機器人協同裝配的發展與應用研究綜述

黃海松，張松松

(貴州大學 現代制造技術教育部重點實驗室，貴州 貴陽 550025)

近年來，隨著我國智能制造的大規模發展和科技水平的不斷提升，在日益激烈的市場競爭中，人力成本不斷地提高，如何提高機械產品制造過程中的加工效率、降低加工成本、有效提高產品質量成為目前智能制造發展面臨的主要問題[1-4]。在“中國制造2025”的工業背景下，依靠先進科技的工業自動化程度越來越高，眾多工業生產企業都將工業機器人應用于生產制造[5-8]。目前，在發達的制造企業內，工業機器人已成為制造過程中必不可少的設備，廣泛應用于組裝、搬運、噴涂、焊接和激光加工等，而且都取得了良好的應用效果[9]。

隨著機器人越來越多地用于工業生產，如何將機器人引入到工業裝配中已成為國內外研究人員的研究熱點，科研人員正在探尋能夠幫助人類安全高效地使用機器人進行智能裝配的方法[10]。但是在研究過程中，研究人員也意識到使用機器人完成工業產品的自動裝配是工業機器人所面臨的嚴峻挑戰之一，因為在一些復雜工業產品的裝配中，復雜的裝配工藝往往會給工業機器人帶來極大的限制[11]。此外，傳統的工業機器人必須由掌握專業機器人編程技能的技術人員進行預先編程，才可以在結構良好且穩定的環境中執行特定裝配任務。然而，該過程將涉及對每個不同任務的連續實驗測試，才能最終應用于實際生產，這不僅會造成資源的浪費和降低生產效率，而且無法滿足智能制造中柔性化制造的趨勢[12]。

為了解決工業機器人的局限性以及傳統工業面臨的柔性制造問題，研究人員在過去幾年中提出了人-機器人協同裝配(指在確定的協同工作空間內人與機器人直接交互)的概念，機器人與人形成一種工作伙伴的關系，相互感知，相互協助[13]。人-機器人之間的協同裝配大大提高了系統的靈活性、操作性和容錯性，且具有足夠的安全性，發展人-機器人協同裝配技術具有重要的現實意義。

1 國內外研究現狀分析

在最近的幾年里，人-機器人協同裝配在智能制造中的地位發生了巨大變化，機器人研究領域的國內外學者越來越多地關注人-機器人協同裝配的研究，特別是隨著德國的“工業 4.0”、英國的“工業 2050 戰略”、美國的“先進制造業國家戰略計劃”和中國的“中國制造2025”等戰略的不斷推進，人-機器人協同裝配在整個工業應用中的地位也逐漸得到認可,國內外人-機器人協同裝配研究也逐漸成為機器人研究領域的研究熱點[14-17]。為了從整體上呈現近年來人-機器人協同裝配研究的基本研究現狀，采用了內容分析法和文獻計量法，利用可視化網絡分析工具CiteSpace直觀、可視化的特點[18]，對WOS核心數據庫2016—2021年間所收錄的人-機器人協同裝配研究的文獻、會議論文和會議摘要等進行梳理和分析，以知識圖譜的形式呈現出來，為更好地開展人-機器人協同裝配研究提供參考。

1.1 公開出版文獻年度統計分析

在人-機器人協同裝配研究中，機器人和裝配兩個關鍵詞均有出現，為了準確全面檢索到研究文獻，數據檢索時字符串輸入“robot assembly”或“Human robot cooperative assembly”進行文獻檢索，發表時間設定為2016—2021年，共檢索到相關文獻1 167篇，2016 年文獻發表數量較少，年度數量為92篇，2017 年發表數量增加為147篇，2018—2021年發表數量逐年增加，到2021年為265 篇，具體見圖1。從圖1中可以直觀地看出，2016年至今，關于人-機器人協同裝配研究的文獻一直保持較快的增長趨勢且呈現發展勢頭，因此，可以預測人-機器人協同裝配正在成為研究熱點。

圖1 2016—2021年發文量總體趨勢Fig.1 Overall trend of documents issued from 2016 to 2021

1.2 主要出版國家及研究機構情況

從2016—2021年發表相關文獻的主要出版國家和研究機構分布統計分析可知，截止到2021年全球范圍內已有超過30個國家參與人-機器人協同裝配的研究，具體如圖2所示，主要出版國家分別為中國(占比 33.24%)、美國(占比17.13%)、意大利(占比7.19%) 、日本(占比5.82%)和德國(占比5.48%)?？梢钥闯?對于人-機器人協同裝配的研究主要集中在工業較為發達和科技較為雄厚的國家。

圖2 2016—2021主要出版國家知識圖譜Fig.2 National knowledge atlas mainly published in 2016—2021

如圖3，通過主要研究機構統計分析，主要研究機構有中國科學院(占比3．94%)、哈爾濱工業大學(占比2.23%)、麻省理工(占比3.08%)、清華大學(占比1.97%)和浙江大學(占比1.97%)等。這些機構大多為世界一流大學，成為了人-機器人協同裝配研究的主要研究基地，且部分研究機構之間存在一定的合作關系，可以看出人-機器人協同裝配的研究絕對處于世界前沿研究領域。

圖3 2016—2021主要研究機構知識圖譜Fig.3 Knowledge map of major research institutions in 2016—2021

2 人-機器人協同裝配中的關鍵技術

2.1 人-機器人協同技術

制造環境中的人-機器人協同旨在實現人類可以與機器人近距離并肩工作。在這樣的協同環境中，人類和機器人共享相同的工作空間和相同的資源，在某些情況下需要共享相同的任務[19]。協同的主要目標是將機器人具有的高強度、高耐力、可重復性和準確性特點與人類具有的直覺性、靈活性、可應變能力和感官技能特點相結合，從而提升整體生產力和提供更好的產品質量[20-24]。人類和機器人在協同環境中的關系包含多個方面，一般是從工作空間、接觸、任務分配、任務順序4個方面對人機協同進行分類[25]，主要包含以下3種關系(見圖4)：

1)機器人和人類在同一物理空間內，但彼此的工作空間沒有重疊，人和機器人之間沒有直接接觸，產品對象在他們之間進行交換，過程是獨立和同時執行的。

2)機器人和人類共享相同的工作空間，人類和機器人之間進行交互，通過一方指導或控制另一方實現互相通信，在這個過程中，人和機器人執行相同的任務，但會按順序分步完成任務。

3)機器人和人類在共享工作空間中進行聯合行動，即人-機器人協同過程中，他們有著明確的共同完成一個特定任務的目標，在此過程中需要各方互相協調，也允許物理接觸，充分結合各自優勢提升生產水平。

圖4 人-機器人協同模型Fig.4 Human-robot cooperation model

2.2 機器人抓取

機器人抓取是機器人領域的一項重要研究內容，可廣泛應用于工業、服務業、國防、醫療等行業，極大地拓展了機器人的應用范圍和應用前景，同時也是機器人裝配中的關鍵環節[25]。傳統上，機器人抓取涉及3個子系統：感知、規劃和計算，三者協同幫助機器人實現抓取任務。圖5為一個完整的機器人抓取應用場景。感知子系統用于獲取被抓取物體的位置和姿態(方向)，規劃子系統用于執行機械手移動的位置和路徑規劃，計算子系統，即機器人的“大腦”部分，用于處理每個子系統的數據，然后做出控制決策[26-27]。

圖5 機器人抓取應用場景Fig.5 Robot grasping application scenario

目前，機器人抓取最常用的方法可以分為3類：1)基于Depth的抓??；2)基于RGB的抓??；3)基于RGB+Depth抓取。在不同的應用場景下這3類方法分別具有各自的優勢，文中對這3種抓取方法進行分析與總結：

1)基于Depth的抓取

該方法首先需要構建基于深度圖的抓取質量數據集，訓練得到抓取質量評估網絡，為后邊的機器人抓取提供支持。在進行機器人抓取的過程中，通過深度相機采集當前視野下目標物體的深度圖，在目標物體深度圖上生成若干個抓取候選，并通過算法在若干個抓取候選中選擇質量最高的候選進行抓取[28]，其數據集制作和抓取流程如圖6所示。

圖6 基于Depth的抓取估計流程Fig.6 Depth based capture estimation process

2)基于RGB的抓取

該方法是基于2D平面的抓取，機械臂末端執行器豎直向下單個角度抓取目標物體，利用深度卷積網絡結構，在抓取目標物體上生成抓取候選框，然后再通過評估抓取檢測模型，最終得到最佳抓取框[29]，抓取過程如圖7所示。

圖7 基于RGB的抓取流程Fig.7 Grabbing process based on RGB

3)基于RGB+Depth抓取

這類方法本質上與基于RGB的抓取方法一致，只是多了Depth通道的信息，利用目標物體的RGB-D圖像預測機器人抓取的最佳抓取姿勢[30]，過程如圖8所示。

圖8 基于RGB+Depth的抓取流程Fig.8 Grab process based on RGB + Depth

3 人-機器人協同裝配技術在智能裝配中的應用

3.1 基于人類演示的機器人學習裝配任務

傳統上，工業機器人由于其精度高、速度快而廣泛應用于工業生產線上，然而，傳統的工業機械人都是由人類程序員預先進行編程，并且在結構化良好且穩定的環境中執行特定任務[31]。但是，在人-機器人協同裝配的環境下，由于人類與機器人需要共享相同的工作空間和執行相同的任務，可能會在機器人的工作環境中引入不確定性，使得傳統的機器人編程無法應對這些環境不確定性帶來的挑戰[32-33]。在過去的幾年里，研究人員提出了一種基于人類演示的機器人學習框架，通過人類演示，機器人學習裝配任務的動作順序、操作路徑和裝配技能，一旦機器人掌握了演示任務的知識，它就可以與人類協同執行裝配任務[34-35]。在人類教學階段，人類通過握住機器人的末端執行器，在整個裝配任務演示過程中沿著適當的軌跡移動手臂來演示整個裝配任務。與此同時，在每個機器人手臂的末端安裝視覺傳感器，用來獲取工作平臺放置的工件的圖像信息。在機器人學習階段，機器人學習演示者完成裝配任務所需的所有動作，包括不同工件的抓取和裝配規則，以及裝配過程中的移動路徑和裝配動作[28，36-37]，總體框架如圖9所示。

圖9 基于人類演示的機器人學習框架Fig.9 Robot learning framework based on human demonstration

3.2 基于強化學習的人-機器人協同裝配

強化學習(reinforcement learning,RL)靈感來源于心理學中的行為主義理論，即有機體如何在環境給予的獎勵或懲罰的刺激下，逐步形成對刺激的預測，產生能獲得最大利益的習慣性行為[8]。在人機交互技術中，基于交互式強化學習的方法正在不斷應用到人-機器人協同裝配過程中，人-機器人協同裝配的強化學習過程分為兩個階段:第一階段使用基于任務的學習方式，由組成裝配過程的子任務學習組成;第二階段，通過交互式強化學習方法，人類與機器人進行交互學習，依靠反復試驗學習,使機器人學習復雜的人機協同裝配過程，達到最佳策略[22，38-39]。圖10為一種端到端的強化方法，機器人從人類教學中學習裝配過程中的動作。

圖10 機器人強化學習過程Fig.10 Robot reinforcement learning process

3.3 新興技術的誕生

在最近的研究中，許多新興的技術被提出，例如基于腦電信號驅動的機器人裝配技術，利用腦電圖(EEG)分析和腦電信號處理的方法(見圖11)，實現人類通過腦電與機器人交流和直接控制機器人[25]。最近，Mohammed等[40]提議在人-機器人協同裝配中使用人腦電波作為機器人控制的手段。

圖11 腦電信號采集Fig.11 EEG signal acquisition

此外，AR(augmented reality,增強現實)技術也被應用到人-機器人協同裝配中?；贏R的人-機器人協同裝配系統由4個子系統組成：基于AR的指令系統、任務序列規劃系統、人類監控系統和機器人控制系統[41]。利用AR系統直觀的圖形顯示，使人類能夠實時了解裝配任務，在AR圖形信息(圖12)的支持下執行裝配任務，從而防止裝配錯誤[25]。

圖12 AR裝配場景Fig.12 AR assembly scenario

4 總結與展望

由于工業機器人在工業產品裝配中的局限性，復雜產品的組裝任務機器人無法獨立、高效地完成，因此，研究人員開始將人-機器人協同應用于復雜產品的裝配中，不僅將有助于減少人員工作量，而且提高了裝配效率。在過去幾年中，關于人-機器人協同裝配的研究成為全世界科研人員的研究熱點，在本文中，首先介紹了人-機器人協同裝配的研究背景，利用文獻計量法和可視化工具CiteSpace對近幾年發表的與人-機器人協同裝配相關的文獻進行了統計分析，包括主要研究國家、機構和文獻發表數量等，進而得出人-機器人協同裝配的研究正處于成長期，在一些科技較發達和科研實力較強的機構已經開展了較早的科學研究。

針對人-機器人協同裝配應用中涉及的關鍵技術，本文中介紹了機器人抓取常用的3種方法和人-機器人協同技術。最后，根據在全球范圍內人-機器人協同裝配技術在智能制造的應用，總結了幾種較為成熟的人-機器人協同裝配的應用，包括基于人類演示的機器人裝配學習和基于強化學習的人-機器人協同裝配，以及幾種新興技術在人-機器人協同裝配中的應用。隨著機器人、人工智能、深度學習等技術的不斷融合和快速發展，相信未來機器人協同裝配技術在智能制造領域的發展必然前景廣闊。