机器人化装备测量－加工一体化技术现状及展望

摘 要

尽管机器人化装备在大型复杂构件加工中具有显著优势，但如何引导机器人化装备实现精准加工仍面临诸多挑战。首先，移动式的加工装备与加工目标间通常不存在固定的位置关系，需要获取加工目标的位姿信息，并准确关联加工系统和待加工件的坐标系，以实现加工装备的精准对刀；其次，一些大型结构件具有弱刚性的特点，导致其在实际加工时的几何形貌相比原始设计模型存在明显偏差，基于设计模型的加工方案无法完成准确加工。目前，加工机器人在实际应用中大多依靠测量设备（如激光跟踪仪、手持式扫描仪等）对机器人和待加工件进行测量，人工参与测量数据的获取以及处理，从而实现测量系统与加工过程的结合，该方法可以构建起加工系统与实际加工场景间信息交互的桥梁，但依赖人工参与，在可靠性、一致性和效率等方面仍有较大提升空间。此外，弱刚性构件加工过程中的变形在线测量仍是领域内的挑战性难题。

针对机器人化装备，需要在加工与测量相结合的基础上，进一步将测量的功能融合到加工流程中，形成测量－加工一体化的工作模式，使机器人化加工装备能够自主感知即将进行作业的加工场景和待加工件特性，并以此为依据生成加工方案。这种集成方案既发挥了机器人化装备的灵活性，又降低了非结构化变量的影响，可以以更高的可靠性、安全性、可编程性和效率实现机器人化装备的主动感知加工作业。测量－加工一体化技术在机器人化装备上的部署优势体现在：1) 机器化装备相比于传统的数控加工机床，具备更加开放和多样的数据接口，表现出较强的数据兼容性，便于集成智能化的控制算法和传感器技术，目前已经有将传感器、人工智能算法和机器人相结合的成功案例；2) 测量－加工一体化技术补充了机器人化装备整个加工流程中自适应加工场景的环节，通过测量系统获得加工系统和待加工件之间的位置关系，准确感知加工目标的形貌，进而实现高效率、高精度的加工作业；3) 测量－加工一体化技术使测量系统和加工系统的联通不再依赖人工参与，为实现智能化加工奠定基础。可以预见，测量－加工一体化技术将为工业生产带来变革。

测量－加工一体化技术在提升加工效率和质量方面展现出巨大潜力，但尚未形成成熟的技术体系。当前的测量方法大多游离于加工流程之外，即通过外置测量仪器辅助完成“测量－加工－检验”的流程，各环节之间难以实现自动化的衔接，测量系统和加工系统一体化的解决方案鲜见报道，因此，本文旨在分析实现机器人化装备测量－加工一体化技术所面临的挑战，并进一步探讨该技术的发展趋势，为相关技术的突破和实际应用提供参考。

1) 测量数据获取：通过测量获取待加工件表面特征的点云数据，为后续的加工特征提取提供包含待加工件特征几何信息的原始数据。

2) 加工特征提取：通过对原始数据的分析和处理，去除原始数据中的冗余量，准确获取当前状态下待加工件的表面形貌、识别待加工件的种类并获得待加工件坐标系和机器人作业工具坐标系之间的转换关系。

3) 加工方案生成：依据测量系统提取到的加工特征，对数字化模型进行3维重建，将测量系统输出结果转换为CAM（计算机辅助制造）需要的数据格式，借助CAM生成加工路径文件。

4) 加工末端闭环控制：通过测量实时获取加工末端和加工结果信息，与期望状态进行比较，采取相应的控制策略来调整加工装备的位置、姿态或力，将机器人末端位姿控制与待加工件的测量结果相关联，实现加工刀具的实时闭环控制。

在测量－加工一体化流程中，借助测量设备快速获取待加工件的表面形貌是将未知形貌模型进行数字化的常见方法，同时也是将待加工件的信息从“未知”转化为“已知”的关键环节。

常见的测量设备包括接触式测量装置和非接触式测量装置。接触式测头是制造领域中常用的装置，具有精度高、重复性好、可靠性高等优势[14]。目前的接触式测量装置包括英国雷尼绍公司开发的REVO系统[15]、德国莱卡公司研发的手持测触式测头T-Probe（图 5）等。非接触式测量装置包括被动测量装置和主动测量装置。被动测量装置大多由摄像机构成双目或多目测量系统，应用三角测量法实现立体测量，该装置搭建成本低，需要对多幅图像中的同一特征进行匹配，因此适用于表面特征明显的目标测量，如Zatarain等[16]开发了一种安装在加工装备主轴上的立体摄影测量系统，用于在铣床上对大型铸造和焊接原始工件进行初始对准。主动测量装置通过光学发射器为被测物体标注表面特征，有效解决了表面特征不明显的工件的测量问题，其中具有代表性的是激光三角测量法[17]和干涉光测量法[18]，前者将点激光或者线激光以扫描的方式投射到被测物体表面，通过对图像中激光信息进行识别，逐一匹配不同时刻激光信息在摄像机图像中的位置从而得到被测物体表面的信息，后者则基于工件表面和参考表面之间的光程差生成干涉图并依此计算深度信息，此类基于激光的测量方法精度高、抗干扰能力强[19]，在实际加工场景中也得到了广泛应用，如德国弗朗霍夫公司在注塑机中集成了干涉光测量系统，实现了制造质量的快速评估[20]；另一种常见的主动测量法是结构光法，该方法用数字视频投影仪代替了双目视觉系统中的一个摄像头[21]，直接将特定形状的结构光投射到被测物体上，依据结构光的几何信息或编码信息实现特征匹配，既能够达到光学测量的目的，又可以节约扫描的时间，如条纹投影系统被用于测量钢条的表面平整度以完成后续加工[22]。目前，结构光的形式不仅限于点状和线状，一些面状的结构光如斑点编码图案[23]和二进制或多进制编码结构图案[24]等极大提高了测量效率，而使用相移结构光建立光相位和图像中位置的对应关系可以获取更加精细的点云数据[25]。目前，高精度的非接触式测量设备有加拿大Creaform公司基于交叉激光开发的MetraSCAN扫描仪（图 6）和德国蔡司公司基于蓝光光栅开发的ATOS系列扫描仪等。接触式测量装置和非接触式测量装置都成功应用于加工测量，相比之下接触式测量装置的测量精度不受视场或光照条件的影响，需要针对待测表面形貌进行测量路径规划；非接触式测量装置的测量速度较高，能够快速获取一个视场下的3维信息，但测量范围受景深影响，远场精度较低，同时发射和接收设备的分辨率也会对精度造成很大限制[26]。现阶段已经实现了以测量装置辅助复杂构件的加工，常用方法是利用非接触的3维扫描仪对待加工件进行整体扫描，其有效性在实际应用场景中得到了验证。该方法精度高，但在测量过程需要在零件表面粘贴大量的视觉标记点以辅助测量，此外，目前工程应用中大多以手持测量装置完成整体检测，而并非将测量系统固定布置在加工场景中。该方法较为灵活，可以环绕工件完成测量，但也导致其测量过程和测量结果输出依赖于人工参与，流程相对复杂，具有不确定性且消耗时间较长，仍有优化和提升的空间。

有关测量设备本身的研究已经相对成熟，但以何种方式将测量装置布置到加工系统中实现一体化是数据获取环节的关键步骤。当前布置测量装置的方式主要有3种：1) 将测量装置架设于加工装置和待加工件以外的位置，如波音公司用于飞机装配的测量系统[27]和国内航空工业第一集团用于飞机外形测绘的测量系统[28]，这种方法测量精度高、稳定性强，需要人工标定测量系统的初始位置；2) 将测量装置与加工装备的机架或末端固联，如华中科技大学用于大型风电叶片磨抛的移动式加工机器人[7]，这种方法避免了工位变化时反复架设测量系统，机器人的定位精度会对测量精度产生影响；3) 将测量系统与待加工件固联，这种方法通过安装在待加工件上的测量装置反向对加工装备的末端刀具位姿进行测量，从而确定加工装备和加工对象间的相对位置关系，但此方法不适用于需要对待加工件进行测量的应用场景。如何在不干扰加工流程的情况下将测量装置布置到加工场景中并最大化其测量效率，是当前实现测量－加工一体化必须考虑的问题，值得更深入的研究。

由测量系统获取的数据通常为点云数据格式，该数据因为内容繁杂、背景信息多、关键信息不完整、格式不兼容等原因无法直接用于加工，需要对原始测量数据中的加工特征进行提取，以保证测量系统到加工系统信息的有效传递。但在不同应用场景下，数据处理环节所包含的内容有所不同。在数字模型未知的加工任务中，如待加工的柔性结构件在固定过程中产生了未知形变，主要需求是通过对测量设备获得的点云数据进行处理，获取待加工件在加工状态下准确的表面特征信息，以便于后续构建高精度的数字模型；在数字模型已知的加工任务中，如已知加工特征时的精细铣削，此时上位机不需要再重新制作待加工件的数字模型，主要需求是通过测量点云数据快速辨别待加工件，计算出当前待加工件的位姿，实现工件坐标系与测量坐标系的统一。本节针对2种不同情况，分析在加工特征提取环节所需的关键技术。

面对非结构化的待加工件，其原始的几何参数和形貌处于未知状态，传统的预设加工参数工作流程无法实现未知工件的加工。因此，这种工况下加工特征提取的主要目标是从测量得到的点云数据中提取有效信息，使其能准确地反映待加工件的尺寸特征，便于后续制作有效的数字模型。

测量装置获取的原始点云信息包含很多冗余内容，例如：不属于测量目标的信息、不良光照条件产生的噪声或者过度稠密的点云数据等，因此需要去除这些不必要的部分，以节约计算资源、提升处理速度和待测工件表面形貌的还原精度。剔除干扰点云的方法主要是依靠点云滤波技术，其中直通滤波通过划分点云数据坐标系的区域，快速去除限定区域以外的点云数据；统计滤波和半径滤波通过判断区域内的几何特征去除数据中的离群点，图 7展示了点云滤波的数据精简效果。点云滤波方法原理简单，应用难度低，主流的编程体系中均已集成相关的算法函数。在不丢失基本特征的情况下，可以通过降采样实现点云数据精简。点云降采样的方法包括均匀降采样法和基于特征的降采样法：均匀降采样法对模型进行均匀的网格划分，各网格保留若干个点云，在点云精简效率上取得了成效[29]，该方法工序简单，被广泛用于点云的简化处理，但特定的关键特征（如曲率较大的表面）会因为描述的点云数量不足而导致特征丢失；基于特征的精简方法不再强调点云精简的均匀性，而是为不同的特征分配适当的描述点云数量。常用的方法是依据邻域内法向量夹角进行点云精简，邻域内法向量夹角均值越大，说明曲面的弯曲程度越大，需要保留更多的数据点。对于待加工件而言，点云的边界信息反映了工件的尺寸信息，为了固定保留点云的边界信息，有学者提出了采用自适应点云k均值聚类简化算法[30]。更进一步的，一些学者在点云精简的过程中就考虑了后续加工中可能会遇到的问题[31]，同时尝试对后续加工环节产生的误差进行预测[32]，并将其纳入筛选点云的考虑范围内。

对于一些尺寸较大或对单个工件多个面之间的几何关系有约束的应用场景，单次的测量结果无法满足特征提取需求，需要将多次测量结果进行准确拼接完成测量数据由局部到整体的转化，图 8展示了2个不同角度测量数据的拼接案例。计算机学科中常见的方法是基于集合或形貌特征的拼接方法，如SIFT（比例不变特征变换）法[33]、SURF（加速鲁棒特征）法[34]等。但由于加工工件存在表面纹理单一、几何特征不明显的情况，因而此类方法进行的拼接难以实现很好的效果。一些成熟的测量系统通过在待测工件表面人工添加特征点辅助点云的拼接，如德国温泽公司开发的手持式3D扫描仪mScan就通过在待测工件上添加圆形靶点辅助点云拼接。但人工添加特征的拼接方法会对工件本身产生影响，添加和去除特征的过程会影响测量效率。将测量装置安装在机器人末端可以实现测量数据拼接，通过获取机器人末端位姿对测量数据进行矢量运算，将点云数据拼接的误差替换为加工机器人的运动误差，从而提升拼接效率，但测量精度会受到机器人末端定位精度的影响。

若加工目标的数字模型已知，不必再依据测量结果制作数字模型，则只需要依据测量结果与数字模型库进行比对，从中选择出当前待加工件对应的数字化模型即可。在机器人化装备的加工过程中，机器人末端加工模块和待加工件之间的位置关系通常是灵活且未知的，而在数字模型库中不包含加工状态下工件的位姿信息，数字模型的坐标系与实际的工件坐标系未实现同步。因此在加工过程中辨识加工目标在测量坐标系中的位姿，并构建待加工件坐标系、测量坐标系、加工系统坐标系之间的转换关系，是机器人化装备实现加工的前提条件。基于以上分析，测量－加工一体化技术需要在数据处理环节中引入加工目标的辨识，实时构建起加工系统和待加工件间的位置关系。若测量装置和加工装置两者之间有固定的坐标转换关系，则准确识别待加工件在测量系统内的位姿就可以联通待加工件和机器人化加工装备之间的位置关系，实现精准对刀，如图 9所示。局部加工特征辨识通常利用测量装置获取待加工目标表面的点云并与理论数字模型进行配准，获取2组数据间的坐标转换关系，进而计算得到待加工目标在机器人化装备坐标系下的位姿。因此，点云配准是测量－加工一体化技术中的关键部分，是构建测量系统和加工系统之间关系的媒介。一种点云配准思路是依靠统计和概率学方法，此类方法有固定的运算流程，不受待测物体形状的影响。将测量得到的待加工件点云和已知的标准数字模型点云进行对比，针对选定的评判标准对2组点云进行迭代直至计算出匹配的最优解。目前有很多成功应用于加工领域的统计学点云配准方法，如：RANSAC（随机抽样一致性）算法[35]，选定2组点云数据中的3对特征点计算出旋转矩阵，依据这一旋转矩阵计算整体点云的旋转误差，不断地变更所选点云数据对进行迭代，直至求出误差最小的变换矩阵；4PCS（4-points congruent set）算法[36]则在RANSAC算法的基础上进行了改进，选择4个共面的点进行迭代，提高了点云配准的速度，有利于提高目标辨识的效率；NDT（正态分布变换）算法[37]将点云空间划分为若干个区域，依据正态分布变换得到点云区域是否匹配的概率分布函数，用迭代的方法求出使概率密度之和最大的变换矩阵，此时点云数据取得最好的匹配效果，这种算法更适合尺寸大且表面特征复杂的构件；ICP（迭代最近点）算法[38]循环反复地迭代计算2个点云间的变换矩阵，该算法同样得到了广泛的应用，有学者针对待测量工件的特点对ICP算法进行了改进，使其更加适合工业测量[39]。以上方法虽然运算对象有所不同，但核心思想都是利用迭代的方法最小化2组点云间的匹配误差。目前基于统计和概率学的配准方法是商用点云处理软件的主要方案，这类方法方便快捷，各大编程体系中均配置了应用环境。但在工业领域中，一些待测零件中存在重复的特征导致迭代类匹配算法容易受局部最优化问题困扰。具备多个特征的复杂构件通常伴随较大的点云数据量，虽然这种穷举遍历的配准思路准确度较高，但耗时较长，需要占用大量计算资源。

另一种配准思路是关注待测物体更高阶的几何特征，如表面法向量或局部曲率，其中的主流方法是制作特征直方图，获取关键位置结构特征的几何描述，如点云法向量、邻域夹角等信息，之后在模板点云中寻找相似的关键点形成特征点对，匹配点的判定以特征直方图的相似性为标准，基于特征直方图的算法包括FPFH（快速点特征直方图）[40]、SHOT（signature of histogram of orientation）[41]等，这种方法的运算速度较快，根据待加工件的外形特征调整特征直方图的权重系数，可以适应更复杂表面特征的配准，为多品种小批量的加工任务定制解决方案。

尽管点云配准的研究成果很丰富，但在加工条件下直接应用的案例屈指可数，因为测量－加工一体化数据处理环节的模型匹配问题不可以直接等效为点云配准，需要添加额外约束条件，如在加工过程中不能出现负加工余量的情况，目标模型要完整地被测量模型包括在内，需要以理论模型和被测量点云间距离平方的均值作为优化目标，并添加余量约束避免出现负加工余量的优化结果，同时还需要考虑当前匹配策略是否利于后续的加工环节，为此国内学者将模型配准优化原则总结为3条准则：包容性、面对齐和均匀性，并依此成功实现了高速飞行器薄壁异形零件的加工[42]。

在计算机辅助制造中，首先要将产品的数字模型导入到计算机系统中，再根据设计意图和加工需求在指定的区域生成切削路径，最后生成代码指导加工。对于数字模型已知的情况，这一步骤需要对数字模型库中的内容进行坐标同步后再生成加工路径；但对于数字模型未知的情况，将测量得到的点云数据转化为计算机辅助制造可识别的数字模型是联通测量和加工环节的重要步骤，是测量－加工一体化技术的关键环节。

实现测量点云到数字模型的转化需要对点云数据进行表面拟合操作。表面拟合是将测量数据由离散点云转换成有拓扑关系的几何信息，以便于后续生成加工刀具路径。曲面模型拟合可以分为传统曲面拟合和快速曲面拟合2种方法[43]。传统曲面拟合遵循“点－线－面”的拟合方式，由测量点或测量点构成的曲线依据三角贝塞尔曲面或NURBS（non-uniform rational B-spline）曲面拟合[44]的方式构成待测物体表面，该方法能够提供较高品质的表面重建结果，但其过程相对依赖人工的参数调整。而快速曲面拟合的方法则是先将点云数据转化为网格的形式，此时离散点云转变为多边形的格式，后续在网格划分的基础上进行表面参数拟合[45]。如，Kazhdan[46]提出了泊松曲面重构的方法，以八叉树的深度定义三角形网格的分辨率，获得更加光滑的表面重建结果。后续有学者在NURBS拟合法的基础上，在生成曲面的规则拓扑网格后使用NURBS拟合方法进行3维重建[47]。快速曲面拟合法是目前点云处理软件进行表面重建的主要方法，该方法遵循固定的操作流程，具有操作便捷、运算速度快的优势，但表面重建结果的可靠性无法保证，无法直接应用于高精度的重建任务。除此之外，国内外学者也尝试使用神经网络对表面法向量进行预测进而实现表面重建，如Ren提出了以曲面法线和稀疏深度为依据的深度学习模型，实现了高精度的表面重建[48]。

现阶段机器人化装备无法直接读取数字模型进行加工，还需要将现有的或制作完成的数字模型转化为刀路文件传递给加工系统。在实际工程应用中常用CAM软件实现加工模型到刀具路径的转化，将表面拟合生成的3维模型以STL文件的格式输入到CAM软件中，调用标准的刀轨自动生成算法制作刀具路径文件。除此之外，一些学者尝试跳过表面拟合的步骤，直接采用NURBS或B样条曲线从点云数据中拟合出加工刀具的路径，简化了模型转化的步骤，如基于NURBS的映射投影曲线方法[49]，使用平分法获得曲线的插值，直接由点云数据生成加工路径。至此，测量－加工一体化技术实现了由测量数据到加工方案的转化。

机器人末端的闭环控制策略是指通过传感器获取末端执行器和待加工件的实际状态信息，并与期望状态进行比较，然后采取相应的控制策略来实现位置、力或姿态的精确控制，通过测量－加工一体化技术直接将机器人化装备与工件的加工质量相关联。

机器人化装备在执行加工任务的过程中，可能会附带产生几何误差或非几何误差[5]，如机器人的丝杠和装配角度出现偏差、机械臂出现柔性形变、待加工件在加工模块作用力的影响下产生形变、加工过程中不断变化的负载或客观环境等因素都会使加工过程产生误差。为了降低或避免以上因素的影响，保证定位精度，机器人化装备需要进行标定，但标定通常只在加工任务执行前进行，没有考虑加工过程中产生的干扰因素，无法保证实时加工的精度，还需要实现加工末端的闭环控制。闭环控制需要加工装备和高精度测量设备之间的相互配合，而测量－加工一体化技术通过在加工过程中引入测量系统来实时感知机器人末端加工模块的位姿和待加工件的形貌，使加工末端逐渐趋近于期望位置完成精准加工，以此来实现加工闭环控制。

测量－加工一体化技术实现闭环控制的第一个层次是使用测量装置实时获取末端执行器的实际位姿，与期望值进行比较，及时调整执行器的运动。目前用于闭环控制的补偿信息主要通过高精度测量仪器对加工末端位姿进行测量来获取，为了确保闭环控制过程中测量的连续性，需要合适的位置关系或特殊设计的标定物保证测量过程不中断。有学者通过激光跟踪仪实时感知机器人末端的位姿，并建立了机器人位姿误差模型和补偿算法[50]，实现了机器人参数的实时修正；相机同样可以用于末端闭环控制，国外学者使用高精度摄像机配合激光跟踪仪对机器人末端位姿进行实时检测，设计多面体标定模块安装于机器人末端使得高精度相机能在任意视角下测得机器人末端位姿[51]；另一种思路是通过双目视觉位姿测量仪对机器人末端进行检测[52]，配合一种均方根方法来滤除姿态测量中的噪声，并用PID控制器动态校正加工参数。

更进一步的闭环控制是对加工后工件的点云数据进行实时测量并与理论模型对比，计算实际的加工误差，构建传递函数，由点到曲面的距离反求末端加工刀具的位姿偏差，实现加工过程中在线的误差补偿控制。具体实现时，可以在加工过程中对加工结果进行实时测量，在考虑加工余量的条件下对测量点云与理论点云进行配准[35]，通过分析2个点云间的距离误差获得每一个测量周期下刀具的实时姿态误差，最终转化为机器人化装备的各驱动器的修正量，实现刀具加工位姿的实时调整。然而现有的原位测量方法难以实现在线自动化测量，导致包含测量环节的闭环控制难以融入加工过程，目前这一层级的闭环控制方法尚未成熟。

目前，关于加工末端闭环控制的研究主要聚焦于加工装备末端的准确感知，针对加工结果的闭环控制研究较少，受限于测量的精度和实时性，2个层级的闭环控制都很少成功应用于加工场景下。更进一步的，如力场、温度场等加工场景中客观存在的环境因素也会对机器人化装备的加工精度产生影响，同样应该考量加工参数的修正问题。现阶段具备多维度感知的加工闭环控制策略鲜见报道，因此对于机器人化加工装备的末端闭环控制方法仍需要深入研究。