3D vision-guided adaptive trajectory planning for complex spatial welds based on multi-source point cloud fusion

Resumo Técnico: Planejamento de Trajetória Adaptativo Guiado por Visão 3D para Soldagens Espaciais Complexas

Declaração do Problema
O artigo aborda um gargalo crítico na manufatura inteligente: o planejamento de trajetória de soldagem robótica para produção customizada de pequenos lotes. Os métodos tradicionais dependem fortemente de modelos CAD, que muitas vezes estão indisponíveis ou incompletos para peças complexas e customizadas. Embora abordagens híbridas utilizando nuvens de pontos 3D existam para corrigir desvios de montagem, elas ainda dependem de modelos CAD para o planejamento central e enfrentam dificuldades com desvios e deformações das peças, além de ruídos. Além disso, os métodos atuais de nuvem de pontos sem CAD enfrentam três limitações específicas: um escopo de aplicação estreito (frequentamente limitado a juntas simples de topo ou em T), uma falta de verificação de robustez contra ruídos e valores atípicos (outliers), e uma otimização insuficiente da pose da tocha de soldagem, o que é crucial para a qualidade da soldagem em juntas espaciais complexas.

Metodologia
Os autores propõem um framework de planejamento de trajetória adaptativo de processo completo, sem CAD e sem necessidade de ensino (teaching-free), baseado na fusão de nuvens de pontos de múltiplas fontes. A metodologia é estruturada nas seguintes etapas principais:

1. Arquitetura do Sistema e Aquisição de Dados:

   • Um sistema de câmera dupla é empregado: uma câmera de luz estruturada de ampla área montada em uma plataforma fixa para reconstrução global grosseira, e uma câmera de luz estrutida linear de alta precisão montada em um robô de 6 graus de liberdade (6-DOF) para captura de detalhes locais finos.
   • Um processo rigoroso de calibração utilizando uma placa de calibração de múltiplos furos e Decomposição de Valor Singular (SVD) estabelece a matriz de transformação entre a câmera linear e o sistema de coordenadas da ferramenta do robô, alcançando um erro euclidiano médio de 0,218 mm.

2. Reconstrução do Modelo:

   • Pré-processamento: As nuvens de pontos brutas passam por extração de fundo (RANSAC), filtragem de passagem (pass-through filtering), subamostragem espacial e remoção de valores atípicos.
   • Registro: Um pipeline de registro em dois estágios é utilizado. Primeiro, o FPFH-FGR (Fast Point Feature Histograms - Fast Global Registration) realiza o registro grosseiro para lidar com grandes desvios de pose e estruturas assimétricas onde o PCA tradicional falha. Segundo, o GICP (Generalized Iterative Closest Point) realiza o registro fino para alcançar um alinhamento de alta precisão. Esta abordagem híbrida equilibra eficiência computacional (5,56 s para registro) com precisão (erro inferior a 0,5 mm).

3. Extração de Características de Soldagem:

   • Uma nova característica de Densidade de Ponto de Curvatura (PDC - Point Density Curvature) é introduzida. Ela combina a curvatura da superfície local (derivada da matriz Hessiana de um ajuste de superfície quadrática) com a densidade de pontos local normalizada.
   • Segmentação por Limiar Adaptativo: Utilizando o método de Otsu nos valores de PDC, o sistema segmenta automaticamente as juntas de soldagem do fundo. Um coeficiente de ajuste ajusta a sensibilidade com base na geometria da peça (tubular vs. tipo placa).
   • Agrupamento (Clustering): O DBSCAN é usado para agrupar os pontos segmentados, seguido pelo algoritmo ISS (Intrinsic Shape Signatures) para extrair pontos geométricos chave.

4. Ajuste de Trajetória e Planejamento de Pose:

   • Ajuste Polinomial de Ordem Adaptativa: Pontos chave são projetados em um espaço de parâmetros 1D. O sistema seleciona adaptativamente ordens polinomiais (1 a 7) para ajustar trajetórias lineares, curvas ou irregulares, minimizando o Erro Quadrático Médio (RMSE).
   • Otimização de Pose: A pose da tocha é determinada pelo ajuste de planos locais à superfície da peça ao redor da trajetória. A pose ideal alinha-se com a bissetriz do ângulo dos planos que se interceptam. Para garantir um movimento suave, o sistema aplica correção de vizinhança (média das poses de pontos adjacentes) e suavização Gaussiana 1D aos vetores de orientação, evitando mudanças abruptas na orientação do robô.

Principais Contribuições

• Framework de Fusão de Múltiplas Fontes: A integração de câmeras de luz estruturada de ampla área e linear permite a criação de um modelo de peça 3D completo e de alta precisão sem qualquer entrada de CAD.
• Nova Característica PDC: O design da característica de Densidade de Ponto de Curvatura melhora significamente o contraste entre as juntas de solda e fundos complexos, suprimindo efetivamente o ruído e lidando com superfícies de alta curvatura onde métodos de curvatura tradicionais falham.
• Planejamento de Pose Robusto: O artigo vai além da simples extração de caminho ao implementar uma estratégia abrangente de planejamento de pose que envolve ajuste de plano local, correção de vizinhança e suavização Gaussiana, garantindo uma orientação de tocha contínua e estável.
• Validação de Engenharia: O framework é validado não apenas através de simulação, mas via experimentos de soldagem robótica de ponta a ponta em peças complexas, incluindo juntas de tubos de múltiplos ramos e placas curvas em formato de S.

Resultados Experimentais

• Precisão: O processo de registro alcançou um RMSE de Inlier de aproximadamente 0,46–0,49 mm. Os erros de ajuste de trajetória foram consistentemente mantidos abaixo de 0,5 mm (variando de 0,234 mm a 0,436 mm em diferentes trajetórias).
• Eficiência: O pipeline proposto FPFH-FGR+GICP reduziu significativamente o tempo de registro em comparação com FPFH+RANSAC, completando o processo em cerca de 5,56 segundos.
• Robustez: Testes com 10% de outliers e ruído Gaussiano de 0,15 demonstraram que o algoritmo PDC ainda pode identificar com precisão as posições de soldagem com apenas artefatos marginais menores.
• Qualidade da Solda: Experimentos de soldagem em quatro peças diferentes (13 soldas no total) resultaram em uma formação de cordão de solda estável. O Coeficiente de Variação (CV) para a largura da solda foi geralmente inferior a 10%, com a maioria das soldas mostrando alta consistência (CV < 5%). Pequenos defeitos (porosidade, respingos) foram observados, mas atribuídos a flutuações transitórias do processo, e não a erros de planejamento de trajetória.

Significância
O artigo afirma fornecer uma solução técnica viável e reutilizável para a soldagem robótica inteligente em cenários industriais reais onde modelos CAD não estão disponíveis. Ao demonstrar um sistema de ciclo fechado que lida com sucesso com juntas espaciais complexas (lineares, curvas e de intersecção) com alta precisão e estabilidade, o trabalho oferece uma referência eficaz para o avanço da automação na manufatura de componentes customizados. Os autores enfatizam que seu método atende aos requisitos básicos de aplicação industrial, oferecendo um caminho para sistemas de soldagem robótica "sem ensino" (teaching-free) e "sem CAD" (CAD-free).