《ROBOTICS AND COMPUTER-INTEGRATED MANUFACTURING》：3D layout planning for robotic workcells with task-aware motion optimization: Generalization and real implementation
编辑推荐：
3D机器人工作细胞布局优化框架融合任务感知规划、多目标优化与抓取约束，通过CAD模型、空间维度及任务要求自动生成紧凑布局，并验证其在6-9组件场景下平均12分钟内完成优化，空间占用减少94%，同时确保抓取可行性与运动轨迹无碰撞。
拉德瓦·阿里（Radwa Ali）|清川拓也（Takuya Kiyokawa）|胡正涛（Zhengtao Hu）|万伟伟（Weiwei Wan）|原田健辅（Kensuke Harada）
大阪大学工程科学研究生院系统创新系，日本大阪市丰中市町中屋山1-3，560-0043
摘要
机器人工作单元布局的设计对于通过确保有效空间利用和无缝任务执行来优化制造效率至关重要。传统的二维布局规划方法在应对实际实施挑战（如任务可行性和运动约束）时往往不足。本文介绍了一种通用的三维工作单元布局规划框架，该框架将机器人任务和运动规划整合到布局规划优化过程中。该框架利用组件CAD模型、工作单元尺寸和机器人任务规格来自动化布局生成。一种混合优化算法在确保满足特定任务约束的同时，最小化空间占用和操作时间。抓取姿态分析和运动规划进一步提高了操作任务的可行性。通过多种工作单元配置的仿真进行了验证，并进行了实际实施实验以证明其适用性。结果表明，在多个测试工作单元中，与初始随机生成的布局相比，所提出的框架显著减少了占用体积，例如，在五组件工作单元中减少了94%的体积，同时确保了任务的完全可行性，并且平均在大约12分钟内生成了解决方案（工作单元组件数量从6到9不等）。这项研究通过引入一个通用的、任务感知的框架，结合了三维设计、实际实施和抓取约束调度，弥合了布局优化和任务执行之间的差距，适用于先进制造系统。
引言
机器人单元制造系统（RCMs）的布局设计对于创建成功的工厂设施至关重要[1]。高效的布局设计可以确保可靠的生产过程，并将运营成本降低多达30%[2]。智能制造系统需要精度、适应性和空间效率。
因此，具有这些目标的布局规划非常复杂，被归类为NP难组合问题[3]。通常，这一过程由机器人专家手动完成。然而，研究表明，自动化布局规划可以生成接近最优的解决方案，同时大幅减少时间和精力。
一般来说，布局规划指的是组件姿态的计算优化，而布局设计指的是在仿真或物理部署中选择解决方案的工程构建和验证[4]。
传统的布局规划方法主要在二维空间中进行，但在实际应用中往往不足。这些方法没有考虑三维空间排列的固有复杂性，也没有整合必要的机器人能力，如垂直可达性、臂部工作空间限制、末端执行器方向要求、多机器人碰撞体积以及高度依赖的工具可访问性，这些因素直接影响任务执行的可行性。
结果往往是布局不切实际或无法确保操作任务的成功执行，限制了其在先进制造场景中的适用性，尤其是在多机器人环境中。例如，在二维布局中，存储架和机器人可能相邻布置且没有明显的碰撞。然而，在三维空间中，货架的高度可能超过机器人的垂直范围，使得取物变得不可能——即使这种布置在二维中看起来是可行的。这种不匹配在实践中会导致不可行或不安全的布局，尤其是在高密度工作单元中。此外，目前缺乏能够处理多种工作单元配置的综合性框架，因为大多数现有方法都是针对特定设置量身定制的，限制了它们的通用性和更广泛的适用性。
为了解决这些限制，本研究引入了一个通用的自动三维布局规划框架，弥合了空间优化和任务执行之间的关键差距。与传统方法不同，所提出的方法将任务感知的运动规划和详细的抓取姿态分析直接整合到布局优化循环中。通过整合这些元素，该框架不仅优化了工作单元组件的空间排列，还确保了机器人系统能够在设计的布局中有效执行操作任务。考虑到空间表示，允许所有布局组件进行垂直移动。尽管并非所有组件都需要垂直放置，但我们的框架允许进行任务感知的优化，从而实现可变的组件高度。对于半静态元素（如货架或传送带），垂直放置可以转换为建议的组件高度，然后可以使用标准工业解决方案来实现（见第6.3节）。
此外，包含抓取姿态约束使得任务调度能够无缝集成，进一步增强了框架生成实用、可执行布局的能力。所提出的框架离线运行，评估大量静态三维布局的搜索空间，其输出可以适用于不同的机器人、任务和组件集。虽然重点是一次优化一个机器人单元的布局，但该方法可以扩展到多单元工厂级规划，如第8节所讨论的。
这项研究的核心贡献是一个能够自动生成适用于广泛工作单元配置的任务感知机器人布局的统一框架。为了支持这种灵活性，我们提供了一个数据输入API，用户可以通过该API指定组件CAD模型、机器人任务、工作空间尺寸和任何工作单元约束。然后，该框架使用这些信息生成紧凑的三维布局，并通过运动规划仿真和实际实验进行验证（见图1）。该框架能够在多个独立的变化源上运行——例如机器人数量、操作任务类型和被操作对象的多样性——而无需修改优化流程。此外，由于该方法在任务、抓取和运动约束下优化了组件的完整三维位置，因此生成的布局可以直接转换为机器人可执行的行为，而不仅仅是纯几何配置。
为了解决与高维优化问题相关的计算挑战，所提出的方法采用了加速优化技术，利用算法自适应参数调整、并行化，并研究了替代辅助模型。这些策略显著减少了计算时间，同时保持了高水平的优化效率。实验结果表明，该框架始终生成紧凑的布局，与随机采样的初始配置相比，工作空间占用量有所减少，并且在几分钟内获得了最优解，具体时间取决于场景复杂性和布局组件数量。
这项工作的贡献有四个方面：
- •
抓取感知布局优化，其中抓取可行性既作为目标函数也作为调度约束。这在之前提出的任何自动布局设计方法中都尚未包含。这使得生成的布局不仅几何上可行，而且功能上可执行。
- •
替代辅助混合非支配排序遗传算法II（NSGA-II）+粒子群优化（PSO）优化策略，通过预测总适应度值评估来加速收敛。替代模型在仿真生成的轨迹上进行训练，能够在高维三维工作单元上进行可扩展的优化，同时保持帕累托前沿的质量。
- •
任务约束、任务和运动规划（TAMP）集成流程，在布局优化循环中共同评估布局可行性、抓取可用性和无碰撞轨迹执行，确保优化后的布局对应于机器人可执行的行为，而不仅仅是几何解决方案。
- •
仿真到现实验证的适用性
，通过在多种工作单元配置和操作任务中的部署进行了验证，表明优化的三维布局可以直接从仿真转移到物理执行。
本文的其余部分组织如下。第2节回顾了自动机器人工作单元布局规划的相关研究，并强调了现有限制。第3节阐述了提出的多目标优化问题，定义了布局、任务和抓取相关目标。第4节详细介绍了方法论，包括系统架构和抓取感知规划与替代建模的整合。第5节展示了在不同配置下的多个机器人工作单元的实现结果。第6节使用评分指标、算法基准和任务级性能分析进行了全面评估。第7节详细讨论了结果，并概述了所提出方法的关键限制。最后，第8节总结了本文并指出了未来研究的方向。
相关工作
相关工作
由于对高效和灵活的自动化在智能和可重构制造系统中的需求不断增加，机器人工作单元的布局设计得到了广泛研究[5]。本节回顾了四个核心领域的相关文献：RCMS布局优化、抓取感知布局规划集成、用于优化加速的替代建模以及实际实施框架。每个小节都强调了激发这些贡献的局限性
问题表述
本研究将机器人工作单元布局规划表述为一个多目标优化问题，该问题整合了空间效率、操作可行性和抓取可行性。与将布局生成视为几何放置任务的传统方法不同，我们的表述直接将特定任务和抓取感知的约束嵌入到优化循环中。本节详细介绍了设计变量、任务和抓取建模、目标函数和约束。
方法论
本节介绍了自动机器人工作单元布局优化的提出框架，该框架整合了自动组件放置、任务感知运动规划、抓取可行性评估和替代辅助多目标优化。该方法论包括五个核心模块：输入规范、候选布局生成、可行性评估、替代模型集成和最终执行验证。整体工作流程如图5所示。
实验与结果
为了评估所提出的任务和抓取感知三维机器人工作单元布局优化框架的性能、通用性和实用性，我们进行了一系列全面的实验。这些实验旨在在不同配置下测试该框架，评估其集成模块的有效性，并验证其实际适用性。共进行了四个核心实验，具体如下所述。优化算法使用了Pymoo1
评估
所提出的三维布局优化框架通过结构化的多视角方法进行了评估，以评估其整体有效性、任务感知能力和可扩展性。评估考虑了算法避免次优解的能力、与基于学习的方法的比较性能，以及将任务和运动规划整合到布局设计过程中的附加值。此外，还测试了该框架的适应性和通用性
讨论与局限性
所提出的框架有效生成了机器人工作单元的三维任务感知布局，这一点通过仿真和仿真到现实实验得到了证实。仿真到现实的验证表明，优化后的布局可以直接转移到物理工作单元中，占用体积和操作时间的变化很小，证明了其实际适用性。消融研究进一步表明，整合任务、运动和抓取约束对于生成可行和高效的布局至关重要
结论与未来方向
本研究提出了一个统一的三维机器人工作单元布局优化框架，该框架在多目标优化过程中整合了任务可行性、抓取约束和运动规划。与传统方法相比，所提出的系统生成了更紧凑和高效的布局，确保了不同类型机器人单元的通用性，并通过允许灵活的组件排列生成可执行的任务路径。操作感知规划确保了
CRediT作者贡献声明
拉德瓦·阿里（Radwa Ali）：撰写——审阅与编辑、撰写——原始草稿、可视化、验证、软件、资源、方法论、调查、形式分析、数据整理、概念化。清川拓也（Takuya Kiyokawa）：撰写——审阅与编辑、监督。胡正涛（Zhengtao Hu）：概念化。万伟伟（Weiwei Wan）：监督。原田健辅（Kensuke Harada）：撰写——审阅与编辑、监督、概念化。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。
