Physics-Coupled Task Allocation for Collaborative Robotic Welding of Dissimilar Steel Joints Using an α-Potential Game and a Physics-Informed Neural Network Surrogate
本文提出了一种用于异种钢接头协作机器人焊接的物理耦合任务分配框架，该框架将用于分布式决策的 -势博弈与用于优化热相互作用、能量消耗和生产时间的物理信息神经网络代理模型相结合，同时考虑了残余应力和碳再分布。
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
在重工业领域，将两种不同类型的钢材连接起来是一项精细的操作。当工程师需要将高强度的耐锈不锈钢与标准碳钢连接在一起时，他们面临着独特的挑战。这些材料并不仅仅是并排放置，它们对热量的反应方式各不相同。随着焊接炬口的移动，剧烈的热量会导致金属以不同的速率膨胀和收缩。这种不匹配产生了一种被称为残余应力的隐形内部力量，这可能会削弱最终产品或导致其变形。此外，热量还会导致碳原子从一种金属迁移到另一种金属，从而在焊缝附近产生薄弱点。为了应对这些风险，工厂通常使用多台机械臂协同工作。然而，仅仅告诉机器人尽可能快地工作或保持距离是不够的。如果一台机器人焊接某个部分的动作过快，它留下的余热可能会破坏下一台机器人在附近尝试进行的焊接质量。关于哪台机器人做哪项工作以及以什么顺序进行，必须考虑到这些隐藏的物理相互作用。
博纳布大学（University of Bonab）的一位研究人员开发了一种解决这一难题的新方法，该方法不再仅仅将机器人组视为机器，而是将其视为一组会相互影响决策的玩家。该系统并没有依赖于像“保持机器人距离”这样简单的规则，而是采用了一种称为“势博弈”（potential game）的数学方法。在这个框架下，每个机器人都有自己的目标，例如快速完成分配的任务，但它们同时也为一个共同的目标做出贡献，即实现最强韧、最高效的焊接。该系统承认，一个机器人的移动或焊接决策会改变其他机器人的环境，从而产生热量和应力的连锁反应。为了处理这种复杂性而不被缓慢的计算机计算所拖累，研究人员训练了一种特殊的人工智能。这种人工智能充当了一个快速、简化的物理世界模型，能够实时预测钢材对热量和应力的反应。通过将这种智能预测工具与博弈论方法相结合，该系统可以找到一个既能降低能量消耗、缩短作业时间，又能使金属内部应力保持在最低水平的调度方案。
该研究重点关注了一个场景，即多台机器人被要求焊接异种钢之间的接头。研究人员将这种新方法与传统的策略进行了对比，传统的策略仅试图最小化机器人的行驶距离或使用标准的优化技术。在涉及五十到两百个焊接任务的计算机模拟中，新系统始终优于传统方法。它缩短了机器人的总工作时间，并降低了能源消耗。更重要的是，它生产出的焊缝预测内部应力显著降低，且减少了会削弱异种连接的危险碳迁移现象。该系统之所以能实现这一点，是因为它允许机器人对任务进行“协商”。当一台机器人考虑承担一项新工作时，系统不仅会检查这项工作需要多长时间，还会检查该项工作产生的热量将如何影响其他机器人即将焊接的金属。如果某项任务会为邻近区域产生过高的热量，系统就会重新分配任务以平衡负荷。
为了确保结果并非仅仅是运气使然，研究人员对系统进行了拆解，以观察哪些部分起到了关键作用。他们测试了带有和不带有人工智能模型、以及带有和不带有博弈论框架的系统。结果表明，这两个组成部分都是必不可少的。人工智能提供了快速运行数千次模拟所需的速度，而博弈论框架则确保了机器人所做的决策是对整个群体都有利的，而不仅仅是对自身有利。研究还测试了系统如何处理不同权重的优先级，例如优先考虑速度还是能量或应力。该系统在这些变化中表现出了稳健性，始终能找到平衡的解决方案。然而，研究人员谨慎地指出，目前这些结果仅限于计算机模拟。有关应力水平和碳迁移的数据是模型生成的预测值，而非通过物理仪器对实际钢梁进行的测量。在将此方法应用于实际工厂之前，必须通过焊接实际接头并使用物理仪器测量结果来验证这些预测。
这项工作的意义在于它将机器人焊接从一个纯粹的几何问题转向了一个物理问题。传统方法往往忽略了热量会传播以及应力会积累的事实，它们假设只要机器人互不干扰，一切都会顺利。而这种新方法认识到，在异种金属的世界里，焊接的历史至关重要。几分钟前完成的焊接所留下的热量，会改变紧接着进行的焊接时的材料状态。通过使用一个理解这些物理联系的系统，研究人员证明了协调多台机器人以生产更高质量的结果是可能的。这种方法并不要求机器人变得更聪明或更快，它仅仅要求它们意识到自己正在创造的那些隐形力量。虽然研究证实了这种方法在数字环境中有效，但通往工厂车间的道路仍然开放。下一步是将这些计算预测应用于实际的钢材与火焰中，以验证其在充满变数的现实世界中是否真的能实现更强韧、更快速焊接的数字承诺。
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。