CAD-prior-driven teaching-free robotic welding trajectory generation for complex structural components
本文提出了一种由 CAD 先验驱动的复杂结构件免教学机器人焊接方法，该方法集成了主动感知、坐标解耦和基于二维轮廓的特征提取，用以补偿装配偏差并生成高精度焊接轨迹，在物理试验中实现了 98.6% 的点云覆盖率和亚毫米级精度。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在重型制造业领域，建造像船体、桥梁框架或采矿设备这样庞大的结构，通常涉及将厚金属板连接在一起。几十年来，确保这些金属板牢固融合最可靠的方法是让人类焊工手持焊枪进行引导，或者通过物理移动机械臂的方式，教机器人精确地沿着路径移动一次。这种“教导并重复”的方法在每个部件都完全相同且完美契合时效果很好。然而，现实世界的金属零件很少是完美的。当大型金属板组装时，会出现微小的缝隙，金属也可能因热量或压力而发生轻微变形。如果机器人只是盲目地遵循基于完美数字图纸预设的路径，它可能会错过实际的焊缝，从而导致焊接薄弱或报废零件。为了解决这个问题，工程师们转向了视觉系统，赋予机器人“眼睛”，让它们在焊接过程中观察焊缝。然而，仅仅拥有摄像头是不够的；如果摄像头因为阴影、反光或机器人自身的躯干遮挡而看不见焊缝，系统就会失效。挑战在于，不仅要教会机器人如何观察，还要让它知道在开始焊接之前，应该站在什么位置以及如何调整摄像头的角度，以便在复杂的扭曲焊缝处获得清晰、完整的图像。
湖北科技学院的研究人员开发出一种新方法，使机器人能够在无需人类指导的情况下，自行确定观察和焊接复杂金属结构的最优方式。该系统不再依赖于人类向机器人展示路径，也不再依赖于仅仅扫描前方区域的摄像头，而是从零件详细的3D数字模型（即CAD模型）开始。研究人员教会了机器人像阅读地图一样阅读这个模型，精准识别金属板接触的位置以及理论上应该进行焊接的位置。利用这张数字地图作为引导，机器人可以规划自己的运动。它会计算出一条摄像头的平滑路径，确保镜头始终保持在完美的距离和角度，以避免阴дя和反射，同时确保机器人的手臂不会被零件本身卡住或阻挡。这个过程被该团队称为“主动感知”，它允许机器人采集到完整的、清晰的焊缝3D图像，即使是在传统方法经常遗漏数据的狭窄角落。
一旦机器人捕捉到了这种清晰的图像，它又面临另一个问题：真实的金属零件永远不会与数字地图完全一致。存在着计算机模型无法预知的微小间隙和弯曲。为了解决这个问题，该团队创建了一种通过巧妙观察数据来寻找焊缝中心线的方法。该系统并没有尝试在摄像头捕捉到的杂乱的三维点云中寻找焊缝，而是将数据切分为二维的平面横截面。想象一下观察一根面包的切片：与其试图追踪整条面包的曲线，不如观察单个切片的平面。通过这种方式，机器人可以轻松识别出两块金属板的交界处，过滤掉通常会干扰计算机视觉的噪声和误差。随后，它会构建出一条代表实际物理位置的平滑连续线条，从而修正原始的数字地图以匹配现实情况。
拿着这份修正后的地图，机器人生成其最终的焊接路径。它将实际焊缝的平滑线条转化为自身关节的一系列指令，确保焊接火炬在移动过程中与焊缝保持完美对齐。研究人员在一种包含直线和三维扭曲曲线的复杂金属结构上测试了该系统。他们发现，该方法捕捉到了98.6%的焊接区域，相比之下，传统的固定角度扫描由于存在盲区，仅能观察到约72%的区域，这是一个显著的提升。焊缝长度的测量精度极高，平均误差仅为0.19毫米。当机器人实际进行焊接时，它成功地在直线部分和困难的曲线交汇处都创建了连续且强韧的焊缝，整个过程没有停顿或出错。
这项研究表明，通过将数字蓝图与智能自纠错视觉相结合，机器人可以处理工业制造中混乱的现实情况，而无需人类教导它们的每一个动作。该系统证明了它能够适应现实组装中不可避免的不完美性，找到真实的焊接路径并高精度地执行。这种方法超越了简单的自动化，提供了一种让机器能够理解并自主导航复杂物理环境的方式，确保支撑我们世界的重型结构在建造过程中，能够达到以往难以在没有持续人工监督下实现的精密水平。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。