《ROBOTICS AND COMPUTER-INTEGRATED MANUFACTURING》：Kinematics-guided multi-task learning for transferable models in robotic manufacturing
编辑推荐：
机器人增材制造中的路径可行性与能耗联合预测模型，基于逆运动学构建多任务神经网络架构，实现实时高效能耗估计与跨机器人平台迁移，较传统方法计算速度提升312倍。
Suyog Ghungrad | Reihane Arabpoor | Sean Rescsanski | Farhad Imani | Azadeh Haghighi
伊利诺伊大学芝加哥分校机械与工业工程系，美国芝加哥 60607
摘要
在机器人制造中，能源感知路径规划至关重要，因为它需要准确且低延迟地预测轨迹的可行性和能耗。基于物理的估算方法虽然准确，但计算速度较慢且依赖于特定平台；而现有的学习型替代方法虽然计算速度快，但常常无法正确判断不可行的路径，并且在不同机器人模型之间的迁移效果不佳。我们提出了“运动学引导的多任务模型”（Kinematics-Guided Multi-Task，简称KG-MT），这是一种具有运动学感知能力的架构，能够在机器人增材制造过程中同时预测路径的可行性和能耗。通过将逆运动学作为共享的计算基础纳入到统一框架中，KG-MT能够内化机器人的可达范围、关节和速度限制以及局部雅可比条件，从而为这两项任务提供有益的特征。我们通过贝叶斯优化调整超参数，并研究了两种迁移策略（仅基于架构的迁移和结合权重的迁移），以减少对目标数据的需求和训练时间。在均匀和异构机器人场景下的全面评估表明，该模型不仅优于传统的两阶段流程，还能大幅降低计算时间，同时保持高预测精度。在跨机器人迁移测试中，KG-MT在均匀环境下的可行性准确率达到97.98%，能量平均误差（MAE）为2.60%；在异构环境下的准确率为96.82%，MAE为3.79%。对于实际应用而言，KG-MT的运行速度比分析仿真快312倍，比级联神经网络替代方法快2.2倍。KG-MT为机器人制造中的跨平台能源感知规划提供了实用的基础，支持路径优化、机器人布局和可持续运营，并且可以轻松扩展到其他目标（例如抖动或热约束），而无需重新设计模型。
引言
制造业正在经历结构性变革，这得益于越来越强大的大型工业机器人的快速部署。这些机器人原本仅限于在结构化环境中执行重复性任务，如今被赋予了需要高度自主性、精确性和适应性的复杂操作任务。其中一个特别活跃的领域是机器人增材制造（AM），在这里，机器人运动学、传感技术和过程控制的结合使得诸如无支撑的成型打印、自主的大规模建造以及在危险环境中的现场修复等成为可能[1,2]。随着机器人臂展和打印结构的扩大，实时智能过程规划变得至关重要，以满足对质量、吞吐量和资源使用的严格要求。同时，协作机器人团队增加了系统的复杂性，这就需要从纯离线仿真转向高效、可扩展且具有通用性的模型，这些模型能够在延迟约束下进行运动规划和决策。例如，多机器人系统现在能够自主建造和修复大规模结构，显著减少了建造时间和人工干预[2]；然而，它们的有效性取决于优化多个紧密耦合指标的规划策略，包括最终部件的质量和机械性能、调度以及能耗（EC）[3]。实时估计这些指标并据此进行决策，对于提高机械性能和质量以及降低多机器人操作中的能耗至关重要。这要求系统地重新评估过程规划策略，以适应不同的目标。
从过程规划的角度来看，协作机器人制造中的决策包括几个相互依赖的任务，如部件分解、将子组件分配给各个机器人、机器人布局和重新定位以及制造操作的调度[4]。其中，能耗和路径可行性起着核心作用。估算能耗和验证运动学可行性决定了需要部署的机器人数量和类型、它们的空间配置以及运动计划，这些决策在极端环境中（如外星建造和修复）尤为重要，因为这些环境中的能源余量很小，任务可靠性至关重要。在这种情况下，必须将能耗视为一个一级决策变量，以防止任务失败。这一关注点也反映了现有文献中的一个空白：在机器人增材制造中，与几何形状、路径质量和沉积控制相比，能源考虑因素的关注度相对较低。我们之前的工作引入了空间能量图，可视化了机器人工作空间和部件位置周围的决策指标（包括能耗），从而为操作人员提供了规划和部署的实用指导[5]。然而，使用分析模型为体积达到500立方毫米的部件生成这样的图表需要大约50小时的计算时间[6]。在此基础上，下一步是实现根据机器人运动和任务分配实时估算能耗，并通过数据驱动的替代方法将这些估算整合到核心过程规划任务中。
目前大多数机器人系统中的能耗预测方法都是基于物理的，包括模拟或分析流程，这些方法根据机器人动力学整合了关节扭矩和速度[7]。尽管这些模型提供了高保真度和可解释性，但计算成本高昂，需要专家调整，并且难以在不同机器人平台和任务领域之间进行扩展，这限制了它们在实时应用中的适用性。相比之下，数据驱动的方法（如监督学习）能够以较低的推理延迟近似复杂的非线性关系，因此适用于交互式应用[8]。然而，将它们直接应用于机器人增材制造能耗建模仍受到两个问题的限制：首先，可移植性有限：为每个机器人单独训练模型通常需要大量高质量、特定于任务的数据[9]；其次，许多学习型替代方法忽略了路径的可行性，即两点之间的轨迹是否在物理上可行，而是依赖于单独的可行性检查或运动规划算法。传统的基于物理的神经网络通过基于偏微分方程（PDE）的约束来结合物理知识，这使得它们难以应用于刚体运动学和数据驱动的能耗模型。这类基于PDE的神经网络并不直接适用于机器人运动学[10]。重要的是，可行性并非随意设定的标签；它根植于逆运动学（IK）和运动规划约束，这些约束反映了机器人的配置空间、工作空间拓扑、关节/速度/加速度限制以及雅可比条件。对于给定的任务空间点对，机器人能否追踪插值路径取决于是否存在所有中间点的IK解。分析模型本质上编码了几何约束，并能识别出接近运动学奇点的位置，从而提供了对能耗和路径可行性的更全面评估[11]。这一观察表明，一个能够学习预测可行性的数据驱动模型实际上是在学习机器人特定运动约束的压缩表示。如果设计得当，这种表示可以跨机器人迁移，以提高泛化能力并减少新平台上的数据需求。然而，大多数现有的数据驱动模型都是针对单一任务单独训练的，无论是能耗还是路径可行性，通常采用特定于机器人的架构和特征。先前的研究提出了使用两阶段模型的方法，其中一个分类器确定可行性，另一个回归器预测可行路径的能耗[12]。虽然这种方法在原理上是有效的，但它容易传播错误（错误分类会降低能耗估计），并且在适应不同的机器人运动学或操作范围时迁移能力有限。这些局限性促使我们提出了一个统一的架构，该架构能够在共同的、具有运动学感知能力的表示下同时学习路径可行性和能耗预测，如图1所示。这种集成有望（i）通过多任务归纳偏差提高准确性，（ii）通过共享与IK一致的特征简化跨机器人迁移，（iii）支持过程规划循环中的实时部署。
本研究提出了一种统一的神经网络模型，该模型能够同时进行路径可行性分类和能耗预测。我们提出的“运动学引导的多任务模型”（KG-MT）利用多任务框架，并在候选路径上计算基于IK的引导特征，从而将运动学感知能力、可达范围、关节/速度限制和局部可操作性直接嵌入到学习到的表示中。为了促进跨平台的可移植性和减少数据需求，我们研究了基于仅基于架构的迁移和结合权重的迁移策略。该框架旨在实现两个关键目标：（1）确定所需的打印路径在运动学上是否可行；（2）准确估算执行该路径所需的能耗。总之，本研究做出了两项主要贡献：首先，我们引入了KG-MT，这是一种具有运动学引导的多任务架构和迁移学习策略，支持在目标数据有限的情况下实现均匀和异构的跨机器人适应；其次，我们证明了该模型可以在实际机器人增材制造场景中替代昂贵的分析仿真，包括部件级别的能耗估算和机器人布局的空间能量图构建，实现了数量级的加速和具有竞争力的准确性。本文的其余部分组织如下：第3节描述了数据驱动能耗替代模型的架构和实验设计及模型实现过程。第4节展示了该模型的训练和测试结果以及在实际场景中的应用。最后，第5节讨论了结论和未来的工作。
能耗方法
传统上，工业机器人（IR）中的能耗建模依赖于将任务空间运动与关节空间驱动要求联系起来的运动学和动力学公式[11]。常用的方法包括基于点对点和多点轨迹的方法，这些方法根据工具中心点（TCP）轨迹来估算能耗，这在增材制造（AM）应用中相当于打印路径。相比之下，其他能耗建模方法则关注详细的机电和机器人子系统表示。
方法论
本研究的核心思想是利用路径可行性分类任务作为学习机器人逆运动学（IK）的途径，并将这种学习到的表示迁移到不同的机器人平台上。因此，所提出的框架解决了两个主要目标：（1）确定所需的打印路径在运动学上是否可行；（2）预测执行该路径所需的能耗。
结果与讨论
为了验证性能的有效性，将提出的模型与一个名为KG-MO的多输出模型进行了比较。进行了两项t检验，以评估两种模型之间的比较结果。需要注意的是，在这些t检验中，并没有假设方差相等。
结论与未来工作
本研究提出了一种新颖的基于运动学的神经网络架构——运动学引导的多任务模型（KG-MT），用于同时预测机器人制造中的路径可行性和能耗。该框架解决了传统能耗估算方法的局限性，这些方法通常涉及计算成本高昂的仿真、路径可行性知识不足以及缺乏跨机器人通用性。KG-MT架构整合了逆运动学知识。
CRediT作者贡献声明
Suyog Ghungrad：撰写 – 审稿与编辑、撰写原始草稿、可视化、验证、软件开发、方法论研究、数据分析、概念化。Reihane Arabpoor：撰写 – 审稿与编辑、撰写原始草稿、可视化、验证、方法论研究、数据分析、概念化。Sean Rescsanski：撰写 – 审稿与编辑、可视化、数据分析。Farhad Imani：撰写 – 审稿与编辑、概念化。Azadeh：
