《Machines》：Current Research Status and Key Technological Advances of Refueling Robots
编辑推荐：
随着全球机动车保有量持续增长及无人化服务需求不断攀升，提升加油站加注作业的效率与智能化水平已成为行业核心关切。本综述以加油机器人为核心研究对象，对其发展历程与系统架构进行了系统性梳理。在此基础上，研究人员深入分析与归纳了三项关键使能技术：（1）末端执行器——集
随着全球机动车保有量持续增长及无人化服务需求不断攀升，提升加油站加注作业的效率与智能化水平已成为行业核心关切。本综述以加油机器人为核心研究对象，对其发展历程与系统架构进行了系统性梳理。在此基础上，研究人员深入分析与归纳了三项关键使能技术：（1）末端执行器——集成多自由度驱动单元与传感模块，实现对油箱盖开闭及加油枪插拔的精准控制；（2）加油接口识别——实现车型分类、加油接口空间定位及接口特征识别；（3）加油接口定位——解算加油接口相对于机器人的六自由度（6 DoF）位姿。技术分析表明，加油机器人已初步具备智能化作业能力，但在实现高精度鲁棒性能、保障安全可靠运行以及建立标准化与广泛互操作性方面仍面临显著挑战。未来研究应聚焦于提升复杂非结构化场景下的环境适应性，增强自主决策能力，并提高产品通用性，以加速加油机器人的商业化部署进程。
1. 引言
受无人化服务需求驱动，机器人正加速从结构化工业场景向非结构化服务场景渗透，在精密、高危、有害及重复性任务中展现出显著优势，推动车辆加注模式的转型升级成为学术界与产业界的研究焦点。全球机动车年产量稳定在9000万辆左右，截至2020年全球保有量已超15亿辆，中国连续多年位居产量首位，为汽车制造业持续发展提供了支撑。当前加油站主要依赖人工加注，分为全日制服务与自助服务两种模式。全日制服务模式虽普及度高，但存在恶劣环境下作业人员健康受损、人力成本高企、高峰时段拥堵、操作失误及安全隐患等问题；自助服务模式作为过渡方案虽在欧美有所应用，但对驾驶员操作要求较高，存在操作不当引发事故的风险，且对残障人士等特殊群体不友好。为应对上述问题，加油机器人作为集环境感知、决策控制、安全监测于一体的智能系统应运而生，可独立完成车辆引导、油箱识别定位、箱盖开启、油枪插拔及精准加注等全流程作业，具备提升效率、降低成本、防止加错油、减少溢油风险、支持7×24小时无人值守及适配特殊群体等显著优势。此外，新能源汽车的发展亦催生了对充电机器人及加氢机器人的需求，其技术架构与加油机器人同源，均包含视觉感知、决策控制与安全监测等模块。目前，Rotec Engineering、Autofuel、中石化、中国石油等领军企业已开展研发与商业应用，学术界在视觉感知、决策控制及机械臂运动学分析等方面取得显著进展，但现有研究多聚焦单一技术问题，缺乏系统性整合，且已有综述多侧重商业前景分析，缺乏对整体架构、模块耦合关系、关键技术瓶颈及未来方向的全面梳理。因此，本文系统回顾了加油机器人的研究现状，明确了其从早期纯机械定位、RFID与测距传感器协同定位到当前以视觉感知为主导的智能阶段的发展路径，批判性分析了从实验样机到商业化应用面临的核心挑战，并前瞻性地指出了深度学习、具身智能与群智能等新兴技术带来的潜在突破方向。
2. 研究现状
2.1. 发展阶段
加油机器人的技术演进可分为三个关键阶段：机械定位阶段（1963–1990）、RFID与测距传感器协同定位阶段（1991–2001）及视觉识别定位阶段（2002年至今）。第一代机械定位机器人由Darwin于1963年提出，依赖车辆前轮精准驶入预设沟槽并通过定位板校准坐标，设备复杂、车型兼容性差且定位精度低。第二代协同定位机器人利用预装车载RFID标签与数据库匹配获取车型信息，结合侧向激光扫描仪评估车辆位置，通过RFID绝对坐标与测距传感器相对微调实现非接触式初步自动化，但仍受限于感知维度单一、需预建数据库与预装芯片、车型兼容性有限及精度不足等问题。第三代视觉识别定位机器人由Farag于2002年提出，采用单色单目视觉识别技术与图像处理算法实现油箱识别定位，形成“感知-决策-执行”闭环，标志着加油机器人进入初级智能化阶段，具备高识别率、快响应速度及广泛车型兼容性。未来研究将从软件定义向具身智能与群智能融合方向转变。具身智能使机器人能通过动态环境感知、试错学习与迭代优化，适应光照变化、接口遮挡、停车偏斜等复杂动态场景，建立基于“感知-动作-反馈-迭代优化”的安全容错机制，并利用少量样本实现跨车型泛化，推动设备从定制化向通用智能终端演进。群智能则从系统协同层面克服单机独立作业的局限性，通过多智能体实时信息共享实现动态协作以提升场站运营效率，采用去中心化学习赋予独立决策与故障重构能力以提高系统容错率，并构建数据共生网络实现经验与异常特征的实时聚合共享，解决传统深度学习下单机模型迭代滞后问题。此外，视觉语言模型与多模态基础模型的快速发展为提升机器人零样本/少样本泛化能力与语义推理能力提供了新的技术路径。
2.2. 商用加油机器人
当前商用加油机器人产品呈现多元化格局。Rotec Engineering于2008年推出全球首款全自动加油机器人，依赖预装RFID芯片与数据库匹配。Autofuel成立于2014年，同样基于RFID识别，并可适配柴油、汽油、电力、氢气及天然气等多种能源。中石化于2021年发布双臂加油机器人，分别负责箱盖开闭与加注作业；同期中国石油推出基于2D+3D视觉识别、语音引导与大数据云平台的系统，已在高原、高寒等极端环境推广应用。AutoEnergy于2022年合并Fuelmatics，其产品基于3D视觉感知可在150秒内完成加注，兼容多种能源但需车辆配备无螺纹专用接口。Yikilometer于2023年推出移动导轨式能源臂，采用在线增量学习机制持续优化模型参数。研究表明，商用产品正从硬件依赖向数据驱动的初级智能化转型，加注效率较人工提升显著，部分产品具备多能源兼容性，但仍面临接口识别精度不足、接口类型多样及法规缺失等障碍。目前大规模商业化的瓶颈体现在技术端缺乏统一接口数据集导致算法泛化能力受限，经济端核心硬件成本高企拉长投资回报周期，监管端安全责任界定与标准体系缺位，以及运营端用户认知不足与初期部署依赖专业人员介入等方面。
3. 系统组成与关键技术
3.1. 加油机器人工作流程
固定式加油机器人的典型流程为：车辆经语音与标识引导驶入指定车道与位置，视觉检测确认其在作业范围内；用户通过移动端应用选定油品与油量并完成支付、解锁油箱；机器人激活环境感知模块识别油箱盖与加注口位置；决策控制模块进行任务、路径与运动规划；执行模块通过夹爪与真空吸盘开启箱盖与旋下油箱盖，插入油枪实施加注；完成后反向操作关闭箱盖与油箱盖；全过程由多传感器实时监测碰撞、油气浓度超限与机械过载等风险。
3.2. 加油机器人系统组成
系统由人机交互、环境感知、决策控制、执行与安全监测五大模块构成。决策控制模块作为“大脑”，负责任务规划、路径规划、运动规划与视觉伺服控制，将感知数据转化为机械臂运动指令，实现动态避障与柔顺对接。环境感知模块作为“眼睛”，集成RGB/RGB-D相机、激光雷达（LiDAR）、力传感器与接近传感器等，目前RGB数据主要用于外观特征提取，RGB-D数据用于几何信息获取，但多模态融合策略尚待明确，毫米波雷达与激光雷达在接口识别中的应用尚未见报道。执行模块由6或7自由度工业机械臂与集成真空吸盘、夹爪、力/视觉传感器的末端执行器组成，负责可靠执行物理操作。安全监测模块具备碰撞检测、溢油监测与机械过载保护功能，可实时中断危险作业。人机交互模块整合移动应用、语音交互、交易管理、状态指示与急停按钮，提供操作指引与全周期信息显示。值得注意的是，加油站爆炸危险区域对设备防爆等级有严格要求，需在本质安全功耗、散热与布线限制下平衡成像性能、计算带宽与控制响应速度，可通过分层本安架构、轻量化感知模型与视-力闭环协同等策略优化。
3.3. 加油接口与末端执行器
加油接口分为传统接口与专用接口。传统接口含带螺纹旋盖与无螺纹旋盖两类，专用接口通常采用自密封多级互锁设计。末端执行器作为核心交互部件，集成视觉相机、力传感器、真空吸盘、夹爪、旋拧电机与直线推杆等，其智能化水平直接决定系统可靠性与效率。针对带螺纹接口，末端执行器需集成旋拧机构，结构紧凑但体积大、灵活性受限；针对无螺纹接口，省去了旋拧机构，降低了执行复杂度与控制难度，但对定位与角度精度要求极高，需实现柔顺对接以避免弹簧阻力导致的插入困难或拔出失败；针对专用接口，末端执行器结构最为精简，仅需实现插拔与旋转动作，但要求极高的定位精度以实现毫秒级密封连接。
3.4. 加油接口识别与定位
3.4.1. 加油接口识别
基于机器学习的方法依赖人工设计形状、颜色与纹理算子，虽在早期研究中通过形态学梯度、Hough变换、SURF算法等提升了特定条件下的识别率，但普遍存在泛化能力差、实时性不足及仅支持单一类别检测的局限。基于深度学习的方法则显著提升了性能，两阶段算法如改进型Faster R-CNN通过优化主干网络与区域提议策略，在复杂纹理与光照条件下实现了高精度检测；一阶段算法如基于YOLO系列的改进模型，通过引入注意力机制、优化特征融合网络与替换骨干网络，在保持高精度的同时大幅降低了参数量与计算复杂度，提升了推理速度。目前算法主要基于RGB图像输入，未来需探索RGB-D多模态融合以提升复杂工况下的鲁棒性，并解决动态场景下的运动模糊与实时性挑战。
3.4.2. 加油接口定位
定位旨在解算接口相对于机器人的6 DoF位姿，涉及相机坐标系、末端执行器坐标系、接口坐标系与世界坐标系的转换。方法可分为基于迭代优化、关键点检测、模板匹配与回归四类。迭代法通过最小化CAD模型与真实目标点云的配准误差实现毫米级定位，但计算耗时；关键点法通过检测2D特征点结合PnP算法求解位姿，实时性优异；模板匹配法利用全局图像信息处理低纹理目标，需预建模板库。现有研究多采用RGB-D数据以兼顾外观与几何信息，但在光照敏感性、计算复杂度与模型依赖性方面仍存挑战，未来需发展端到端网络以直接输出位姿，提升实时性。
3.5. 基于力反馈的油枪与加油口柔顺控制
视觉粗定位后，受机械臂误差、识别误差与标定误差影响，仍需力反馈柔顺控制以避免刚性碰撞引发的油气泄漏与火灾风险。该过程属于典型的“销孔装配”任务。虽然加油机器人领域的柔顺控制研究尚不多见，但加氢机器人与充电机器人的相关成果提供了重要参考。控制策略主要分为被动柔顺与主动柔顺两类：被动柔顺依靠机械结构吸收接触力，缺乏主动纠偏能力；主动柔顺则通过阻抗控制、导纳控制及混合力-位控制等策略，建立接触力与末端位置偏差的动态关系，或结合强化学习进行自适应优化。未来研究可融合经典阻抗/导纳控制与深度强化学习，在保证底层安全性的同时实现高层自适应参数整定与微小位姿修正。
4. 挑战与未来展望
4.1. 高精度与高鲁棒性挑战
实际加油环境属于典型的非结构化场景，面临工作环境多变（光照、雨雾、粉尘干扰）、作业对象异构（车型、接口位置与开启方式差异大、停车习惯不一）及缺乏标准化加油接口数据集三大核心挑战。根本原因在于有限确定性模型难以应对无限不确定性物理世界。应对策略包括构建覆盖多工况的大规模标注数据集、建立开源社区实现数据持续更新，以及采用分层解耦策略：在感知层通过大模型训练提升泛化能力，在执行层开发自适应末端执行器，在决策层利用深度强化学习实现力-位协同控制，从而在无法强制统一接口的短期内实现硬件兼容。
4.2. 安全性与可靠性挑战
安全层面需确保易燃易爆环境下的功能安全（符合IECEx或ATEX标准），实现高精度视-力混合控制下的密封对接与防拉断联锁，并具备毫秒级人机混合场景动态避障能力。可靠性层面需克服7×24小时连续运行下的机械振动、热胀冷缩、传感器失效与数据漂移等问题，具备在线自校准与故障安全降级能力。未来研究应聚焦于智能联锁机制、自密封油枪集成多传感监测、基于行为预测的主动避障算法、多传感器深度融合与交叉验证，以及基于数字孪生的虚拟仿真训练。
4.3. 标准化与通用性挑战
汽车制造商缺乏统一接口的动力，导致油箱位置（左/右/双侧）、箱盖开启方式（中控联动、车内机械开关、电动开启、机械钥匙）及油箱盖形式（螺旋式、卡扣式、无盖式）高度碎片化，加之数亿存量非标车辆的长期存在，严重制约了机器人的通用性设计。解决方案在于推动建立统一的加油接口标准与车-机通信协议，优先在封闭场景、单一车型场景中验证优化，积累经验后再逐步推广。
4.4. 商业化运营壁垒
经济层面，防爆机械臂、3D视觉与力传感器成本高昂，配套改造与认证费用进一步拉长回报周期；运营层面，接口识别算法泛化能力不足导致对接失败率高，安全责任界定法律空白与行业标准缺失增加了推广风险。长远来看，人口老龄化带来的劳动力成本上升与油电气氢一体化综合能源补给趋势，将为加油机器人创造不可替代的市场需求与成本优势。
5. 结论
本文系统梳理了加油机器人从机械定位向视觉智能演进的发展历程，解析了各功能模块的耦合关系与系统架构，明确了加油接口类型对末端执行器设计的决定性影响，总结了基于机器学习至深度学习的接口识别与定位技术的显著进步。研究指出，尽管加油机器人已取得阶段性成果，但在非结构化环境下的接口泛化识别能力仍是制约其大规模商业应用的核心瓶颈。未来工作应着力构建统一标注接口标准以降低技术复杂度，并深化人工智能技术的融合应用，推动加油机器人从软件定义向具身智能跨越，全面提升作业效率与系统可靠性。
