⚡ ingeniería eléctrica

CAD-prior-driven teaching-free robotic welding trajectory generation for complex structural components

Este artículo propone un método impulsado por la prioridad de CAD para la soldadura robótica sin enseñanza de componentes estructurales complejos que integra la percepción activa, el desacoplamiento de coordenadas y la extracción de características basadas en perfiles 2D para compensar las desviaciones de ensamblaje y generar trayectorias de soldadura de alta precisión, logrando una tasa de cobertura de nube de puntos del 98,6 % y una precisión submilimétrica en ensayos físicos.

Autores originales: dahao sun, Kepeng Chen, Haisheng Liu, Zhongren Wang, Rongli Zhao, Wen Zhang, Mengfeii Wang

Publicado 2026-10-06

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: dahao sun, Kepeng Chen, Haisheng Liu, Zhongren Wang, Rongli Zhao, Wen Zhang, Mengfeii Wang

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el mundo de la fabricación pesada, la construcción de estructuras masivas como cascos de barcos, marcos de puentes o equipos mineros a menudo implica la unión de placas de metal gruesas. Durante décadas, la forma más fiable de asegurar que estas placas permanezcan fusionadas fue tener a un soldador humano guiando la antorcha a mano, o enseñarle a un robot exactamente por dónde moverse moviendo físicamente su brazo a través de la trayectoria una sola vez. Este método de "enseñar y repetir" funciona bien cuando cada pieza es idéntica y encaja perfectamente. Sin embargo, las piezas metálicas del mundo real rara vez son perfectas. Cuando se ensamblan grandes placas, aparecen pequeñas brechas y el metal puede deformarse ligeramente debido al calor o la presión. Si un robot sigue ciegamente una trayectoria preprogramada basada en un dibujo digital perfecto, podría perderse la costura por completo, lo que provocaría una unión débil o una pieza desperdiciada. Para resolver esto, los ingenieros han recurrido a sistemas de visión, dotando a los robots de "ojos" para ver la soldadura mientras avanzan. Sin embargo, tener una cámara no es suficiente; si la cámara no puede ver la costura debido a las sombras, el brillo o el propio cuerpo del robot bloqueando la vista, el sistema falla. El desafío radica en enseñar al robot no solo a mirar, sino a saber exactamente dónde situarse y cómo angular su cámara para obtener una imagen clara y completa de una costura compleja y retorcida antes de siquiera comenzar a soldar.

Investigadores de la Universidad de Artes y Ciencias de Hubei han desarrollado un nuevo enfoque que permite a un robot determinar la mejor manera de ver y soldar una estructura metálica compleja sin ninguna guía humana. En lugar de depender de un humano que le muestre el camino o de una cámara que simplemente escanea lo que tiene delante, el sistema comienza con un modelo digital 3D detallado de la pieza, conocido como modelo CAD. Los investigadores enseñaron al robot a leer este modelo como un mapa, identificando exactamente dónde se tocan las placas de metal y por dónde debería ir teóricamente la soldadura. Utilizando este mapa digital como guía, el robot planifica su propio movimiento. Calcula una trayectoria suave para su cámara, asegurando que la lente se mantenga a la distancia y el ángulo perfectos para evitar sombras y reflejos, además de garantizar que el brazo del robot no se quede atascado o bloqueado por la propia pieza. Este proceso, que el equipo llama "percepción activa", permite al robot capturar una imagen 3D completa y clara de la costura, incluso en esquinas estrechas donde los métodos tradicionales suelen perder datos.

Una vez que el robot ha capturado esta imagen clara, se enfrenta a otro problema: la pieza de metal real nunca es exactamente igual al mapa digital. Existen pequeñas brechas y curvaturas que el modelo informático desconoce. Para solucionar esto, el equipo creó un método para encontrar el centro real de la línea de soldadura observando los datos de una manera ingeniosa. En lugar de intentar encontrar la costura en la desordenada nube de puntos tridimensional que captura la cámara, el sistema corta los datos en secciones transversales bidimensionales planas. Imagine mirar una hogaza de pan; en lugar de intentar trazar una curva a través de toda la hogaza, usted mira la cara plana de una sola rebanada. Al hacer esto, el robot puede detectar fácilmente dónde se encuentran las dos placas de metal, filtrando el ruido y los errores que suelen confundir la visión computacional. Luego, construye una línea suave y continua que representa la ubicación física real de la soldadura, corrigiendo el mapa digital original para que coincida con la realidad.

Con este mapa corregido en mano, el robot genera su trayectoria de soldadura final. Traduce la línea suave de la soldadura real en un conjunto de instrucciones para sus propias articulaciones, asegurando que la antorcha de soldadura se mantenga perfectamente alineada con la costura mientras se mueve. Los investigadores probaron este sistema en una estructura metálica compleja que presentaba tanto líneas rectas como curvas tridimensionales retorcidas. Descubrieron que su método capturaba el 98,6% del área de soldadura, una mejora significativa respecto al escaneo de ángulo fijo tradicional, que solo lograba ver aproximadamente el 72% de esa misma área debido a los puntos ciegos. Las mediciones de la longitud de la soldadura fueron increíblemente precisas, con un error promedio de solo 0,19 milímetros. Cuando el robot realizó la soldadura propiamente dicha, creó con éxito costuras continuas y fuertes tanto en las secciones rectas como en las difíciles intersecciones curvas, sin detenerse ni cometer errores.

El estudio demuestra que, al combinar un plano digital con una visión inteligente y autocorrectiva, los robots pueden manejar la realidad desordenada de la fabricación industrial sin necesidad de que un humano les enseñe cada movimiento. El sistema demostró que podía adaptarse a las inevitables imperfecciones del ensamblaje del mundo real, encontrando la verdadera trayectoria de la soldadura y ejecutándola con alta precisión. Este enfoque va más allá de la simple automatización, ofreciendo una forma de que las máquinas comprendan y naveguen entornos físicos complejos por sí mismas, asegurando que las estructuras pesadas que sostienen nuestro mundo se construyan con un nivel de precisión que anteriormente era difícil de lograr sin una supervisión humana constante.

Resumen Técnico: Generación de Trayectorias de Soldadura Robótica Dirigida por Prioris de CAD sin Enseñanza

Planteamiento del Problema
El artículo aborda los desafíos inherentes a la soldadura robótica sin enseñanza para componentes estructurales complejos, tales como ensamblajes de curvatura múltiple y bastidores de tubería irregulares. Los métodos tradicionales que dependen de la enseñanza manual o la programación fuera de línea tienen dificultades ante cambios frecuentes en las piezas de trabajo y desviaciones de ensamblaje aleatorias. Si bien la visión 3D ofrece un camino hacia la autonomía, los sistemas existentes sufren de una estabilidad de percepción insuficiente. Los problemas específicos incluyen:

Oclusión Visual y Reflexión Especular: Las condiciones industriales severas provocan la pérdida de datos o ruido de alta frecuencia en las nubes de puntos.
Adaptabilidad Limitada: Muchos sistemas dependen de un escaneo de vista fija o ajustes manuales, sin tener en cuenta el campo de visión del sensor, la calidad de la observación y la alcanzabilidad cinemática del robot.
Fallos en la Extracción de Características: Los huecos de ensamblaje aleatorios y las deformaciones locales crean desviaciones espaciales complejas entre los modelos CAD teóricos y los datos medidos. El ajuste directo de nubes de puntos con ruido suele resultar en una deriva de la trayectoria, lo que provoca defectos de soldadura como la falta de fusión.
Subutilización de los Prioris de CAD: Los estudios actuales de seguimiento visual suelen ignorar las restricciones estructurales explícitas (geometría, topología, normales) embebidas en los modelos CAD durante la etapa de planificación de la pose activa.

Metodología
Los autores proponen un marco integral de percepción activa y generación de trayectorias impulsado por prioris de CAD. La metodología avanza a través de cuatro etapas:

Identificación Automática de la Soldadura Teórica:
- El sistema analiza el modelo CAD 3D para extraer automáticamente las costuras de soldadura teóricas.
- Utilizando la adyacencia topológica y las restricciones de geometría de contacto, identifica las líneas de contacto entre sólidos.
- Una función de evaluación multiobjetivo filtra los límites candidatos basándose en la proyección de la dirección de referencia, la longitud del arco y la consistencia con las normales de las superficies adyacentes para seleccionar la línea de soldadura teórica óptima.
Planificación de la Trayectoria de Percepción Activa:
- Marco de Referencia Local: Se construye una dirección de observación local preferida utilizando la tangente de la soldadura y la bisectriz del ángulo entre las normales de las superficies adyacentes.
- Generación de Poses Candidatas: Se generan poses de cámara candidatas alrededor de los puntos de muestreo, asegurando que el eje óptico apunte a la región de soldadura local.
- Evaluación de Calidad: Una función exhaustiva evalúa las candidatas basándose en cinco métricas: cobertura del campo de visión, distancia de observación, ángulo de incidencia, oclusión local y factibilidad cinemática del robot.
- Programación Dinámica: Para asegurar la continuidad, se construye un grafo por capas donde los costos de transición consideran el desplazamiento espacial, la variación de la pose y los cambios en el espacio de articulaciones. La programación dinámica resuelve la secuencia de imagen óptima, que luego se suaviza mediante interpolación de B-spline.
Registro Global y Unificación de Coordenadas:
- Para compensar los errores de sujeción, el sistema adquiere una nube de puntos global gruesa.
- Utilizando la calibración mano-ojo y la cinemática directa, los datos se transforman al marco de referencia de la base del robot y luego se remapean al espacio de coordenadas del modelo teórico.
- El algoritmo Iterative Closest Point (ICP) registra la nube de puntos real con el modelo CAD teórico para determinar la desviación de la pose de cuerpo rígido ( $\Delta T$ ).
Reconstrucción del Campo de Desviación y Generación de Trayectorias:
- Reducción de Dimensionalidad: Para cada punto de muestreo teórico, la nube de puntos 3D local se proyecta sobre una sección transversal 2D normal perpendicular a la tangente de la soldadura. Esto transforma la búsqueda de características 3D en un problema de intersección de contornos 2D, suprimiendo el ruido y los valores atípicos.
- Extracción de Características: Se aplica un ajuste de línea robusto a los conjuntos de puntos proyectados (placas izquierda y derecha) para hallar la intersección, que representa el punto de característica de soldadura real.
- Reconstrucción del Campo de Desviación: Los vectores de desviación discretos se descomponen en componentes laterales, de profundidad y tangenciales. Se minimiza un funcional de energía regularizado para reconstruir un campo de desviación continuo, suave y diferenciable, filtrando el ruido de medición de alta frecuencia.
- Corrección de la Fuente: El campo de desviación suavizado se superpone al modelo de soldadura teórico para generar la curva de soldadura real.
- Síntesis de Trayectoria: Se establece un sistema de coordenadas de soldadura móvil basado en la curva corregida y las bisectrices del ángulo diedro. La cinemática inversa convierte estas poses en comandos ejecutables para el robot.

Contribuciones Clave

Planificación Activa Impulsada por Prioris de CAD: El artículo introduce un método que utiliza los prioris geométricos y topológicos del CAD para restringir las poses de la cámara candidata y guiar la planificación de la trayectoria de imagen continua, en lugar de depender de vistas fijas o ajustes manuales.
Proyección 2D para la Supresión de Ruido: Al proyectar las nubes de puntos 3D locales sobre secciones transversales 2D normales, el método convierte la compleja extracción de características 3D en un problema de intersección de contornos 2D, reduciendo significativamente el impacto de la reflexión especular y los valores atípicos.
Reconstrucción de Campo de Desviación Regularizado: En lugar de ajustar directamente los datos ruidosos, los autores proponen un funcional de energía regularizado para reconstruir un campo de desviación suave. Esto asegura que la trayectoria generada sea continua y diferenciable, evitando la deriva causada por el ruido visual local.
Validación del Sistema Integrado: El estudio valida todo el proceso, desde el análisis de CAD hasta la soldadura física, demostrando la generación de trayectorias ejecutables para intersecciones espaciales complejas sin enseñanza manual.

Resultados Experimentales
Se realizaron experimentos en un componente estructural que presenta soldaduras de filete rectas e intersecciones curvas espaciales utilizando un robot Siasun SR10C y un sensor Kinect V2.

Cobertura de la Nube de Puntos: La estrategia de planificación activa logró una tasa de cobertura de la nube de puntos del 98.6% en regiones de intersección complejas, una mejora significativa respecto al 72.4% logrado por el escaneo tradicional de vista fija.
Precisión Dimensional: El error absoluto medio en la longitud de la nube de puntos fue de 0.19 mm, con un error de coordenada unidireccional máximo de 0.28 mm.
Precisión de Extracción de Características: Los errores absolutos medios para los puntos de característica extraídos fueron de 0.16 mm (X), 0.14 mm (Y) y 0.17 mm (Z).
Soldadura Física: Las pruebas físicas confirmaron la formación exitosa de costuras de soldadura continuas tanto en regiones rectas como en curvas espaciales. El robot ejecutó la trayectoria sin alarmas de límite de rango o singularidad, demostiendo la ejecutabilidad de ingeniería del método.

Significancia
El artículo sostiene que su principal significancia radica en transformar las relaciones geométricas analizables dentro de un modelo de pieza de trabajo en restricciones para el proceso de percepción y control, eliminando así la necesidad de enseñanza manual y perspectivas fijas basadas en la experiencia. Al integrar sistemáticamente los prioris de CAD en la etapa de planificación de la pose visual activa, el método aborda las causas raíz de la inestabilidad de la percepción (oclusión, reflexión, ruido) y la deriva de la trayectoria. El estudio demuestra que un enfoque sin enseñanza es factible para componentes estructurales complejos, proporcionando una base robusta y basada en datos para la generación de trayectorias autónomas que se adaptan a las desviaciones de ensamblaje y geometrías complejas.

Más como este