[论文] 车辆喷漆机器人路径规划的层次优化

Source: arXiv - 2601.00271v1

概述

本文解决了汽车工厂中的一个瓶颈：为在传送带上移动的车身涂装的多个机器人臂手动设计喷漆路径。通过将问题表述为 hierarchical optimization——先进行高层次的 vehicle‑routing‑style assignment，再进行低层次的 trajectory generation——作者实现了对传统上需要数周工程工作才能完成的任务的自动化，同时仍然满足喷漆应用的严格质量和安全约束。

关键贡献

• 层次化公式 将表面区域分配给机器人（上层）的组合优化与每个机器人连续轨迹规划（下层）分离。
• 可定制的优化流水线：不同求解器（例如用于类似 VRP 层的元启发式算法、用于轨迹层的基于梯度或采样的规划器）可插拔，无需重新设计整个系统。
• 领域特定编码：变量表示、修复算子和初始化策略，遵循喷漆约束，如重叠限制、喷嘴方向和喷雾覆盖连续性。
• 实证验证：在三种生产级车辆模型上进行，展示了满足所有约束的全自动路径，且喷漆质量与专家手工方案相当。

方法论

1. 问题分解

   • 上层（任务分配）：将车身表面划分为可喷漆的补丁。任务是将这些补丁分配给可用机器人，同时最小化行驶距离并平衡工作负载——在形式上类似于车辆路径问题（Vehicle Routing Problem, VRP）。
   • 下层（轨迹）：为每个机器人生成详细的三维路径，满足喷嘴角度、喷射距离、重叠/间隙限制以及与车体和其他机器人的碰撞规避。

2. 优化策略

   • 上层：使用基于种群的元启发式算法（例如遗传算法）探索不同的补丁‑机器人分配方案。自定义修复算子用于修正不可行的分配（例如导致机器人超出可达工作空间的补丁）。
   • 下层：在得到可行分配后，采用连续优化器（例如序列二次规划或基于采样的规划器）细化机器人的路径点，插入中间的“喷涂通道”以满足重叠约束。

3. 迭代反馈

   • 若下层规划器未能为某机器人生成有效轨迹，则对上层解进行惩罚并重新搜索，形成一个循环，使整体方案收敛到全局可行的计划。

4. 实现细节

   • 变量编码同时捕获离散（哪个机器人喷涂哪个补丁）和连续（精确的喷嘴姿态）决策。
   • 初始化阶段使用基于几何邻近性的启发式方法为上层提供种子，加速收敛。

结果与发现

• 成功率: 分层方法在几分钟的计算时间内为所有三种测试车辆（紧凑型轿车、中型SUV、全尺寸卡车）生成了可行的喷漆路径，而手动工程需要数天。
• 质量指标: 测量的重叠均匀性、喷射角度偏差以及机器人总行程距离均在手动工程基准的2‑3 %范围内。
• 可扩展性: 增加一条机器人臂（四臂配置）使计算时间线性增长，证实该方法适用于更大的生产线。
• 鲁棒性: 修复算子成功纠正了 87 % 的初始不可行分配，降低了昂贵的重新运行需求。

实际意义

• 缩短上市时间：自动化喷漆路径设计将工程前置时间从数周缩短至数小时，加快车型投产。
• 一致的质量：算法生成消除人为差异，使各生产批次的喷漆表面更加均匀。
• 定制化灵活性：当推出新车型变体时，同一流水线可实时重新优化路径，支持小批量、多品种的制造。
• 与现有PLC的集成：输出为机器人关节轨迹和时间计划，可直接上传至标准工业机器人控制器，几乎无需更改生产线软件架构。
• 成本节约：工程工时减少以及因喷漆缺陷导致的返工降低，转化为可量化的节约，尤其在大批量工厂中效果显著。

限制与未来工作

• 模型保真度：当前规划器假设车辆几何形状是静态的；动态变形（例如因温度导致的）未被建模。
• 求解器通用性：虽然层次划分在喷漆任务中表现良好，但将其适配到其他涂层工艺（例如粉末涂层）可能需要新的约束编码。
• 实际部署：实验在仿真环境和受控测试单元中进行；需要在全尺度工厂进行试验，以评估对传感器噪声和意外障碍物的鲁棒性。
• 未来方向：作者建议通过基于学习的初始化（例如使用过去的喷漆路径作为上层的种子）来扩展该框架，并加入多目标优化，以在喷漆质量、机器人磨损和能耗之间取得平衡。

作者

• Yuya Nagai
• Hiromitsu Nakamura
• Narito Shinmachi
• Yuta Higashizono
• Satoshi Ono

论文信息

• arXiv ID: 2601.00271v1
• 分类: cs.RO, cs.NE
• 发布日期: 2026年1月1日
• PDF: 下载 PDF