多臂协作机器人技术与应用现状及发展趋势|世界人工智能大会|多臂|机器人|机械|自动化|鲁棒

本期阅读

文章信息

多臂协作机器人技术与应用现状及发展趋势

吴其林，赵韩，陈晓飞，赵雅婷

DOI：10.3901/JME.2023.15.001

引用本文：

吴其林, 赵韩, 陈晓飞, 赵雅婷. 多臂协作机器人技术与应用现状及发展趋势[J]. 机械工程学报, 2023, 59(15): 1-16.

WU Qilin, ZHAO Han, CHEN Xiaofei, ZHAO Yating. Review of Technology, Application Status and Development Trend in Multi-arm Cooperative Robots[J]. Journal of Mechanical Engineering, 2023, 59(15): 1-16.

原文阅读（摘要）

摘要：随着劳动力紧缺及人力成本的不断升高，需要使用机器人的领域越来越多，数量也越来越大。就许多应用场景而言，任务复杂多变、应用环境和条件限制也各有不同，单臂协作机器人已不能满足要求，多臂协作机器人系统便应运而生，且已成为未来发展的重要领域。因为发展的时间较短，还需要研发人员做大量的工作。对多臂协作机器人的技术与应用现状进行了较为系统的梳理归纳，从影响较大的几个方面，即多臂协作机器人的应用、机构与轻量化设计、动力学与控制、协同技术、人工智能技术进行了综述。在此基础上，根据人工智能、控制等领域的新发展，提出了多臂协作机器人今后应该加强研究和发展的6个方向，如应用场景向深度人机协同方向发展、结构及零部件更注重高速、高精度和高功重比、在动力学方面将更加重视平顺性设计、协调式协作机器人系统需朝着分层多元化发展、控制将更加趋于自适应柔顺控制和自主决策、交互趋于多信息融合的多维安全保护与自然交互。

关键词：协作机器人；多臂协作；建模与控制；人机协作；柔顺控制；自然交互

中图分类号：TP242

0 前沿

机器协助人或替代人工作是人类始终追求的目标，特别是现在计算机、信息、传感、控制、材料、制造、人工智能等科学和技术的快速发展，使人类社会已经向智能化或智慧化社会发展，机器人的研究与开发也进入了重要发展阶段。经过几十年的不懈努力，工业机器人取得了很大成功，已在工业领域大批量应用。然而，工业机器人安全性低、环境适应性弱、人机交互能力不足等问题，大大限制了工业机器人的进一步应用，使得协作机器人就应运而生。

协作机器人(Collaborative robot, CoBot)[1-3]是一种具有高度灵活性、安全性和可协作性的机器人，它可以与人类工作在同一工作空间内，共同完成任务。与传统的工业机器人相比，协作机器人具有自适应性和可定制性，可以快速适应多样化的生产和服务需求，很好地满足了智能制造柔性化定制的要求[4]。协作机器人还具有更高的安全性，让机器人彻底摆脱护栏或围笼的束缚，同时扫除了人机协作的障碍，其开创性的产品性能和广泛的应用领域，为机器人的发展开启了新时代。随着老龄化和人力成本的增加，减少人工和减轻人的劳动强度也成为了各行各业，乃至家庭所要着重考虑的问题，这给协作机器人提供了很大的应用空间。如在现代物流行业，由于商品的种类、数量以及分拣速度等大幅度提升，使用协作机器人已成为趋势；在医疗行业，手术机器人已成为协作机器人成功的典范；在家政、养老服务等领域，协作机器人将会扮演重要的角色；在核电、航天等特种环境领域，协作机器人也显示出很好的应用前景，还有更多的应用也正在人们的谋划之中。

随着行业应用对协作机器人需求市场的快速发展，以及国家政策的大力支持，我国协作机器人行业规模迅速扩张。据有关资料(华经产业研究院)显示，2021年我国协作机器人行业市场规模达20.39亿元，同比增长76.8%，如图1所示为2016—2021年中国协作机器人市场规模情况。近年来，协作机器人的应用越来越广泛，目前已在汽车、3C、半导体、家电、医疗、新零售等行业中发挥重要价值[5-6]。具体来看，2021年我国协作机器人下游应用结构中占比前三的分别为3C电子、汽车及零部件、医疗保健领域，占比分别约为30%、27%和15%，具体应用情况如图2所示。

图1 2016—2021年中国协作机器人市场规模情况

从已有应用可以看出，所使用的协作机器人基本上都是单一的单臂协作机器人。这种协作机器人虽然在许多场景下可以完成很多任务，但也存在一些局限性。具体来说，单个协作机器人的主要不足包括：运动空间受限：即单个协作机器人的运动空间有限，无法在一个大范围内完成任务；承载能力有限：即单个协作机器人的承载能力有限，无法处理过重或过大的物体；任务复杂度受限：即单个协作机器人的处理能力和智能水平有限，无法完成复杂的任务。

为了克服这些不足，使协作机器人适用于更多的应用场景，就需要考虑用多臂协作机器人来完成一些复杂的任务，因为多臂协作与单臂相比有如下一些优越性，如更高的负载能力、更加灵巧和更易操作等[7]。如在工业制造领域[8]，在车间自动化生产中，工程师可以对现有的机械臂进行关联整合，柔性布置构成多机械臂协作系统协同完成组装、包装、检测、喷涂等多个工序，从而提高整个生产线的效率和品质；在物流和仓储行业中[9]，多臂协作机器人可以协同完成大型货物的搬运、装卸、分拣等任务，从而提高物流和仓储效率；在医疗保健行业[10]，多臂协作机器人可以协同完成手术、康复训练等任务，从而提高手术精度和安全性。

然而，由于多臂协作机器人是机、电、通信、人机工程、人工智能等多学科交叉的产物，且应用环境要求高，近年来很多专家学者都在这一领域开展研究开发工作，取得了很多成果。本文针对多臂协作机器人的应用、机构与轻量化、动力学与控制、协同技术、人工智能几个方面进行一些梳理归纳，提出一些可能的研究方向，为之后的研究提供参考。

图2 2021年中国协作机器人应用结构分布情况

1 多臂协作机器人类型及应用现状

多臂协作机器人是一种能够协同工作的机器人系统，它由多个协作机械臂和控制系统组成，能够在不同的工作场景中协同工作，提高工作效率和灵活性。其中，协作臂通常具有不同的长度、载荷能力和工作半径，以适应不同的工作场景。控制系统包括感知、规划和控制等方面的软件和硬件组件，能够准确感知周围的环境和其他机械臂的位置，通过规划和控制来协同工作。多臂协作机器人目前还没有明确的定义与分类，以下归纳出现在常用的几种基本类型及其一些应用场景。

1.1 固定式双臂协作机器人

固定式双臂协作机器人，又称双臂机器人，是指固定平台上拥有两只手臂可以共同协作完成任务的机器人。它通常固定在一个工作站或工作区域中，而不是在生产线上移动，因而广泛用于需要高速、高精度和重复性的任务。由于这种机器人的多功能性和高效率，在制造业、医疗保健等行业越来越受欢迎，如今已在3C产品的组装、医疗手术等方面获得很好的应用[11]。

近年来已出现一些比较有代表性的固定式双臂协作机器人，如图3a所示的为美国Rethink Robotics公司推出的Baxter[12]服务机器人。Baxter机器人拥有多种传感器，包括视觉传感器、红外和力传感器等，能够感知其周围环境，并对物体进行识别和定位。目前全球已有400多所高校及研究机构使用它进行科学研究，是应用最广泛的双臂机器人之一。再如图3b所示的为瑞士ABB公司在2015年推出的YuMi[13]机器人，该机器人末端配备了力与力矩传感器，可以实现柔顺控制，确保了人机交互过程中的安全性。它能协助工人完成一些轻型装配任务，如电子器件装配、产品分拣等工作。

图3 固定式双臂协作机器人

目前，固定式双臂机器人的研究主要是为了让双臂机器人能精确、高效、稳定地完成特定任务，理论成果主要涉及到各种控制和规划算法，包括运动规划、碰撞检测和避障等[14-17]。如PAPAKOSTAS等[18]面向工业复杂装配任务，通过离线编程实现了多臂协调系统轨迹规划。TSAI等[19]基于快速扩展随机树算法，通过在C空间中加入时间信息，对双臂协调系统进行避障路径规划。这些算法均可以根据特定的任务进行编程，以进行轨迹和速度控制，同时协调规划手臂之间的运动。

1.2 固定式多协作机器人系统

固定式多协作机器人[20]系统是一种分布式集群系统，由多个固定安装的机器人组成，协作过程中各机器人基座位置不变，通过手臂的协同工作来完成复杂的任务，从而增强生产力，提高效率。

这种机器人系统通常应用于制造业等领域，如图4所示的新松多协作机器人系统，每个机器人都可以负责不同的任务。它们可以在整个流水线上协同，如分别完成装配、加工、运输等任务；也可以在一个工位共同作业于相同的对象，例如大型复杂零部件的铆接、焊接和喷涂等。每个机器人都可以接收来自其他机器人或外部设备的指令，并根据指令执行相应的任务。在执行任务时，机器人之间可以通过共享数据和实时通信来协作完成任务。

目前，对该机器人系统的研究主要集中在协同控制策略、任务分配和通信网络等体系架构方面。研究者们围绕系统的体系结构、软硬件架构和编程实现方式展开了研究工作。例如，BASILE等[21]针对系统的体系结构，提出了一种基于智能程度的多级递阶结构设计，将系统分为组织级、协调级和控制级，上层智能程度越高，下层控制的精度越高。另外，针对系统的软硬件架构，ZHENG等[22]探讨了多机器人协作的软件设计架构，而CACCAVALE等[23]则在RTA1-Linux的基础上建立了实时的开放式多机器人协作平台，并提出了一种分布式的控制器架构。

图4 新松多可协作机器人系统

1.3 移动式协作机器人(单臂或双臂)

移动式协作机器人通常是在轮式、履带式或足式移动平台上加装一个或多个操作手臂，组成复合作业机器人[24]，具有较强的主动作业能力与较大的操作空间，各种移动平台的优势与不足对比如表1所示(人形机器人实际上也是一种移动式协作机器人，因涉及内容较多，故本文不作阐述)。移动平台与机械臂的结合，大大增加了地面移动作业机器人作业的灵活性和机动性，同时加装操作臂后也扩大了移动平台的地形通过能力和通行范围，已逐渐成为未来机器人的重点发展方向之一。

表1 各种移动平台对比表

随着机器人在各行各业的不断普及，以及“机器换人”战略的不断深入，移动作业机器人的应用已逐步延伸至工业生产、仓储物流、家政服务等众多领域。学术研究方面，相比于移动作业机器人目前广泛应用的简单结构化小面积室内场景，类似电力巡检、灾害救援、野外勘探等具有复杂非结构化环境特征的室外作业场景，对移动式协作机器人控制的精密性、移动的机动性、操作的灵巧性等方面的研究提出了更高的要求。

移动式协作机器人在完成作业任务时，不仅存在环境影响，移动平台和操作臂之间也存在强烈的相互作用。因此，该系统存在高维度、高动态和强非线性的耦合效应，如图5所示。为解决机械臂与移动平台的耦合问题，LIU等[25]提出了一种分离控制策略，将操作臂和移动平台视为两个独立的系统，分别进行建模和控制器设计，将动力学耦合效应视为外部扰动。KORAYEM等[26]简化耦合效应的影响，进行了简单的建模处理，但这样的处理使得操作臂的承载十分有限。同时，由于扰动的不确定性，使其控制变得困难。ZHONG等[27]研究了轮式移动作业机器人移动平台和操作臂之间的耦合效应，建立了系统整体的动力学模型，并提出了一种鲁棒自适应控制算法，控制效果得到了明显提升。因此，考虑地形、地貌以及环境对机器人的稳定性影响，建立适用于移动协作机器人的多耦合系统动力学模型仍然是该领域面临的一个关键问题。

图5 移动机器人系统组成及耦合情况

1.4 多移动协作机器人系统

多移动协作机器人系统是指由多个移动式协作机器人组成的系统，它们可以以集群的形式协同工作来完成一项任务[28]，如图6所示。相较于单一的移动式协作机器人，多移动式机器人协作系统可以承担更加复杂的任务，并且可以在任务执行中相互协作、补充，从而提高生产效率和任务质量。该协同作业系统在均衡负载、提高容错性能以及鲁棒性方面有更大的潜在优势。

图6 多移动协作机器人系统

多移动协作机器人系统也是群机器人研究的重要方向之一，现有的研究致力于开发高效的群机器人算法和策略，以提高群机器人的协同性和可靠性。随着机器学习技术的发展，将多机器人协作和机器学习相结合，成为了近年来兴起的研究方向，人工智能的融入使得多移动式机器人协作系统可以实现更高级别的自主化，减少人工干预，进一步提高生产效率和任务质量。MIYATA等[29]和GERKEY等[30]分别对多移动协作机器人群体在未知静态环境下和动态工作环境中的任务分配体系结构进行了研究。此外，HUNTSBERGER等[31]研究了在火星上多个协作机器人之间紧密协调的移动和操作任务，可以用于科学数据采集。陈卫东等[32]通过构建多移动协作机器人实验平台，成功集成了平台规划、通信、协调合作和控制等方面的技术，设计了一个适用于复杂任务的多机器人分布式协调系统，并通过机器人编队和搬运物料的实验进行了展示。

2 多臂协作机器人结构与轻量化研究

相较于传统的工业机器人，协作机器人应用面广阔、应用场景多，为降低成本和实现快速反应，协作机器人结构方面通常采用模块化设计，可以将协作机器人分解成多个模块，即关节模组，每个模组都具有特定的功能和任务。这样的设计能够使机器人更易于维护和升级，并且更容易适应不同的工作场景。同时，模块化设计还能够使机器人更易于重构，从而更好地适应不同的协作模式和需求，增强灵活性，使协作机器人可以完成很多传统机器人无法完成的作业动作。为满足多臂协作机器人的实际应用需求，降低多臂间的耦合效应，保证机械臂末端精度，这就要求机器人本体必须功重比高、结构紧凑、重量轻。为实现以上三个性能，就需要从以下三方面入手。

2.1 协作机器人的构型

机器人的构型设计是协作机器人设计的基础和关键，对机器人的性能有重要影响。在协作机器人的构型方面，研究人员和相关企业做了大量工作。HOLLERBACH等[33]在1985年提出了基于运动学构型的最佳设计观点，该观点以6R最佳配置机构为基础，在肩、肘和腕部分别增加一个转动副，再融合后剔除自由度退化和重复等效的形式，得到一系列机械臂构型。中国科学院沈阳自动化研究所[34]使用位置空间和奇异空间来同时评估机构选型，并从2187种构型中选出了64种配置形式，最后制作成图谱。赵占芳等[35]给出了协作机器人的选型原则，并确定了机器人的理想形式。

目前具有代表性的协作机器人有iiwa、Yumi、Sawyer以及Franka等[36]，它们的构型主要有两种。iiwa协作机器人是一种七自由度冗余机器人，采用了目前常用的构型SRS，这种构型的机器人能够改善机器人在工作空间中的避障能力、避免内部奇异构型等。Yumi、Sawyer、Franka的构型不同于SRS构型，它们采用类似人体手臂的构型，其优点是本体轻、结构紧凑[37-38]。

2.2 轻量化设计

协作机器人的轻量化设计首先是采用轻质材料以显著降低机器人的重量和能耗，提高机器人的机动性和灵活性。例如，采用复合材料和轻质金属材料可以有效减轻机器人的自重，提高其运动速度和机动性能。铝合金、镁合金、碳纤维复合材料都是目前常用的机器人轻量化材料，日本本田公司第三代ASIMO机器人就采用镁合金材质制作外壳，这使得机器人的自重大幅降低，步行速度从1.6 km/h提高到2.5 km/h，最大奔跑速度达到了3 km/h。然而，镁合金相对于钢铁和铝合金的强度和韧性较低，无法完全替代其他材料。铝合金成本较低，应用也较为广泛，但热稳定性不足，不适合在一些极端工作环境中使用，例如铸造和消防行业等。碳纤维复合材料则具有强度高、重量轻、蠕变小的特点，强度是钢铁的数十倍，且加工性能良好，通常用于机器人手臂、关节连杆等部件。尽管成本较高，但这种材料在未来智能化工业进程中的独特性能优势是不可忽视的。其次是进行拓扑优化以及有限元分析。拓扑优化在结构分析中的应用，通常可先根据优化前零部件的受力约束等情况，将单个零部件从整体中分离出来并施加约束和载荷，然后进行独立的拓扑分析。这种方法现在在机器人结构优化中也得到了广泛的应用。例如，YE等[39]采用有限元分析的方法找出每个部件材料应力最佳位置，然后对其施加等效约束载荷，从而使优化后的结构刚度和振动特性都有所提高。此后，周瑞[40]则提出了一种基于多目标拓扑优化的方法，用于优化一款协同臂的结构，该方法以质量和转动惯量为联合目标，经过优化后得到了满足结构强度的轻量化机械臂。最后是动态特性研究。由于协作机器人是开环机构，且结构多为关节模组与轻量化柔性臂，运动时容易产生振动，从而导致机器人定位精度与响应速度降低，影响机器人工作平顺性，同时会影响寿命。故国内外众多学者在研究构型和轻量化的同时，还十分重视对振动的抑制控制[41]。

2.3 关节减速器及其精度控制

关节减速器是影响关节模组功重比和输出精度的重要传动组件，现有的协作机器人传动机构大多采用谐波减速器和RV减速器。谐波减速器方面，绿的谐波、铜川科技等国内公司虽然占据一定的市场份额，但高端产品仍依赖国外。RV减速器方面，国内虽然也研发出了一些产品，但高端产品基本上仍被国外厂商垄断。此外，RV结构复杂，谐波由于存在柔轮，承载能力受限，二者也都有较大的局限性。常用机器人关节减速器对照如表2所示。

表2 常用机器人关节减速器对照

在关节模组精度控制领域，目前主要以谐波减速器为目标。CAI等[42]通过将谐波减速器简化为刚度和阻尼系数，提出了一种基于双转速闭环的控制方法，用以谐波驱动限位制动器的位置跟踪。JU 等[43]考虑谐波柔性关节传动环节的扭转振动，在将机器人柔性关节系统等效为“质量-弹性”系统进行动态建模和参数辨识的基础上，设计了一种自适应模糊PID控制器，用以精度控制。随后，HU等[44]通过使用传感器采集谐波减速器由于柔轮弹性变形引起的角度误差，提出了一种谐波适应误差补偿控制方法。上述现状表明，现有的控制方法一般将传动系统简化为一个定传动比单元，忽略了减速器内部的构件加工、装配误差和摩擦磨损等影响因素。如何进行关节模组输出精度控制与保持，实现驱动-传动-传感的一体化又成为了新的研究热点。

3 多臂协作机器人的建模、控制与协同

协作机器人于20世纪 90年代初首次被提出，随后出现了许多在运动学结构上与传统机械臂不太一样的协作机器人，但最终没有获得大规模发展[45]。到21世纪初期，引起了相关学者的广泛关注，并有相关数学形式的建模与控制方法出现。对协作机器人的研究近些年主要集中于运动学建模[46]、路径规划[47-48]和碰撞检测[49]等，对于多臂协作机器人形成闭链的动力学建模与控制则研究较少。然而随着多臂协作的高速、高精度、高柔顺场景需求越来越多，其动力学建模与控制以及多臂间的协同控制则必须要引起重视。

3.1 动力学建模

协作机器人的动力学建模方法有多种。Newton-Euler法是对每个机器人分别进行受力分析从而得到运动方程，优点是建模的流程清晰且得到的每一个运动方程简洁，这对于一般的简单机构是很好的建模思路[50]。Lagrange法是利用辅助变量拉格朗日乘子，得出运动方程的数值解[51]。但拉格朗日乘子需在具体应用中确定，因而建模的自动化程度也不高，对于多臂协作机器人系统，得到拉格朗日乘子也比较困难[52]，因而较难得出解析形式的动力学方程。递归法通过坐标数目减少使得计算效率提高，但得到动力学方程的难度增加，且需将机构变换成树状拓扑开链形式，这对于多机械臂来说操作不方便。Gibbs方程、Appell方程、Volterra方程及Boltzmann方程都需在具体应用中合理选取准坐标[53]，建模自动化程度不高，且对于多机械臂系统，难以得出解析形式的动力学方程。Kane方程使用广义速率替代广义坐标，然而广义速率的选取比较依赖人的经验，缺乏一般性，且不能给出解析形式的动力学方程，另外其偏速度的物理意义较为含糊，难以直观理解[54]。

对于复杂的多臂协作机器人系统，随着自由度的增加、约束结构的形成，冗余方程数目会急剧增加，计算量急剧增大。UDWADIA等[55-57]陆续在处理非理想约束、奇异质量矩阵以及复杂机械系统的动力学建模等重要问题上取得进展，形成较为成熟的U-K建模法，该方法可以相对简单地建立完整约束和非完整约束下系统的运动方程，并利用该方程，可以在不出现拉格朗日乘子的条件下，得出约束力的解析求法，成为分析动力学领域的一个重要突破。

3.2 动力学控制

目前机器人控制大都采取 PID 控制。对于轨迹精度要求一般、负载小、速度不高的应用场合，PID 控制可能满足要求，但对于需协同搬运、协同焊接、协同激光切割等轨迹复杂、运动速度高、精度要求高的场合，传统PID控制难以满足要求。若要提高多臂协作机器人的整体性能，必须构建更加高级的，基于动力学模型的控制方法，如力矩控制、动力学前馈控制等，这些控制方法都是在完整的动力学模型上建立的。由于机器人的动力学模型体现了机器人内在的力与运动的关系，因而基于模型的控制器可以实时、准确地给出机器人进行目标轨迹运动所需要的力矩值，这一力矩恰好对应着机器人的理想转角、角速度及角加速度，因而可以实现对轨迹的精确跟踪。针对机器人系统的基于动力学模型的控制方法包括：计算力矩控制、最优控制、鲁棒控制、柔顺控制、自适应控制、滑模变结构控制、自适应鲁棒控制[58]等。计算力矩控制和最优控制不能很好地处理参数、外部干扰、变负载等不确定性[59]。鲁棒控制基于系统不确定性与扰动的最差情况进行控制器设计，因而难以达到较好控制性能，稳态跟踪精度不佳[60]。自适应控制是通过参数的在线辨识实现控制器参数的自适应更新，但控制性能依赖于参数辨识精度，且瞬态响应性能不佳。滑模变结构控制在系统达到滑模面后具有较好的抗干扰性能，但有着抖振的不足。普渡大学姚斌教授团队所提出的自适应鲁棒控制能很好地处理不确定性，并能得到较好的瞬态与稳态性能[61]。

上述各种方法可以不同程度上解决系统时变、强耦合、不确定性等问题，因而逐渐有人将算法引入机器人控制中，并取得了系列的成果。2002年，UDWADIA 等提出基于U-K方程的逆动力学控制方法[62]，基于解析形式的动力学方程，将控制性能要求视为主动伺服约束，并写成二阶形式，可计算得到应该输入的力或力矩，之后该方法不断得到完善[63-64]，UDWADIA 逆动力学控制方法逐步成熟。2009 年，CHEN在 UDWADIA 逆动力学控制基础上提出伺服约束跟踪控制的概念，将控制性能要求视为主动伺服约束，并写成二阶形式，再由 U-K 逆动力学得到所需输入力矩进而进行控制器设计[65]。2019年，孙浩等又基于UDWADIA逆动力学控制和伺服约束跟踪提出机械系统的自适应鲁棒近似约束跟踪控制[66]，伺服约束性能要求可基于设计的自适应鲁棒控制近似得到，并将其运用于双臂协作机器人中。

3.3 多臂协作机器人协同

在实际应用中，多机器人协同技术的选择和应用需要考虑任务的特点、机器人的性能和能力、通信和协议的支持等多个因素，以实现最佳的效果。多臂协作机器人与其他多智能体相比，因应用场景不同，故实现协同的方法有所不同。多智能体协同技术通常应用于分布式环境中，例如多个无人机在空中进行任务协作，或者多个智能体在网络中进行协作。这些智能体可以通过传感器和通信系统相互交流信息，协同完成任务。在多智能体协同中，每个智能体通常具有自己的目标、规则和行动策略，通过协调合作完成任务。

而多臂协作机器人通常应用于工业制造、物流、医疗等场景中，多个机械臂需要协同完成生产或流程。在这种情况下，多个机械臂通常由一个中央控制系统控制，实现统一调度和协作[67]。多机械臂协同技术通常需要考虑机械臂的动力学模型、运动学模型、碰撞检测等问题，以保证机械臂之间不会发生碰撞或冲突。以下是一些常见的多机械臂协同技术。

(1) 基于力的协同控制技术：使用力/力矩传感器来测量每个机械臂的实时力信息，将这些信息通过网络传输，使得每个机械臂都能感知到其他机械臂的力信息，并且根据这些信息协同完成任务[68]。

(2) 基于视觉的协同控制技术：用多个相机来实时获取多个机械臂的状态信息，通过将视觉信息与动力学模型相结合，视觉对建模和任务规划进行辅助，实现多个机械臂的协同控制[69]。

(3) 分布式控制技术：将任务分解为多个子任务，每个机械臂负责完成其中的一个子任务，通过分布式控制，使得每个机械臂都能够在不干扰其他机械臂的情况下完成自己的任务[70]。

(4) 级联控制技术：这种技术使用了级联控制器，将任务分解为多个层次，每个机械臂负责完成其中的一个层次，通过级联控制器的协同控制，使得多个机械臂能够协同完成任务[71]。

(5) 协同规划技术：将任务规划分解为多个子任务，通过优化算法，将多个机械臂的任务规划进行协同，使得每个机械臂都能够按照自己的规划完成任务，同时不干扰其他机械臂的任务[72]。

4 人工智能在协作机器人上的应用

人工智能、类脑科学、机器视觉、柔性技术等前沿技术正加快布局，与协作机器人技术的融合也在不断加速。人工智能技术的融入使得协作机器人拥有更强大的感知能力、学习能力和交互执行力，可以提高机器人的智能化水平和自适应性，进一步提升其协作能力和工作效率。相比于一般机器人，智能化的协作机器人可以实现更大范围，更广领域的全场景应用。一些常见的人工智能在协作机器人上的应用如下。

4.1 智能感知

智能感知可以让机器人感知和理解环境中的物体和场景，并做出相应的决策。现实中可以通过计算机视觉技术用于识别和跟踪物体、规划机器人的运动轨迹，从而提高机器人的协作能力和工作效率。协作机器人的智能感知需要各种传感器协同作用，其中包括视觉、听觉和触觉传感器。视觉传感器可以实现视觉反馈、视觉导航和视觉检验等功能，从而控制机器人的动作和移动，同时进行质量控制和安全检测。触觉传感器则可以帮助机器人理解现实世界中物体的信息，包括重量、刚度和变形等，从而实现精准的定位和执行抓握等操作任务，同时能够感知周围环境的压力和振动等信息，以规避潜在的危险。DING等[73]就以综述的形式介绍了协作机器人最先进的感知产品应用、Kinect传感器与协作机器人的交互以及多传感信息融合的协作机器人在医疗领域的重要应用。相关信息的深入分析，对机器人智能感知的应用具有一定的指导意义。在多臂协作的智能感知方面，WENG等[74]介绍了一种用于人机交互的双臂移动机器人视觉感知系统的开发。该视觉系统集成了三个子系统。手势识别用于触发人机交互；认知系统负责检测和量化参与者的参与度和意图；视觉伺服使用 YOLO 来识别要跟踪的对象，并使用基于模型的混合跟踪算法来跟踪对象的几何形状，最终实验也验证了所提出的方法对人机交互应用的影响。

4.2 机器学习

机器学习可以通过对数据和经验的学习，提高机器人的决策和控制能力。例如，可以通过机器学习来优化多臂机器人的协作策略，使得每个机器人都可以根据环境和任务的变化，自主地选择最佳的动作策略，提高整个系统的效率和稳定性。现有的机器学习主要可以分为深度学习和强化学习。深度学习可以通过模拟人脑神经网络的方式，让机器人从数据中提取特征和模式，并进行分类和决策。例如，RODRIGUES等[75]通过深度学习来训练机器人识别物体的形状、大小、颜色等特征，提高机器人的抓取和搬运能力。强化学习则可以通过奖励和惩罚的机制，让机器人自主地学习和优化其决策和行动。目前，该方法在自由浮动空间机器人的运动规划中使用较为广泛。GHADIRZADEH等[76]就使用强化学习来优化机器人的路径规划和动作控制，以提高其协作能力和工作效率。为了防止多条机械臂的碰撞，LIU等[77]还提出了双臂深度确定性策略梯度算法(DADDPG)，利用多主体合作的深度强化学习来避免机械臂之间的碰撞。该算法基于多智能体深度确定性策略梯度算法进行建模和训练。然后，控制策略被分配给每个机械臂，这些臂之间分享它们的轨迹和动作，以防止多臂机器人之间发生碰撞。最后，基于“奖励合作，惩罚竞争”的机制，进行“到达、推入和抓取”等协调任务。实验验证表明，该算法可以使多臂机器人在自主探索动作空间的同时降低彼此之间的竞争水平，从而更好地适应协调任务。

4.3 人机交互

关于人机交互的研究有很多，如基于手势、面部表情、视觉、语言等交互方式的研究。国内外众多研究学者分别从传感器、控制器等硬件层面以及AI软件层面展开研究，模仿多种交互方式，提高机器人人机交互的能力。张小栋等[78]提出了一种隐式交互方式，利用前臂表面机电信号(sEMG)和惯性信息的融合，实现了机器人演示编程。sEMG的优点在于能够预测运动意图，使得交互方式更加自然。另外，赵海文等[79]提出了一种人机协作方法，使机器人能够在线适应人的运动疲劳。此外，MAEDA等[80]还提出了一种基于运动基元的交互学习方法，该方法通过仿真学习来构建人机交互基元的混合模型，并且可以推测出协作机器人的辅助轨迹，从而实现更加高效的协作。

这就意味需将更多更新的智能技术融合在协作机器人产品领域中，使其尽可能全面地接收信息、理解信息、回应信息。除了配置常规的力矩传感器、激光传感器等产品技术外，赋予协作机器人产品视觉学习、自然语言识别等功能可实现多模态信息融合输入，也将极大的加强其交互能力。同时 5G＋通信、大数据、工业互联网等诸多新兴技术的应用普及也强化了协作机器人产品与其他设备间信息融合的能力，很大程度上拓宽了协作机器人的智能化能力。如图7所示，给出了在协作机器人上常用的人工智能技术，以及它们之间的相互关系。

图7 人工智能技术在协作机器人上的应用

人工智能技术在多臂协助完成任务时扮演着关键的角色。这些技术的不断发展不仅提高了多机械臂协同工作的效率、精度和安全性，而且具备一些特殊的应用场景。在协调与路径规划方面，人工智能技术能够辅助多机械臂在复杂环境中规划最优的运动轨迹，避免碰撞和冲突，从而实现高效的协同作业。通过智能算法的运用，机械臂能够实现协同作业的平滑运动、动态调整以及对不确定性灵活应对的能力。此外，结合视觉感知、深度学习和传感器融合等技术，机械臂就如同多了双眼睛，能够准确地感知周围环境中的物体、障碍物和姿态信息。这种感知能力使得机械臂能够做出精确的决策，避免碰撞并有效地实现协同工作。

协同学习与知识共享同样也是提高多机械臂协同工作性能的重要手段。机械臂可以通过相互交流经验和数据进行协同学习，共同优化其运动策略和协作行为。通过网络连接和共享学习模型等方式，知识共享使得机械臂能够从其他机械臂的经验中受益，不断改进自身的性能。这种有计划的协作规划和任务分配能够最大限度地提高整体效率和资源利用率。

这些技术在多臂领域中具有广泛的应用，如协同装配和制造、物料搬运和仓储、建筑施工和拆解、医疗手术和康复、探索和救援等。人工智能技术的运用正在逐步提高着多机械臂协同工作的生产效率、任务执行能力和安全性。随着技术的不断创新和应用，也将进一步推动多机械臂协同工作领域的发展，为实现更复杂、高效的协同工作提供新的可能性。

5 多臂协作技术及应用的发展趋势

多臂协作机器人组织架构、技术以及智能化应用才刚刚起步，但随着应用场景不断拓宽，需求不断增加，如能洞察其发展趋势，将有利于及早地发现问题和解决问题，从而在这一领域抢占先机。根据以上综述内容和作者的认识，本文认为多臂协作机器人在技术和应用上的发展趋势有如下几方面。

5.1 应用场景向深度人机协同方向发展

多臂协作机器人虽然现在在各种生产、制造、医疗等行业得到了广泛的应用，但还局限在完成较为单一的任务。在机器人还不能完全替代人，特别是人的思维的情况下，人机协同必然是最佳方式，这将要求协作机器人向深度的人机协同方向发展，既能在多种情况下理解人的指令要求，并能独立或与人一同完成任务。这样，多臂协作机器人必然能延伸到更广阔的应用领域，为人类带来更高效更便捷的服务，从而带来巨大的生产力。可以预见，在一些需要人机深度协同的领域，协作机器人会很快迎来发展的春天。如在危险、恶劣环境作业的领域，反恐防暴机器人、救援机器人、农业作业机器人等将会快速发展。再如在家庭、医疗服务、养老等领域，可以进行重复劳动的服务机器人也将逐步走向生活，且搭载了灵巧手的家庭服务和医护养老机器人等也会更普及，人类的生活质量将进一步提高。

5.2 结构及零部件更注重高速、高精度和高功重比

协作机器人一般需要具备工作覆盖空间大、重量较轻、响应速度快、执行精度高等性能。因此，协作机器人的机械结构及其零部件设计要更加注重高速、高精度和高功重比。为此可从以下三个方面入手：首先要进行考虑材料和结构的轻量化设计，如选用铝合金、复合材料等轻质材料，进行基于拓扑优化-形状优化-尺寸优化的协作机器人整机结构研究，以实现机器人在极限受载工况下的整机结构拓扑优化设计。其次是进行一体化关节设计，以提高关节的精度和负载能力，简化结构，减轻重量和体积，降低多臂间的耦合效应，从而保证机械臂末端的精度。设计的机器人关节模块将具有高功重比和高输出精度的特点。第三，开发重量轻、精度高和高功重比的新型电机和减速器也是研究的重点。在电机方面，可以探索新型无刷直流永磁力矩伺服电机、球形电机等，以提高关节的精度和自由度等性能。在减速器方面，也可研究与RV和谐波减速器不同的新型减速器构型，厘清新型减速器误差传递规律和宏微观参数对动态传动性能影响规律，以及相应的设计方法，研制大减速比、高精度及高功重比减速器。如赵韩、黄康等人提出了有较大突破的新型齿轮齿形及其理论[81-84] ，从减速器构型出发，提出一种3K型行星结构，具有大减速比，且零部件少而结构非常紧凑，具备了实现大减速比、高精度及高功重比的条件。

5.3 在动力学方面将更加重视平顺性设计

协作机器人的平顺性是指机器人在协作操作过程中，其末端执行器的运动平滑、稳定，不会产生突变或抖动。对于协作机器人来说，平顺性不仅对机器人自身的精度和寿命有影响，而且也对协作效果和人机交互体验产生重要影响。因此，在协作机器人的设计中，平顺性的优化考虑也是未来的发展趋势，提高机器人的平顺性，可以进一步实现更高效、更精确、更安全的协作操作。

为了建立协作机器人的平顺性设计方法，首先要建立更为精确和可操作的动力学模型，如可用Udwadia-Kalaba层级建模方法建立解其析动力学模型。其次是从运动学和动力学两个角度出发，考虑机器人关节与机械臂柔性，建立能评价和控制协同机器人运动振动状况的平顺性指标。最后是基于所提指标，对照常规设计方法，将平顺性指标带入设计过程，形成新的设计方法。

5.4 需发展分层多元协调式协作机器人系统

多臂协作机器人由于应用广泛，很多应用场景会要求使用多机器人系统。现有多机器人系统的控制结构主要有集中式、分布式和混合式三种。集中式需要一个全局机器人或全局控制器掌管系统的全部信息，整个系统是通过完成整个系统的任务分配和路径规划等工作，而其他机器人没有独立决策权，也没有选择任务和处理突发情况的能力。分布式的各个机器人可从环境和其他机器人获得信息，并根据自己的能力做出判断和执行任务。但是机器人之间缺乏全局协调，可能会出现更多的冲突且对突发情况难以有好的应对行为。混合式控制结构是上两种方式的水平交互相结合，这一结构融合了这两种方式的优点，改善了系统的灵活性和效率，但实现难度较大。

可以看出现有的三种群机器人的控制结构都可能在多臂协作机器人系统中出现，但这些控制结构还不能覆盖所有应用场景。如今后家庭养老服务可能会出现如图8 所示的系统组成结构，即分层多元协调式群机器人系统。该系统有如下功能：首先是为了方便老人，需要一个主控机器人，该机器人陪伴在附近，不仅起到陪伴老人、帮助老人学习等作用，还可以帮助老人指挥其他机器人工作，当然，这种指挥控制和主控系统相比要简单得多，如它不需要规划其他所有机器人的路径等。其他机器人则是各司其职，但也有需要配合的机器人，如端水机器人和倒水机器人就需要很好地配合。因此，机器人之间就存在两种协调关系，一种是硬协调关系，即二者有直接指挥和被指挥关系或有直接协作关系，图中用实线连接来表示这种关系。另一种是软协调关系，即在某种场合下，机器人发现另外的机器人之间需要协调，如在运动中发现要碰撞到对方需要相互避让等，图中用虚线连接来表示这种关系。由此可见，这一系统是分层和多元的。分层是指系统有主从关系，人可以作为一个层次，主控机器人是一个层次，其他机器人是一个层次。多元是指既有主控机器人这样一机多能的单元，也有端茶倒水这种两机协同的单元，还有独立完成单一任务的单元。

图8 养老服务群机器人组织结构

5.5 控制将更加趋于自适应柔顺控制和自主决策

多臂协作机器人系统的控制目前还是以刚性为主，即按照事先设定的策略和参数运行。随着越来越多地与人一起协同工作以及人工智能技术的发展，越来越需要系统有很好的柔性，也就是需要控制系统具有越来越强的自适应柔性控制和自主决策功能。在自适应控制方面，为了适应不同环境和任务下的人机协作，可建立协作机器人末端执行器位置的视觉测量系统、引入迭代学习算法设计自适应阻抗控制律，研究能够同时满足末端执行器轨迹跟踪和接触力需求的自适应鲁棒阻抗控制策略，从而实现协作机器人高性能的柔顺控制。在自主决策方面，协作机器人越发呈现出与脑神经科学、生物技术、人工智能、认知科学、网络大数据技术等深度交叉融合的态势。

5.6 交互趋于多信息融合的自然交互与多维安保

协作机器人本应具有很好的人机协同工作能力和安全性，但目前协作机器人的人机交互性能相对于工业机器人提升并不大，协同能力和自主性差，安全保护只是单一维度而难以满足要求。为提高协作机器人人机自然交互能力和安全性，同时提高人机协作完成任务的效率，还需进行基于多信息融合的人机自然交互与安全防护策略研究。

在人机自然交互方面，要加入更多的传感器并研究多模态信息融合方法。针对不同传感器所获得的多源异构信息展开研究，并设计深度学习网络完成多种信息的融合表征，以确定对应且有效的协作机器人指令和操作，保证人机自然交互系统的建立，使协作机器人能够通过声音、手势、图形理解人类指令，实现协作机器人与人之间相互的意图理解、信息交流，以及自然和谐的情感交互。

在人机多维安全保护方面，要研究基于多信息融合的人机自然交互与安全防护策略。即如何利用不同感知模块所获得的多源信息来让协同机器人高质量地完成任务，同时全方位的保护人机的安全。

6 结论

随着社会和科技的进步，对生产和生活的要求越来越高。生产中小批量、多品种、个性化要求增多，需要大幅提高生产设备的柔性化和智能化。另一方面，由于人力资源的短缺越来越严重，迫切需要用机器替代人或与人协同工作。发展协作机器人是解决这一问题的很好途径，已发展的单臂协作机器人已在制造业等领域取得了很大的成功，但更广阔的领域则需要多臂协作机器人。多机械臂协作既是智慧工业的关键支撑装备，也是改善人类生活方式的重要切入点，且拟人的多臂协作机器人也将逐步走向人类的生活。目前来看，除了学术研究以外，在一些具体应用上，由多臂协作机器人完成的任务效率确实有所提高，但其理论和应用研究还处于发展阶段，有待进一步完善，这也是全球机器人企业和研究者全新的机遇。

本文从多臂协作机器人类型及应用现状、结构与轻量化研究、动力学与控制、人工智能技术应用和未来发展趋势五个方面对多臂机器人进行了研究和探讨。在应用方面，多臂机器人已被广泛应用于制造、物流、医疗等领域，并逐步向农业、救援和生活服务领域扩展，不仅能够提高生产效率，还可以减少工人的劳动强度和降低操作风险。在结构与轻量化研究方面，优化的构型与设计方法降低了多臂机器人的自重，提高了机器人的灵活性和工作效率，当然，未来也需要在机器人的可靠性、稳定性和安全性等方面多做考虑。在动力学与控制方面，多臂机器人需要具备较高的动力学性能和较好的控制策略，才能完成各种复杂的任务，因此优化多臂间的控制策略和运动规划仍是学术界乃至生产领域的重要课题。人工智能技术的融入，使得多臂机器人的智能水平和任务适应性已经大大提升，机器人也能够较好地适应复杂和多变的环境。相信不久，随着新技术的发展，可以看到多臂协作机器人更加高效、智能、安全和灵活。

综上所述，多臂机器人在未来的应用和发展中具有广阔的前景和潜力。今后如能加强研究和发展以下六个方向，即应用场景向深度人机协同方向发展；更注重结构及零部件的高速、高精度和高功重比；在动力学方面将更加重视平顺性设计；协调式协作机器人系统需朝着分层多元化发展；控制将更加趋于自适应柔顺控制和自主决策；交互趋于多信息融合的多维安全保护与自然交互，则多臂协作机器人将能够在各种复杂任务中发挥更大的作用，为人类带来更多便利和效益。

作者：吴其林

责任编辑：赵子祎

责任校对：恽海艳

审核：张强

JME学院简介

JME学院是由《机械工程学报》编辑部2018年创建，以关注、陪伴青年学者成长为宗旨，努力探索学术传播服务新模式。

欢迎各位老师扫码添加小助理-暖暖为好友，由小助理拉入JME学院官方群！

欢迎关注JME学院视频号~

寻觅合作伙伴

有一种合作叫做真诚，有一种发展可以无限，有一种伙伴可以互利共赢，愿我们合作起来流连忘返，发展起来前景可观。关于论文推荐、团队介绍、图书出版、学术直播、招聘信息、会议推广等，请与我们联系。

感谢关注我们！《机械工程学报》编辑部将努力为您打造一个有态度、有深度、有温度的学术媒体！