目前，多視角多任務學習在機器學習和計算機視覺領(lǐng)域得到了廣泛的應用，然而在諸多實際場景中，當多視角學習任務按序列順序到來時，重新訓練以前的任務在這種終身學習場景中會產(chǎn)生較高的存儲需求和計算成本。

機器人可以很快在各種領(lǐng)域（包括制造和工業(yè)環(huán)境）中協(xié)助人類。但由于產(chǎn)品生命周期縮短和定制化程度提高，生產(chǎn)線必須能夠快速適應新的產(chǎn)品變型。這需要根據(jù)產(chǎn)品規(guī)格自動生成裝配順序計劃，因為計劃的手動工程緩慢且勞動強度大。

對于制造商和集成商而言，目前裝配計劃中的主要挑戰(zhàn)是，搜索有效的計劃必須考慮將執(zhí)行計劃的機器人系統(tǒng)的功能。但是，檢查執(zhí)行計劃的可行性需要對系統(tǒng)進行仿真，這會減慢對有效且可執(zhí)行的計劃的搜索。如果有一個能夠自動組裝定制產(chǎn)品的機器人系統(tǒng)，或許可以大大減少生產(chǎn)各種產(chǎn)品所需的時間和精力。

在理想狀態(tài)下，為了最有效地工作，生產(chǎn)出來的這種機器人應該集成一個組裝計劃器，該組件可以計劃機器人為制造特定產(chǎn)品而應該執(zhí)行的動作和動作的順序。但然而到目前為止，開發(fā)一種能夠快速計劃生產(chǎn)不同定制產(chǎn)品所需的運動順序的裝配計劃器，已證明是極具挑戰(zhàn)性的。

可以預見，在未來的制造方案中，企業(yè)對定制產(chǎn)品進行自動組裝會有強烈需求。這就要求機器人系統(tǒng)能夠適應單個產(chǎn)品而又不增加總生產(chǎn)時間。但是，越來越復雜的裝配導致必須考慮的潛在裝配順序越來越多。為了解決這個問題，德國航空航天中心（DLR）的研究人員最近開發(fā)了一種算法，該算法可以將過去組裝產(chǎn)品時機器人獲取的知識轉(zhuǎn)移到新產(chǎn)品的組裝中。該算法在IEEE機器人與自動化快報上發(fā)表的一篇論文中提出，可以最終減少組裝計劃者提出用于制造新的定制產(chǎn)品的動作序列所需的時間。

最新論文的共同作者伊斯梅爾·羅德里格斯（Ismael Rodriguez）和科比尼安·諾滕斯坦納（Korbinian Nottensteiner）表示：“組裝計劃者的主要目標應該是為非專家提供一種自動化工具，以應對定制產(chǎn)品的日益增長的趨勢?！?“我們的最終愿景是，客戶或用戶將能夠設(shè)計單個產(chǎn)品，只需要將規(guī)范轉(zhuǎn)發(fā)到自主組裝系統(tǒng)，該系統(tǒng)就可以適應這些新產(chǎn)品并制造它們，而無需進行很多人工工作?！?/p>

Rodriguez，Nottensteiner及其同事最近進行的研究是他們以前論文的擴展，這些論文也2019年曾發(fā)表在IEEE機器人與自動化快報中，名為“Iteratively Refined Feasibility Checks in Robotic Assembly Sequence Planning”。在之前的工作中，研究人員能夠識別和表示他們開發(fā)的機器人組裝系統(tǒng)在構(gòu)建自定義結(jié)構(gòu)時遇到的各種問題。

為了最有效地概述這些問題，該系統(tǒng)需要一定程度的人類專家知識，最終使它可以將幾個模塊的輸出映射為具體信息。盡管研究人員能夠設(shè)計出可以加快這一計劃過程的技術(shù)，但他們意識到，通過重用先前試驗中獲得的信息，可以進一步減少其系統(tǒng)計劃一系列行動所需的時間。Rodriguez和Nottensteiner表示：“我們這項新研究的目的是開發(fā)一種系統(tǒng)，該系統(tǒng)需要較少的明確人工指導，并且能夠重用信息以加快計劃時間，并泛化更大范圍的問題。”

Rodriguez，Nottensteiner及其同事開發(fā)的算法有兩個主要的操作階段：訓練和執(zhí)行階段。在訓練階段，該算法隨機生成數(shù)千個不同的可能程序集。然后，通過許多模塊對這些程序集進行分析，這些模塊可識別約束條件并自動將其與語義信息聯(lián)系起來，研究人員將其稱為“規(guī)則”。

這些初始步驟是在模擬中進行的，同時還要測試每個組件的幾何和運動學可行性。隨后，所有生成的程序集和與之關(guān)聯(lián)的規(guī)則都存儲在知識數(shù)據(jù)庫中。Rodriguez和Nottensteiner解釋說：“在執(zhí)行的那一刻，將通過一種新穎的模式識別方法將一個新程序集與知識數(shù)據(jù)庫中的程序集進行比較，該方法可以發(fā)現(xiàn)它們之間的相似之處?！?“一旦找到了具有相似特性的裝配體系列，我們就會使用神經(jīng)網(wǎng)絡(luò)對新裝配體中存在的約束進行分類?！?/p>

從本質(zhì)上講，一旦訓練階段完成，研究人員開發(fā)的算法應該能夠通過識別和實施適用于類似項目裝配的約束條件來計劃和更有效地制造新對象所需的動作序列，而以前在模擬中遇到的約束條件?；貞浧鹨郧矮@取的知識并將其轉(zhuǎn)移到手頭的任務的過程減少了組裝新對象所需的處理和計劃量，從而可以加快制造過程。

Rodriguez和Nottensteiner說：“我們成功地對裝配進行了建模，不僅可以封裝約束，還可以使機器人對裝配之間的相似性做出決策?！?“這兩點至關(guān)重要，因為我們需要表示信息（即約束），但除此之外，我們應該能夠決定該信息是否與其他程序集相關(guān)（即相似性）。我們認為，從結(jié)果來看，關(guān)鍵是我們的方法不僅要考慮產(chǎn)品本身，還要考慮構(gòu)建它的系統(tǒng)的功能?！?/p>

Rodriguez，Nottensteiner及其同事在一系列實驗中測試了他們的算法，其中兩個手臂的機器人系統(tǒng)使用鋁基組件組裝了不同的產(chǎn)品。這些測試的結(jié)果非常有前途，因為發(fā)現(xiàn)它們的技術(shù)可以大大加快裝配各種物體的動作序列的計劃。

將來，由這組研究人員引入的新算法可以實現(xiàn)機器人系統(tǒng)的開發(fā)，該機器人系統(tǒng)可以更快，更有效地自動制造定制的物品。在接下來的研究中，研究人員計劃在幾種不同的情況下進一步測試他們的技術(shù)。例如，作為一個名為“未來工廠”項目的一部分，他們希望在工廠設(shè)置中測試其算法，該項目將涉及許多DLR機構(gòu)。最終，他們還希望與私人公司合作，在現(xiàn)實的工業(yè)環(huán)境中實施和評估其產(chǎn)品制造技術(shù)。

Rodriguez和Nottensteiner說：“我們希望使這些想法更貼近日常用戶的問題?！?“我們相信，這一研究領(lǐng)域的工作將改變我們對未來理解和進行制造的方式。作為研究機構(gòu)，我們還將研究我們的技術(shù)如何支持太空中的機器人裝配任務，例如大型裝配歐盟項目PULSAR設(shè)想的太空結(jié)構(gòu)?！?/p>

責任編輯：gt