综述：多机器人协作3D测量技术的全面分析

《ROBOTICS AND COMPUTER-INTEGRATED MANUFACTURING》：A comprehensive analysis of multi-robot collaborative 3D measurement technologies

　　张志红|邓景丹|谢和|王耀南|高谢意|谭秦|李超
湖南大学人工智能与机器人学院，长沙410082，中国

摘要
三维（3D）测量技术是智能制造的基石。然而，传统的单机器人测量系统由于其单一的视角和有限的测量范围而存在固有的局限性，导致对大型物体的数据采集不完整且效率低下。多机器人协作3D测量系统为这些挑战提供了新颖而有效的解决方案。基于该协作系统的关键技术，本文对该领域的最新研究进展进行了系统分析，并提出了一个技术路线图，将复杂的工作流程分为四个核心阶段：多机器人多传感器校准、多机器人协作规划、多视图点云配准和多特征检测。在该框架下，分析了每个阶段的最新进展和存在的问题，从而为在复杂和动态环境中部署多机器人协作3D测量系统提供了有价值的参考。

引言
智能制造的不竭推动使得高精度3D测量成为一项关键的技术。传统的测量系统通常由配备结构光扫描仪或激光三角仪的单个机器人组成，在常规的小规模场景中已被证明非常有效[1]。然而，当应用于航空航天和汽车等行业中常见的大型且几何结构复杂的部件时，单机器人测量系统的效果显著下降。这一挑战源于两个根本性问题：首先，单一的视角使得系统容易受到自遮挡的影响，导致凹处、深腔或物体背面未被扫描；其次，受传感器最佳工作范围和机器人运动范围的限制，无法在一次扫描中全面检查大面积表面。因此，实现全覆盖通常需要多次耗时的重新定位，这不仅降低了整体效率，还引入了累积注册错误的风险，成为现代工业检测中的一个关键瓶颈[2]。

为了克服单机器人测量系统的局限性，多机器人协作3D测量技术提供了一个更优的解决方案。通过协调配备多种传感器（如高分辨率相机、激光雷达单元或结构光模块）的多个机器人，这些机器人可以从不同角度同时捕获目标的互补视图。这种并行多视图方法不仅确保了全面的表面覆盖并提高了对传感器噪声和校准漂移的鲁棒性，还通过分布式工作流程大幅减少了检测时间，非常适合用于大规模装配[3]。如图1所示，传感硬件的选择决定了3D测量系统的基本精度和工作范围[4]。为了便于理解，表1总结了代表性的测量传感器，并强调了它们的主要特性和典型的工业应用场景。在这些传感器中，结构光扫描仪通常在较短的工作距离下提供更高的测量精度，而激光跟踪器可以在较大的工作空间内实现计量级精度。飞行时间（ToF）传感和激光雷达具有更长的测量范围，但其测量精度通常较低。基于视觉的测量方案在部署上灵活性较高，但其精度受场景纹理、照明条件和校准质量的影响较大。

多机器人协作3D测量系统主要依赖于四个关键技术组件：多机器人多传感器校准、多机器人协作规划、多视图点云配准和多特征检测。这些组件共同决定了测量数据如何获取、融合和分析。然而，每个组件都引入了各自的技术挑战，在多机器人协作环境中这些问题会显著放大。下面将概述与这四个组件相关的主要挑战：

**多机器人多传感器校准**
多机器人系统的校准比单机器人系统复杂得多。虽然单机器人系统主要需要手眼校准，但协作系统增加了两层复杂性：首先，多个传感器的存在需要一个统一的校准框架来准确确定它们的外部参数；其次，多个机器人的协调需要精确估计机器人之间的变换矩阵，以确保所有机器人都在一个连贯的坐标系统中运行。

**多机器人协作规划**
多机器人系统的有效规划需要解决视图规划、任务分配和运动规划这三个紧密耦合的问题。其中，有效的任务分配至关重要，因为它关系到效率的最大化。与单机器人系统不同，这个分配过程必须结合视图覆盖策略以及复杂的约束条件，包括每个机器人的运动学、机器人之间的碰撞避免和动态重新规划能力。这使整体规划任务变成了一个大规模的、计算密集型的优化问题[5][6][7]。

**多视图点云配准**
多机器人3D测量的一个关键挑战是将不同机器人和传感器捕获的多个点云准确对齐并融合到一个统一的参考框架中。虽然传统的成对方法（如迭代最近点（ICP）在 aligning 两个扫描结果时有效，但在多视图环境中顺序应用时容易产生显著误差。在协作系统中，这一问题更加严重，因为来自不同来源的数据具有不同的点密度、分辨率和噪声特性，违反了许多传统算法的核心假设。尽管基于学习的方法在处理低重叠度和跨源数据方面显示出潜力，但它们对大规模训练数据集的依赖性和较高的计算开销仍然是主要障碍[8][9][10][11]。

**多特征检测**
工业3D测量的主要应用是从点云中提取显著特征以进行详细分析。这一过程包括一系列关键的检测任务，从识别细微的几何实体（如孔、边缘和曲率异常）到定位关键的表面缺陷。然而，在协作系统生成的大型点云上可靠地执行多特征检测面临着重大挑战。数据的庞大规模可能会掩盖细节，而来自不同传感器源的点密度和噪声变化可能会影响检测算法的准确性和重复性。

尽管每个组件在其研究社区内都受到了广泛研究，但研究成果大多分散，缺乏跨阶段的集成。孤立开发的方法往往是在假设或数据特性不适用于多机器人协作测量环境的情况下进行评估的，这使得将它们整合成一个连贯的流程变得困难。这种碎片化突显了当前文献中的一个更广泛的问题：缺乏一个系统级的视角，将这些组件组织成多机器人3D测量的统一方法体系。

除了方法论层面的碎片化外，实际部署还带来了实际限制，特别是对于电池供电的移动机器人而言。有限的机载计算和存储资源、通信带宽限制以及能耗考虑都会影响哪些技术适合在机载环境中执行，哪些更适合离线或边缘辅助处理。因此在选择和整合多机器人3D测量流程的四个阶段的多种方法时，这些限制非常重要。为了解决这一问题，本文提供了对多机器人协作3D测量核心技术的全面回顾，并提出了图2所示的技术路线图，以构建这一复杂领域并提供统一的视角。该路线图将整个流程概念化为四个相互依赖的阶段顺序工作流程：首先是从多机器人多传感器校准开始，建立系统的全球坐标变换关系；随后进行多机器人协作规划，执行视图规划并规划多机器人扫描轨迹；通过多视图点云配准将机器人捕获的点云融合成完整的模型点云；最后从融合的点云中提取各种与任务相关的特征。计算成本和能耗进一步影响了这些阶段的方法选择。

**主要贡献**
1. 提出了一个统一的多机器人协作3D测量四阶段框架，将校准、规划、配准和特征检测整合为一个集成工作流程，解决了现有文献中常见的碎片化问题。
2. 对每个阶段内的代表性方法进行了全面回顾，以结构化的方式组织了现有技术，强调了多机器人测量场景中的独特挑战，并考虑了硬件和计算约束。
3. 概述了四个阶段中的关键限制和开放研究问题，为推进实用、可扩展和自主的多机器人测量系统指明了未来的研究方向。

**部分内容摘录**
- **多机器人多传感器校准**
精确统一的校准是任何多机器人协作3D测量系统的基础要求。其主要目标是通过确定所有系统组件之间的几何变换来建立共同的参考框架，从而确保采集数据的全局一致性和准确性。虽然单机器人系统的校准是一个明确定义的问题，但引入多个机器人和传感器后，复杂性显著增加。

- **多机器人协作规划**
测量规划是3D测量的基本组成部分，负责生成针对目标对象的完整高效数据采集策略。在多机器人系统中，这一任务的复杂性急剧增加，因为多个代理的动作必须精确协调。为了解决这一复杂性，整体规划问题通常被分解为三个独立但紧密耦合的阶段。

- **多视图点云配准**
在多机器人协作规划模块中，每个机器人按照指定的视图序列执行扫描任务，通过其传感器获取目标对象的部分点云。然后必须将这些单独捕获的扫描结果对齐到一个统一的参考框架中，才能进行任何全局几何分析。准确地将来自不同机器人和不同视角的点云结合起来是其中一个核心挑战。

- **多特征检测**
工业3D测量的主要目的是通过从点云中提取多种有用特征来获取关于目标对象的定量数据。这一多特征检测过程是后续关键操作（如精密加工、装配对齐和质量检测）的基本前提[168][169]。它涵盖了从识别基本几何元素（如点）到定位关键表面缺陷的各种任务。

**结论**
本综述全面审视了实现多机器人协作3D测量的核心技术，并将它们组织在一个统一的系统级框架中。总体来看，现有文献表明，尽管现有的校准、规划、配准和检测方法各自能够支持测量工作流程的部分内容，但将它们整合成一个连贯的流程仍然具有挑战性。该领域仍在努力在各个组件之间找到平衡。

**作者贡献声明**
张志红：撰写——审稿与编辑、原始草稿撰写、可视化、方法论研究、概念化；
邓景丹：撰写——原始草稿、可视化；
谢和：监督、资金获取；
王耀南：监督、资源协调；
高谢意：研究支持；
谭秦：项目管理；
李超：资源提供。

**利益冲突声明**
作者声明没有已知的财务利益冲突或可能影响本文报告工作的个人关系。

**致谢**
本研究得到了中国国家重点研发计划（项目编号2023YFB4704800、2024YFB4708400）、国家自然科学基金（项目编号62573184）、湖南省自然科学基金（项目编号2025JJ4006）的支持。