面向人机共融智能制造的集成安全与效率的多智能体规划方法

《JOURNAL OF INTELLIGENT MANUFACTURING》：Safe and efficient multi-agent planning for human–integrated smart manufacturing

本研究针对人机共融智能制造中，传统反应式安全策略导致效率低下、工作流中断的问题，提出了一种基于增强型C-MAS本体与自动化规划的安全感知规划方法。该方法通过构建增强边图，并集成智能体协商与运行时安全策略，在规划阶段主动排除不安全操作，生成兼顾安全与效率的运输和定位序列。在Plug&Produce案例研究中，该方法相比基线反应式安全策略，吞吐量提升50-80%，执行成本降低20-55%，显著提升了系统的效率、鲁棒性和人机协作安全性。

　　

想象一下，在一个现代化的智能工厂里，机器人正与人类工人并肩工作，共同完成复杂的装配任务。为了确保安全，当人类靠近时，机器人会减速甚至完全停止。这种“反应式”的安全策略虽然能保护工人，却带来了一个令人头疼的问题：频繁的减速和急停严重拖慢了生产节奏，导致整个系统的效率大打折扣。更糟糕的是，这种“事后补救”的方式，使得生产计划变得不可预测，难以适应现代制造业对高灵活性和高效率的追求。

这正是当前人机共融智能制造面临的核心挑战。现有的多智能体系统（Multi-Agent System, MAS）规划方法，大多将安全视为执行阶段的约束，而非规划阶段的考量因素。这导致生成的计划虽然在功能上是正确的，但在操作上却效率低下，无法预见并规避因人类活动可能引发的风险。为了解决这一难题，来自University West的研究团队在《Journal of Intelligent Manufacturing》上发表了一项研究，提出了一种全新的“安全感知”规划方法，旨在让人工智能系统能够像人类一样，在制定计划时就“思考”安全问题，从而在保障安全的同时，最大化生产效率。

为了回答“如何让智能体在规划阶段就主动考虑安全”这一问题，研究人员开展了一项系统性的研究。他们首先构建了一个增强型的安全感知C-MAS本体（Ontology），为智能体之间的安全交互提供了语义基础。在此基础上，他们提出了一种创新的规划方法，该方法通过构建“增强边图”（Map of Enhanced Edges）来建模制造环境。图中的每一条边都代表了一个由“分离”、“运输”和“附着”技能组成的宏操作序列，并关联了其聚合的执行成本。

在运行时，智能体之间会进行协商，以评估每条边的安全性和成本。例如，当人类进入某个工作区域时，涉及该区域的边会被标记为不安全或成本极高，从而在规划阶段就被排除。最终，规划器（Solver）利用这些经过协商的、包含安全成本的信息，生成一个既安全又成本最低的行动序列。这种方法将安全从被动的执行约束，转变为主动的规划决策因素，实现了安全与效率的协同优化。

为了验证该方法的有效性，研究人员在一个Plug&Produce案例研究中进行了评估。该研究模拟了一个包含机器人、工作站和人类操作员的制造单元，并设置了两种系统配置（单工作站和并行工作站）以及三种不同的人类出现频率（低、中、高）。研究结果表明，与传统的仅依赖速度与分离监控（Speed and Separation Monitoring, SSM）的基线方法相比，所提出的规划方法在吞吐量上提升了50-80%，在执行成本上降低了20-55%，并且显著降低了性能的波动性，使系统运行更加稳定和可预测。

本研究成功地将安全策略从执行阶段前移至规划阶段，通过智能体协商和自动化规划的结合，显著提升了人机共融制造系统的效率和鲁棒性。该工作为实现以人为本的未来制造愿景迈出了坚实的一步，证明了智能制造系统完全有能力在不牺牲生产力的前提下，主动保障人类操作员的安全。

关键技术方法

本研究主要采用了以下关键技术方法：1. 增强型C-MAS本体构建：扩展了原有的可配置多智能体系统（C-MAS）本体，引入了WorkFlow、Requirement和InterfaceSpecialisation等新类，为技能建模、安全评估和自动化规划提供了语义基础。2. 增强边图构建与规划问题建模：将制造环境建模为一个由“增强边”构成的图，每条边代表一个宏操作序列，并通过智能体协商动态更新边的安全状态和成本，从而将复杂的规划问题转化为图上的最短路径搜索问题。3. 基于FIPA CNP协议的智能体协商机制：采用标准的FIPA合同网协议（Contract Net Protocol, CNP）和智能体通信语言（Agent Communication Language, ACL），实现智能体之间的安全评估、成本计算和资源分配。4. 分层递归规划与执行：设计了一个分层执行框架，其中高层目标通过调用fulfilRequirement函数触发规划，而具体的技能执行则通过executeSkill函数递归处理，确保在满足前置条件的同时，通过“预订”（Booking）机制避免运行时的不安全空间重叠。

研究结果

1. 增强边图与规划问题建模

研究人员将制造环境建模为一个由“增强边”构成的图。每条增强边e被定义为e = ?l_k, τ_l, l_m, uid(e), Cost(e)?，其中l_k和l_m分别代表源位置和目标位置的接口，τ_l代表运输接口，uid(e)是唯一标识符，Cost(e)是总成本。总成本由分离成本c_detach(e)、运输成本c_transport(e)和附着成本c_attach(e)组成。规划问题P被定义为P = ?M, s_i, S_g?，其中M是图，s_i是初始状态，S_g是目标状态集。通过这种建模方式，复杂的技能序列规划问题被转化为在图M上寻找从s_i到S_g的最小成本路径问题。

2. 智能体协商与安全感知成本计算

在规划过程中，智能体通过协商来评估每条边的安全性和成本。协商遵循FIPA合同网协议（CNP），包括发布招标（Call For Proposals, CFP）、评估提案和授予合同等步骤。当智能体收到CFP时，会执行用户定义的onNegotiation()方法，该方法会考虑实时安全条件（如人类位置）来计算技能的执行成本。如果某个技能存在高风险，系统会进一步检查是否存在空间重叠，并通过“预订”机制锁定相关资源，以防止并发操作带来的危险。通过协商，不安全的边会被排除，而安全边的成本则反映了当前的运行条件，使得规划器能够生成既安全又高效的方案。

3. 案例研究评估与性能分析

研究在一个Plug&Produce案例中进行了评估，比较了所提出的规划方法与仅依赖SSM的基线方法。评估考虑了两种系统配置（配置A和配置B）和三种人类出现模式（低、中、高）。结果显示，所提出的方法在吞吐量上显著优于基线。在配置A中，吞吐量从3.38±0.97提升至5.21±0.61（单位：每60成本单位处理的零件数）；在配置B中，吞吐量从3.29±0.92提升至5.89±0.57。同时，该方法显著降低了执行成本。在配置A的高人类出现模式下，平均成本从5171.4±242.2降低至2635.4±52.8；在配置B中，成本从5209.3±249.0降低至2318.3±43.1。此外，该方法还大幅降低了性能的波动性，标准偏差比率（SD_baseline/SD_proposed）在3到17之间，表明系统运行更加稳定和可预测。

4. 统计显著性分析

为了验证结果的可靠性，研究人员进行了统计显著性分析。t检验结果显示，在两种配置和所有人类出现模式下，所提出方法与基线方法在累积成本上的差异（Δ_cost）均具有统计学显著性（p < 10^-12）。例如，在配置A的高人类出现模式下，Δ_cost为2536.0，95%置信区间为[2427.4, 2644.6]。在吞吐量方面，配置A的平均差异Δ_thr为1.83（95% CI: 1.54-2.12），配置B为2.60（95% CI: 2.33-2.87），差异同样具有高度统计学显著性（p < 10^-12）。这些结果证实了所提出方法带来的性能提升是真实且显著的。

结论与讨论

本研究成功提出并验证了一种面向人机共融智能制造的安全感知多智能体规划方法。该方法通过构建增强型C-MAS本体，将安全策略集成到自动化规划过程中，使系统能够在规划阶段主动规避风险，而非在运行时被动反应。研究结果表明，该方法能够显著提高系统的吞吐量，降低执行成本，并增强运行的稳定性和可预测性。

该研究的意义在于，它将安全从一种限制性的约束转变为一种可被规划和优化的资源。通过让智能体在规划时“思考”安全问题，系统能够生成更智能、更高效的方案，从而在保障人类安全的同时，充分发挥自动化系统的潜力。这为实现真正灵活、高效和以人为本的未来智能制造奠定了坚实的基础。