Coupled Routing and Configuration Optimization for Multi-Viewpoint Robotic Inspection

技术摘要：面向多视角机器人检测的路径规划与配置耦合优化

问题陈述
本文解决了为高自由度（DoF）机器人系统（具体为 9 自由度移动机械臂）规划时间最优且无碰撞路径的挑战，以访问大量的 6 自由度检测视角。与具有固定序列的组装任务不同，检测任务允许对访问顺序进行优化。核心难点在于任务空间（视角）与关节空间之间的非线性映射。在传统的模块化流水线中，每个视角的单一逆运动学（IK）配置在路径规划之前就被固定下来。这种解耦方式是次优的，因为视角的最佳配置取决于其在巡检路径中的相邻节点；两个在任务空间中接近的视角，由于所选关节角度的不同，在配置空间中可能相距甚远。因此，模块化方法往往无法实现全局时间最优。

方法论
作者提出了一个统一的框架，在单个全局搜索过程中同时优化访问顺序和每个视角的配置，而不是将其作为顺序步骤处理。该方法由三个主要部分组成：

1. 基于冗余参数化的逆运动学：
   该方法并非为每个视角求解单个配置的非线性规划，而是通过闭式形式参数化 9 自由度系统的 3 维自运动流形。每个视角的位姿通过包含线性滑台坐标和机械臂旋转角的向量 $\gamma_i$ 进行构造性满足。该映射 $\kappa(v_i, \gamma_i)$ 使优化器能够直接在连续配置空间中进行搜索，而不会违反位姿约束。

2. 闭式形式旅行时间代理模型：
   为了使全局搜索变得可行，该框架使用了一个基于线性双积分动力学的闭式可容许代理模型，取代了昂贵的轨迹优化，用于计算从静止到静止的旅行时间。该代理模型提供了两个配置之间真实转矩限制旅行时间的下界。它计算成本极低（仅涉及代数运算），并确保优化器不会高估边权重。

3. 统一优化与精细化：

   • 全局搜索： 访问顺序（通过随机键编码）和配置参数通过协方差矩阵自适应进化策略（CMA-ES）进行联合优化。目标函数最小化代理旅行时间之和，同时对碰撞（使用障碍物相交的平滑 LogSumExp 近似）和关节极限违规进行惩罚。
   • 精确精细化： 一旦 CMA-ES 收敛到候选路径，便仅对所选路径的 $M-1$ 条边应用直接配点（direct-collocation）轨迹优化。这一步验证了动力学可行性，强制执行精确的转矩限制，并计算精确的时间。这使得昂贵的轨迹求解次数从二次方级（$O(M^2)$，在模块化流水线中）降低到了线性级（$O(M)$）。

核心贡献

1. 联合优化公式化： 本文将多视角检测建模为一个关于离散访问顺序和连续配置流形的单一优化问题，消除了限制模块化流水线的解耦问题。
2. 通过闭式代理实现可处理性： 作者证明，通过闭式形式的冗余参数化 IK、闭式形式的可容许旅行时间代理模型以及允许无导数优化器同时搜索顺序和配置的随机键编码，该问题可以变得易于处理。
3. 高效性与认证： 通过仅对最终选定路径的边进行直接配点，该方法将轨迹求解次数从二次方降低到线性。此外，该框架提供了一个解质量证书，能够界定计算解与全局时间最优解之间的差距。

实验结果
该框架通过使用安装在 2 自由度线性滑台上的 KUKA LBR iiwa R820 进行仿真和实机机器人实验得到了验证。

• 性能： 与固定配置后再进行路径规划的模块化基准方法以及朴素的基于距离的方法相比，所提方法显著缩短了端到端检测时间。例如，在 200 个视角的场景下，所提方法将规划时间从约 2529 秒降低到约 25 秒，同时比基准方法减少了 1500 秒以上的旅行时间。
• 可扩展性： 所提方法的规划时间随视角数量呈线性扩展，而由于需要进行全对轨迹优化，模块化基准方法的扩展性呈二次方关系。
• 最优间隙： 该方法提供了一个经过认证的最优间隙（精细化路径成本与下界之间的差异），即使在最大的实例（200 个视角）中，该间隙也保持在 5% 以下。
• 可行性： 所有生成的轨迹均满足动力学约束、转矩限制和避障要求，这已通过直接配点精细化步骤进行了验证。

意义与主张
本文声称，这种统一方法通过承认视角的最佳配置取决于其路径上下文，从根本上改进了标准的模块化流水线。通过将配置选择与路径规划集成，该方法实现了模块化方法无法保证的全局时间最优解。该框架被呈现为一种实用的解决方案，适用于需要根据 CAD 数据自动生成单个产品计划的零缺陷和柔性制造范式。作者指出，该方法在离线规划（静态环境）方面存在局限性，且在代理阶段存在碰撞检查近似的问题，这些问题在最终的精细化步骤中得到了修正。未来的工作建议探索学习型代理模型和更高级的 CMA-ES 变体，以应对更大规模的问题。