✨ 要点🔬 技术摘要
想象一下，一个机械臂正承担着清洁大面积平整表面（如工厂地面或桌面）的任务。与在地面上移动的简单轮式机器人不同，这种机械臂拥有许多关节，这使得它能以多种不同的方式触及桌面的同一个点。它可能会高高地弯曲手肘，或者保持低位，或者扭转手腕，同时始终保持清洁工具在完全相同的姿势和角度。这种灵活性是一种优势，但也为控制机器人的计算机制造了一个巨大的难题。如果机器人为某个位置选择了错误的弯曲方式，它可能会陷入困境，或者为了到达下一个位置而做出巨大的、剧烈的动作，从而浪费时间和能量。挑战在于如何规划一条路径，既能平滑地覆盖每一寸表面，又绝不抬起工具或进行不必要的扭曲，即使环境在机器人工作时发生变化也是如此。
纽约阿布扎比大学的研究人员开发了一种解决这一难题的新方法，为这些灵活的机械臂提供了一种高效规划清洁路线的方法。他们基于一种用于更简单机器人的成熟策略，该策略涉及将表面分解成网格方块，并在这些方块之间绘制一条树状路径，以确保每个方块都被访问且仅访问一次一次。由 Raksi Kopo 和 Kostas J. Kyriakopoulos 领导的团队将这种“生成树”概念改编用于复杂的、多关节的机械臂。他们创建了两种版本的解决方案：一种适用于整个区域预先已知的情况，另一种适用于机器人在移动过程中发现障碍物或表面发生变化的情况。
第一种版本是为已知环境设计的，计算机会查看网格中的每个方块，并计算出机械臂在该处持有工具的许多种可能方式。然后，它将这些可能性连接到相邻的方块之间，寻找能够将它们全部连接起来的最平滑的运动链，且不会迫使机械臂产生尴尬的扭曲。系统会为每个方块选择单一的最佳持具方式，形成一条连续的、低能耗的路径，像蜿蜒的小径一样追踪网格。当他们在计算机模拟中使用一个七关节机械臂扫描地面来测试这种离线方法时，证明其比以往的方法更快、更平滑。这种新方法大幅减少了机器人关节的总运动量，并且所需的尴尬重构次数也远少于那些试图一次性解决整个问题的旧技术。
第二种版本的工作解决了现实世界中发生意外变化的混乱情况。如果出现了新的障碍物或某部分地面变得不可用，机器人不能只是停下来等待新计划；它必须立即做出调整。研究人员的在线方法允许机器人在移动时逐步构建路径。它不断检查是否能以当前的机械臂位置到达下一个方块。如果可以，它就向前移动。如果遇到了死胡同或障碍物，它会沿着刚刚走过的路径优雅地后退，寻找另一个方向尝试，而不是陷入僵局。这个过程发生得非常快，以至于机器人可以处理突然的变化，例如桌面上出现了新物体或网格的一部分消失了，而不会迷失方向或需要重新开始。在引入障碍物或网格部分消失的模拟中，该系统在毫秒级内进行了调整，使清洁任务得以持续推进。
这些模拟结果表明，这种新方法是自动化领域迈出的务实一步。通过将机器人的许多可能位置视为一张连接图而非单条线，该系统找到的路径不仅是完整的，而且对机器人的关节非常温和。离线版本为静态任务提供了高效的计划，而在线版本则为动态环境提供了所需的敏捷性。研究人员证明，他们的方法可以处理复杂场景，包括不连通区域和移动障碍物，其速度和流畅度是旧方法难以企及的。虽然这些发现目前基于计算机模拟，但它们为实现能够以类人般的适应性和效率进行清洁、抛光和检查表面的机器人指明了一条可行的道路。
技术摘要：基于广义生成树的冗余机械臂覆盖路径规划
问题陈述
方法论 离线关节生成树覆盖（Offline JSTC）和 在线 JSTC（Online JSTC） 。这两种方法都利用了将表面分解为“大单元”（Mega-cell，每个大单元包含四个“子单元”）的网格化方法。
离线 JSTC：
公式化： 将问题建模为广义最小生成树问题（GMSTP）。流程：
IK 采样： 为每个大单元采样并合并多个 IK 解。这些解被传播到大单元内的四个子单元中。若某个大单元无法将其解传播到所有子单元，则将其移除。图构建： 构建一个广义图，其中簇（Clusters）代表大单元。边连接相邻大单元的 IK 解。边的权重代表运动代价，对于构成“重构”的转换（由关节位移限制或工具偏差定义）会分配高惩罚值。求解： 使用启发式算法求解 GMSTP，以在大单元中恰好选择一个 IK 解，从而在构型空间中形成一个最小代价生成树。追踪： 通过围绕选定的生成树追踪子单元，生成一条不重复访问的覆盖路径，并遵循特定规则以避免跨越树边。
在线 JSTC：
公式化： 旨在处理表面图部分已知或动态变化（例如新障碍物、移除区域）的情景。流程：
算法维护一个生成树森林，为每个可达网格的连通分量维护一棵树。
扩展： 通过识别可达的相邻大单元来扩展当前活动树。算法选择具有最低转换代价的扩展方式，同时确保该移动不会导致剩余未访问子单元发生断连。回溯： 如果不存在有效的扩展路径，算法将通过未访问的子单元回溯至父级大单元。动态更新： 当图发生变化时（例如，一个大单元被移除），生成的树可能会分裂成多个组件。每个带有未访问子单元的组件都被视为一个独立的树。如果机器人无法直接到达新的树，则使用 RRT-Connect 来桥接间隙。
核心贡献
STC 的泛化： 本文通过将 IK 解选择直接集成到生成树构建中，将 STC 扩展到了任务冗余机械臂领域。离线效率： 离线 JSTC 将问题表述为 GMSTP，通过在大单元而非单个采样点上进行操作，减少了相比于完整 JGTSP 方法的搜索空间。在线能力： 在线 JSTC 为动态环境下的增量覆盖提供了一种方法，能够处理图更新、断连组件以及可行性检查，而无需从头开始进行全量重新规划。重构处理： 该方法通过在边权重中显式惩罚重构，旨在最大限度地减少工具抬升和大幅度的关节运动。
结果
离线对比： 在使用 7 自由度 Franka Emika Panda 机器人的“扫描地面（Scan Floor）”基准测试中，将 Offline JSTC 与 JGTSP 和 HJGTSP 进行了对比。
计算时间： Offline JSTC（约 264s）明显快于 JGTSP（约 1105s），且与 HJGTSP（约 207s）相当。运动质量： Offline JSTC 实现了最低的总关节运动量（83.14 rad）和适中的重构次数（4.00 次），优于 JGTSP（190.01 rad, 30.64 次重构）和 HJGTSP（129.38 rad, 1.93 次重构）。作者将 JGTSP 较高的运动代价归因于启发式求解器在处理大量节点时的困难，而将 HJGTSP 的表现归因于粗粒度聚类导致的代表性不足。
在线性能： 在五种场景（自由网格、外部障碍物、内部障碍物、断开的图、动态移除网格单元）下对 7 自由度 KUKA LBR iiwa 机器人进行了测试。
该算法展示了较低的单步计算时间（扩展和回溯步骤均在 70 ms 以下）。
它成功处理了动态更新，例如当网格单元被移除时拆分生成树，以及为新的断开组件重新初始化覆盖。
意义与主张
每周获取最佳 computer science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。