一种面向机器人化制造任务仿真驱动优化的预部署框架

《ROBOTICS AND COMPUTER-INTEGRATED MANUFACTURING》：A pre-deployment framework for simulation-driven optimization of robotized manufacturing tasks

　　

• 仿真驱动的优化方法集成了布局、分配、运动规划和调度。
• 嵌套优化保留了相互关联的机器人设计决策之间的依赖关系。
• 单一框架同时支持完全自主和机器人-人协作的装配场景。
• 案例研究表明，相较于基于经验的机器人工作单元设计，该方法持续取得性能提升。

引言

近年来，制造业逐渐从大规模生产转向小批量和定制化生产配置。为了适应这一转变并提高灵活性，机器人系统越来越多地被采用，以取代传统的刚性自动化解决方案[1]。机器人工艺通常通过结构化的流程来开发，从早期概念设计到最终部署[2]。然而在实践中，初始设计阶段主要依赖系统集成商的专长，他们通常依据经验法则和过往经验来决定机器人、夹具和组件的放置位置。相比之下，大多数研究工作集中在执行层面的性能优化上，而此时的物理单元配置已经确定[3]。这一局限源于离线优化的特性，由于初始阶段缺乏实时数据且物理工作单元尚未创建，因此耗时较长。在智能体协作环境中，这种部署前优化变得更加具有挑战性，因为该过程涉及多个相互依赖的领域[4]，如布局、运动规划、任务分配和调度以及安全。

尽管这些领域通常被独立研究，但它们在设计阶段本质上存在耦合关系。事实上，布局决定了各资源的工作区域范围，从而直接影响任务分配的可行方案；反过来，所选的分配方案又同时影响调度策略和执行工艺所需的运动规划，而由此产生的轨迹最终决定了安全约束的满足情况和整体工艺性能[5]、[6]。例如，在拣放应用中，通过直线轨迹近似机器人运动来优化布局，可能会建议在几何视角下看似有利的组件放置位置。然而，实际运动可能需要避障或大幅度的机器人姿态调整，从而导致更长的执行时间，甚至产生不可行的轨迹。相反，联合考虑布局与运动规划可以使优化过程识别出在考虑真实机器人运动后仍然有效的配置。因此，一个层级的决策会传播到其余领域，使得孤立优化容易产生次优结果。这种强相互依赖性显著增加了系统复杂性，因为寻找全局满意解需要同时考虑紧密耦合的设计选择。结果是，许多中小企业缺乏配置此类系统所需的专长，往往依赖启发式方法或经验驱动的解决方案，导致次优结果需要在后续阶段进行修正[7]。

与之相反，我们认为机器人制造任务的优化应从早期设计阶段着手，以有效最大化系统性能。为此，我们提出了图1中示意的迭代仿真驱动优化框架，该框架专为部署前阶段设计，适用于协作和完全自主场景。与传统的顺序工程流程不同，所提方法保留了各优化领域之间的层级依赖关系，使每个设计决策都可以根据其对完整机器人工艺的影响（而非孤立子系统的影响）来评估。这是通过结合多层优化框架和高保真数字模型来实现的，能够在物理工作单元部署前评估工艺层面的关键绩效指标（KPI）。

其整体架构包含三个主要组件：工艺建模阶段、多层优化器和通信管理器，后者将优化器与数字模型耦合。文中包含两个代表性用例，以展示其在上述场景中的适用性。

机器人工艺的整合优化是一项极具挑战性的任务，因为必须同时解决多个相互关联的领域[8]。一般而言，这些领域包括布局优化（LO）、任务分配（TA）、运动规划（MP）和任务调度（TS），同时还需根据ISO标准考虑安全措施（如ISO 10218-2[9]）。尽管这些优化问题共同影响最终机器人工艺的质量，但通常被独立研究，因为它们天然运行在不同的抽象层次并具有不同的计算复杂性。因此，大多数现有方法仅优化其中一个领域或有限子集，依赖特定问题假设以维持公式的可处理性。

在这些领域中，布局优化起着基础性作用，因为它决定了资源的空间排列并直接影响整体工艺的可行性[10]。早期方法[11]、[12]依赖矩阵特征或基于网格的表示来确定车间工作站的最优放置位置。对于机器人应用，布局优化通常被建模为约束优化问题，其组合性质促使采用元启发式优化方案[13]。近期研究根据操作灵活性、力矩能力、定位精度或节拍时间来研究机器人放置问题[14]、[15]、[16]、[17]。进化方法也被提出用于在工作空间约束和奇异性规避下优化机器人放置[18]、[19]、[20]。

任务分配和任务调度通常被建模为紧密耦合的优化问题，因为将操作分配给可用资源直接决定了制造过程的时间演进。因此，大量文献将这些问题联合建模，旨在最小化节拍时间，同时满足优先级约束、平衡可用智能体之间的工作负载并最大化资源利用率[8]、[27]、[28]。在机器人应用中，这些建模通常假设工作单元布局和机器人运动已知，因此优化仅限于操作的排序和分配[29]、[30]。尽管这一假设显著降低了计算复杂性，但也阻止了优化考虑布局、机器人运动和调度决策之间的相互影响。

运动规划传统上与前述领域独立处理。近期工作[6]、[31]、[32]表明，主要研究努力集中在假定环境固定的前提下提高机器人运动的可行性和最优性。因此，优化通常涉及避障、轨迹质量或任务-运动规划，而工作单元的空间组织和操作分配被视为已知量。仅有少数方法明确考虑布局与运动规划之间的相互影响[33]、[34]，且即使在这些情况下，优化也仅针对机器人设计过程的部分子集。

鉴于这些局限性，近期工作开始探索集成优化方法。序列对表示[35]、[36]提供了一种编码空间关系的方法，允许在制造系统中同时处理布局和调度问题[29]、[30]。然而，运动规划通常被简化为可行性验证，而任务分配往往被单独处理。类似地，集成的机器人-人协作方法论[23]、[25]联合考虑多个领域，但仍依赖结构化工程流程或优化过程中的人为干预。此外，所审查的方法均未在机器人应用无关且优化算法无关的共同层级优化架构中同时解决布局优化、任务分配、运动规划、调度及安全。

与此同时，计算效率更高的仿真环境的日益普及促进了仿真优化方法的采用[37]。在该范式下，解析目标函数被高保真数字模型上执行的仿真所取代，使得能够评估否则难以以解析方式表述的工艺层面关键绩效指标。早期仿真驱动方法主要依赖于系统集成商与虚拟环境之间的迭代交互，其中候选工作单元配置根据仿真结果逐步优化[21]、[22]。近期贡献[24]、[26]通过将仿真集成到优化循环中自动化了部分程序。然而，这些方法仍然需要优化过程中大量的人为干预，或仅优化整体设计层级的一个层级。相反，[38]提出了一种由数字孪生驱动的架构，通过事件触发机制在系统执行过程中实现优化。虽然该方法通过物理系统和虚拟系统之间的双向交互支持实时适应，但它主要面向操作控制而非本文考虑的离线部署前优化，在此优化中数字模型在物理工作单元部署前被使用。

表1总结了上述讨论的代表性优化框架，突出了每种方法所处理的优化领域及剩余局限性。如所观察到的，现有集成方法或仅优化所考虑设计领域的子集，或仅针对特定应用场景，或在优化过程中仍依赖迭代的设计师干预。这些观察结果推动了需要一个通用且完全自动化的部署前优化框架。

现有的机器人优化研究或针对设计问题的特定领域，或在采用更广泛视角时依赖于人为启发式或现有工作单元的实时增强。尽管布局优化、任务分配、运动规划和任务调度在设计过程中天然运行在不同的抽象层级，但它们不能被视为独立的优化问题。事实上，在较高层级所做的每一个决策都会传播到后续阶段，最终影响所部署机器人应用的可行性、安全性和性能。因此，按顺序优化这些领域可能导致局部最优解，一旦考虑剩余设计阶段就会变得次优。因此，文献中仍然缺乏一个在早期设计阶段联合解决通用机器人工艺关键领域的集成框架。为了克服这一局限性，我们将完整的部署前工作流程建模为层级优化问题，在其中每个领域在适当层级处理，同时保留设计变量之间的自然依赖关系。通过明确考虑各子问题的不同角色和时间尺度，所提框架能够在早期设计阶段优化完整的机器人工艺，允许识别开箱即用的最优解，并减少后续仿真到现实部署过程中所需的工程工作。如从表1中观察到的，没有现有框架在保留完全自动化的部署前工作流程的同时解决本文考虑的所有优化领域，并通过相同的优化架构适用于异构机器人场景。

图1中示意的所提框架突出了我们工作的新颖贡献，具体如下。

1. 异构机器人工艺的统一表示。我们引入了一个正式的工艺建模阶段，以统一的工艺建模结构编码通用机器人应用，捕获优先级关系、智能体能力、物理资源和操作逻辑。该抽象使得在相同优化框架内系统化地处理语义上不同的场景成为可能，从完全机器人任务到人-机器人协作（HRC）工艺。

2. 多层黑箱递归优化。我们将机器人工作单元的部署前设计建模为层级领导者-跟随者优化问题，其中布局、任务分配、运动规划和调度被构建为嵌套子问题。为了应对紧密耦合领域中难以推导闭式目标函数的不可处理性，该框架采用黑箱策略，其中解析评估被高保真数字模型上执行的仿真所取代。该结构保留了领域之间的关系，同时使每个子问题保持计算可处理性。与现有层级优化方法不同，所提建模不局限于特定机器人应用或优化算法。相反，它提供了一种通用递归架构，可以在保留自然依赖关系的同时结合异构优化领域，其目标函数通过数字模型进行评估。

3. 完全自动化流程。与分析中提出的现有结构化方法不同，所提框架不依赖人为驱动的迭代优化。优化循环完全自动化且独立于采用的优化算法和仿真环境。这种独立性由通信管理器实现，它作为优化框架与数字模型之间的抽象层。通信管理器并非定义固定的软件架构，而是通过原生的应用程序编程接口（API）将框架与仿真器接口化，允许通过仅替换仿真器特定的通信层来采用不同的数字环境，同时保留相同的优化工作流程。

为了证明我们流程的通用性，我们设置了两个不同的用例，并在仿真和按所获最优解配置的实物系统中均进行了验证。前者是我们前作[39]的扩展，涉及人-机器人协作装配场景。

后者是一个全新的案例研究，涉及一种纯粹的机器人拧紧应用。

## 各章节片段

### 流程建模与统一表示

本节介绍了用于表征通用机器人任务的过程变量，而所提出的优化框架的层级组织在第3节"递归优化框架"和第4节"方法论"中进行了讨论。为了确保在异构机器人场景中具有广泛的适用性，我们引入了一种统一表示，正式描述了定义通用机器人过程的结构约束、实体和关系。相应地，一个过程被表示为——

### 递归优化框架

我们提出的集成框架利用第2节中详述的统一表示，通过系统性的、通用可适用的优化流程来优化广泛的异构机器人应用。从一般意义上讲，机器人过程通常由几个共存的领域来表征：
- **布局优化**涉及确定资源的最佳位姿；
- **任务分配**将操作分配给可用的智能体；
- **运动规划**——

### 方法论

所提出的框架是一个通用工具，可用于优化广泛的机器人应用。在本节中，我们对图1中报告的嵌套结构中的子问题进行详细解释，特别强调关键依赖关系和实际考量。

### 数字模型的实现

第4节中提出的层级表述最终需要对领导者目标函数 $f_\xi(x)$ 进行评估。由于感兴趣的性能指标来源于布局、任务分配、运动规划和调度之间的交互，因此推导出该函数的闭式解析表达式通常是不可行的。因此，我们的工作采用高保真数字模型来评估领导者目标函数 $f_\xi$，该函数无法被推导——

### 案例研究

为了评估所提出框架的有效性和通用适用性，本文呈现了两个不同的用例。第一个涉及人-机器人协作（HRC）装配场景，第二个则专注于由机器人机械臂完全执行的拧紧任务。尽管两者存在固有差异，但都可以使用所提出的流程进行优化。因此，它们有助于凸显第2节中引入的流程建模阶段的价值，该阶段使得机器人应用的重新表述成为可能——

### 结论与未来工作

在本工作中，我们提出了一个全面的迭代框架，用于机器人化制造任务的部署前优化。所提出的方法解决了当前工业实践中的一个主要局限性，即在早期设计决策中，通常由专家知识和启发式规则驱动，往往忽略了表征机器人任务各领域的强相互依赖关系。为克服这些局限性，我们引入了一种统一的过程表示——

## CRediT作者贡献声明

Christian Cella：撰写—审阅与编辑、撰写—初稿、验证、软件、方法论、形式化分析、数据整理、概念构思。

Marco Faroni：撰写—审阅与编辑、监督、方法论、概念构思。

Andrea Maria Zanchettin：撰写—审阅与编辑、监督、方法论。

Paolo Rocco：撰写—审阅与编辑、监督、方法论。

## 生成式AI及AI辅助技术在稿件准备过程中的声明

在准备本工作期间，作者使用了OpenAI ChatGPT生成图6，该图作为一个涉及人类操作员的简单说明性示例。AI图像生成用于创建一个通用的、非照片级写实的表示，适用于解释性目的。作者根据需要对输出进行了审阅和编辑，并对所发表文章的内容承担全部责任。

## 利益冲突声明

作者声明不存在已知的竞争性经济利益或个人关系，这些利益或关系可能影响本文报告的工作。

## 致谢

本研究在MICS（意大利制造——循环与可持续）扩展伙伴关系框架内进行，并获得下一代欧盟（意大利PNRR – M4 C2, Invest 1.3 – D.D. 1551.11-10-2022, PE00000004）的资金支持。CUP编号：MICS D43C22003120001。作者感谢Alessandro Casciani在搭建拧紧仿真基准算法方面提供的宝贵支持。

Christian Cella | Marco Faroni | Andrea Maria Zanchettin | Paolo Rocco