力、光交互环境中的作业性能(见图4)。相关系统已在多类装备制造领域开展应用，如基于数字李生技术的飞机智能制造平台，将飞机实际生产数据融入到飞机制造数字孪生系统，建立飞机制造场景李生模型，与制造执行、任务规划系统连通，提前规划制造任务，支持快速调整制造参数。然而，机器人与制造环境复杂交互的数字李生仍存在不足，数字孪生建模精度不高，机器人多传感器数据交互整合困难，数字孪生预测的准确性和实时性欠佳;需要着力开展相关技术攻关，才能稳健推动智能制造工业机器人数字孪生技术的发展与应用。

(来源：吴昊天,王耀南,朴玄斌,陈文锐,江一鸣,贾林,肖旭,彭伟星. 智能制造工业机器人技术应用及发展趋势[J]. 中国工程科学, 2025, 27(3): 83-97 DOI:10.15302/J-SSCAE-2025.01.005）