3DVAC-HiPRoM：基于3D视觉和对准控制的高精度机器人操作技术，旨在提升制造业的韧性

《ROBOTICS AND COMPUTER-INTEGRATED MANUFACTURING》：3DVAC-HiPRoM: 3D vision and alignment control-based high-precise robot manipulation for manufacturing resilience

　　李廷成|赵建章|上官哲功|史世峰|袁天冉|李述飞|叶楠
南京航空航天大学机电工程学院，中国南京

**摘要**
精确的机器人操控对于弹性智能制造至关重要，因为它能够确保在重复性和定位精度方面对干扰的容忍度。然而，传统的精确机器人对准方法通常依赖于传感器融合（例如激光跟踪仪器和扭矩传感器），但这些方法的高成本或大型设备限制了机器人的灵活性和效率。为了解决这一瓶颈，本文提出了一种基于3D视觉感知和对准控制的高精度机器人操控方法3DVAC-HiPRoM，以提高制造弹性。首先，构建了一个3D视觉系统，并开发了一种混合校准方法来应对大视野下的相机校准问题。接下来，为了确定机器人的姿态，引入了一种配准技术，包括基于分组的整体配准方法、计算机器人与工件之间相对姿态的方法以及生成机器人运动数据的策略。使用混合方法校准后的视觉系统测量精度从0.563毫米提高到0.068毫米。所提出的配准方法能够有效将重构数据与现有数据对齐，在销孔机器人对准中实现了最小的无量纲间隙为0.04毫米。这种方法有助于提升机器人的自动化制造能力和智能制造水平。

**引言**
制造弹性意味着增强工业生产的韧性，以更好地抵御各种干扰[1]。在向智能制造转型的过程中，工业机器人越来越多地承担各种任务——例如飞机钻孔和太空机器人的自主组装——从而减少了对人工劳动的依赖[2]。这些机器人的操控弹性取决于其定位的精度，包括重复性和绝对精度，以满足现代制造过程的高精度要求[3]。针对不同的机器人操控需求，研究人员一直在努力提高工业机器人的位置精度。一种著名的方法是离线补偿技术，它涉及在移动前预测和补偿机器人的定位误差。这包括基于神经网络的方法[4],[5]，以及利用机器人运动参数模型的方法[6],[7]等。例如，张等人[8]提出了一种深度迁移回归方法来估计铣削过程中的机器人加工误差，取得了良好的性能。然而，神经网络通常依赖于复杂的模型，并且需要大量的计算资源来计算运动误差，这阻碍了实际任务中的实时补偿。虽然传统的运动参数模型通常关注几何因素，但在考虑诸如装配间隙和机器人运动部件的磨损等因素时，使用数学模型准确近似运动误差是具有挑战性的。这些问题严重限制了机器人操控在实现精确运动方面的弹性。另一种方法是使用反馈装置动态调整机器人的运动路径，从而提高定位精度——这被称为动态补偿技术。例如，可以在机器人的关节处安装高精度编码器[9],[10],[11]。通过这种方式，各种传感器用于跟踪机器人的运动路径，为控制系统提供关于末端执行器位置的实时反馈，直接提高了机器人的绝对定位精度[12],[13],[14],[15]。然而，使用昂贵的传感器、定制的编码器和高精度组件往往会增加成本并降低灵活性，这可能与制造弹性的目标相悖。

**本文旨在填补实现低成本 yet 高精度机器人操控的研究空白，提出了基于3D视觉和对准控制的3DVAC-HiPRoM方法。该系统解决了与3D重建以及确定机器人和工件相对位置和方向相关的挑战，在高精度销孔任务中表现出强大的性能，增强了操控弹性。值得注意的是，该系统引入了一种新型的混合校准方法，该方法使用低成本的校准板进行粗对准，并使用灵活的校准棒进行精细对准参数调整，从而实现高精度的3D重建。随后，通过基于3D视觉感知计算机器人和工件之间的相对位置和方向来实现对准控制。本文的其余部分组织如下：第2节回顾了机器人制造领域的最新相关研究，特别是那些具有高精度要求的研究；第3节介绍了3DVAC-HiPRoM方法，包括其立体视觉模块、机器人运动控制以及点配准和对准计算；第4节通过校准实验、3D点识别和销孔对准任务评估了系统的性能；第5节讨论了研究的成果；第6节总结了本研究及未来的工作。**