工業機器人的發展、關鍵技術及挑戰探析

陳堅

摘要：工業機器人是現代和未來智能制造支撐性自動化設備，決定著各國工業發展水平。工業機器人的研制水平、應用能力及規模代表著所屬國家或者地區的科技創新活力和高端制造水平。站在全球科技革新和智能制造升級的歷史節點，普及工業機器人使之更好服務于經濟和社會發展成為各國競爭角逐的重要科技領域。文章梳理了工業機器人的發展脈絡，分析了當前工業機器人的關鍵技術，提出工業機器人技術發展面臨的挑戰。

關鍵詞：工業機器人；發展脈絡；關鍵技術；挑戰

中圖分類號：TP242.2? ? ? 文獻標識碼：A

文章編號：1009-3044（2023）06-0025-03

開放科學（資源服務）標識碼（OSID）

0 引言

工業機器人是現代及未來制造業支撐性自動化設備，是機械、電子、控制、計算機、傳感器、人工智能等技術綜合應用的集大成。利用工業機器人進行焊接、噴涂、裝配、搬運等已在現代工業生產中普及[1]。國際機器人聯合會（International Federation of Robotics，IFR）和國際標準化組織（International Organization for Standardization，ISO）將機器人定義為一種半自主或全自主工作的機器，可以做對人類有益的工作，且是一個自動、位置可控、可編程的多功能機械手，它具有幾個軸，可以通過編程操作來處理各種材料、零件、工具和專用設備，執行各種任務。根據 ISO給出的定義，服務機器人則是“對人類或設備執行有用的任務，不包括工業自動化應用設備”，由該定義知，自動引導車輛（Autonomous guided vehicles，AGVs）屬于服務機器人的范疇，鑒于AGVs已是現代工業生產的重要物流工具，故也將其列入工業機器人類別。本文分別從世界和我國兩個視角概括了工業機器人發展脈絡，簡述了現階段工業機器人的關鍵技術，并提出工業機器人技術未來發展的挑戰。

1 工業機器人發展階段

1.1 世界工業機器人發展階段

世界工業機器人的發展經歷了起步、發展和智能化三個階段[2]。1958年George Devol申請了名為可編程操作設備的工業機器人專利，此后與Joseph F·Engelberger共同制造了首臺工業機器人（Robot），主要用于工業生產的鑄造、焊接等，自此標志著工業機器人發展的起步。1970年開始經過十幾年的技術進步，機器人感知增強和離線可編程化，且能較好地支持不同的作業對象，至1984工業機器人商業化運用領域已經形成全球工業機器人四大家族格局（KUKA、ABB、YAKAWA、FANUC）。從1985年至今，伴隨著傳感器門類越加豐富，精度更高，以及智能算法的加持，部分工業機器人具有自適應、自學功能。以美國、日本為代表的智能機器人研究已經出現代表性的成果。據報道，2022年3月，波士頓動力有限公司機器狗（Bigdog）被紐約消防局“招募”，用于幫助消防員執行搜救任務。2022年由該公司出品并發布的智能機器人Atlas測試情況已經展現出令人驚訝的身體協調性。

1.2 我國工業機器人發展

據IFR公布：中國的工業機器人市場在2021年實現了強勁的增長，該年創造了243300臺安裝設備的新紀錄，同比增長了44%。我國工業機器人發展歷程有別于國外起步相對晚，大致亦分為三個階段。第一階段是理論和樣機研究階段，20世紀70～80年代，我國開始著手機器人機構學等方面的研究并奠定了理論基礎。受到經濟全球化和工業機器人在工業領域的普及應用影響，全國從上至下包括政府、企業、高校以及科研機構的共同投入，完成了各類工業機器人的樣機研發。第二階段是示范應用階段，從20世紀90年代，研制出了平面關節型機器人、直角坐標機器人、弧焊機器人、點焊機器人等系列工業機器人，102種特種機器人，實施了100余項機器人應用工程。為了促進國產機器人的產業化，在90年代末建立了9個機器人產業化基地和7個科研基地[3]。第三階段是進入21世紀后的產業化階段，伴隨著國家對自主創新的政策引導，促使國內企業和科研院所進行機器人及其生產線的自主研發和生產，造就了國產工業機器人的蓬勃發展，并逐步形成產業，涌現出許多知名國產工業機器人企業，如沈陽新松機器人自動化、江蘇匯博機器人技術股份有限公司、南京埃斯頓自動化股份有限公司、安徽埃夫特智能裝備有限公司等，他們各自在工業機器人整機方面、系統集成方面、關鍵零部件方面取得出色的成績，甚至在部分人工智能應用領域趕超發達國家[4]。

2 工業機器人關鍵技術

工業機器人的關鍵技術主要體現在安全系統、協作輕量型機械臂、機器人抓取、傳感和感知算法、編程和通信接口以及AGVs等方面。

2.1 安全系統

工業機器人工作過程可能對附近的人類構成危險，其安全系統是為確保靠近機器人的人類不受傷害而進行的必要設計。傳統上，機器人生產單元周圍的圍擋可以確保無關人員無法進入該作業區域，從而提高安全性，但這也增加了占地空間。新興的安全系統，例如：光幕系統，可警示無關人員進入生產區域，取代了圍擋隔離。無論傳統還是新興安全系統，從技術實現角度可分為兩類：被動安全系統和主動安全系統。被動安全系統，不主動檢測人類的存在，可以通過傳感器在機器人與環境中的人或物體碰撞時觸發停止（例如限制機器人可施加的力）。主動安全系統主要依靠傳感器的集成，傳感器分為兩類：標準工業傳感器和機器人本身的主動傳感器，前者如：光幕警示，后者如：電容式機器人皮膚，用感官薄膜包裹機器人，識別機器人周圍小范圍（0～20cm）內的電場變化檢測人的存在[5]。

2.2 協作輕量型機械臂

協作輕量型機械臂是有效載荷有限的機械臂，具有較強的獨立性和靈活性。協作輕量型機械臂技術專注于減少有效載荷，所形成的協作機器人系統允許人類近距離安全進入機器人工作區域。這種機器人具有低成本的特點，正成為機器人市場的新生力量。協作輕量型機器人促進了機器人平民化，由于其相對安全，可以避免工程師與傳統大型工業機器人一起工作的危險性。除此之外，因其易于編程和利用集成扭矩傳感器來改進交互能力，協作輕量型機械臂協作性能和柔性化更優。

2.3 機器人抓取

機器人抓取涉及生產過程中對工件的物理操作和抓取。可調節、便于更換的夾具可用來提高機器人的靈活性和健壯性，還可采用深度學習作為提高工業環境中機器人抓握能力的手段[6]。對特定行業中相對較輕的有效載荷場合，可以利用低成本的增材制造3D打印技術，快速和廉價地定制零件和工具，從而有效降低零件和工具的生產成本。

2.4 傳感和感知算法

傳感通常指硬件傳感器，而感知則指從這些硬件傳感器中提取可用信息的算法，即感知算法。傳感器由來已久，現有市場上的傳感器成千上萬，是工業機器人系統的關鍵感知器件；深度學習為代表的感知算法已經能夠使機器人自主控制并獨立運行，但對于高速工業機器人而言，所能夠提供的魯棒性和姿態識別方面還不夠理想。傳感和智能感知技術的進步也推動了智能制造能力的提升，例如：即時定位與地圖構建（Simultaneous Localization and Mapping，SLAM）技術。感知算法的改進有助于通過條件監測、關鍵性能變量和特征識別來實現工作對象的預測性維護。

2.5 編程和通信接口

工業機器人編程和通信接口包括控制機器人并使它們能夠執行各種任務的高級編程接口，以及允許機器人通信并與其他硬件和軟件集成的底層通信接口。目前機器人的硬件基本行業通用，界面則是不同工業機器人的主要區別，也是機器人各大公司持續關注的焦點。作為新興技術代表的協作機器人，可以使用圖形語言，而不是Java或C++等語言進行編程，在特定環境的編程上具有簡單、更易上手的優勢。通信接口，包括機器人編程語言和用于將機器人與其他硬件和軟件集成的通信協議。當前使用的機器人編程語言種類多達20種，每個機器人都有自己的編程語言和通信協議，其中大部分是專有的，并不通用。機器人操作系統（Robot Operating System，ROS）作為學術研究領域的通用編程框架，相信未來也將延伸為工業領域的標準編程框架。

2.6 AGVs

AGVs通常有輪子和傳感器，可以讓它們在工廠車間里導航，是工業機器人技術相關的一個重點領域。目前，工廠中的AGVs主要用于勞動密集型領域，如物流或在工廠車間的車間之間移動、運送物品或者材料。有賴于SLAM技術的逐步成熟，新的傳感器和感知算法使得當前的AGVs技術比10年前強大許多。就目前的發展態勢，AGVs技術的推進將大概率由現代物流車間和汽車行業驅動，因為這兩大行業的技術發展對這類系統有著強烈的渴求和期待。

3 工業機器人技術面臨的挑戰

隨著工業機器人發展，其技術將面臨集成化、標準制定、柔性化、人才儲備以及技術瓶頸等方面的挑戰。

3.1 集成化

工業機器人集成到生產線的成本較機器人自身成本要高得多，前者往往是后者的4～5倍，工業機器人制造商要投入額外的精力和成本進行現有生產線的調整和維護。針對生產線的局部改動和工作組件的損壞維修都必須結合現有機器人集成的系統進行，因此系統的柔性化設計和可延展性格外重要。工業機器人面臨集成方面的挑戰，即需要工業機器人制造商和系統集成商共同維護、升級機器人工業生產線。

3.2 標準制定

關于硬件、軟件、通信和安全等許多類型的標準仍在開發制定中，一定程度上限制了工業機器人新技術的推廣應用。缺乏標準增加了集成時間和成本，并降低了用于制造多種類型產品或用于新裝配線的機器人系統的可重用性。例如：由于現有機器人的價格相對便宜，所以很多工業機器人制造商會直接舍棄它們，而不是在一條生產線完成后重復使用它們。最終發展出的工業機器人行業通用標準將有效提高靈活性和系統模塊化，反過來又可以促進工業機器人技術的加速進步。這些標準的挑戰主要包括：安全標準、基礎設施標準、通信協議標準、接口和機器人編程語言標準、硬件標準以及機器人規格和技術規范標準等。

3.3 柔性化

由于工業機器人在不同生產場景數量的需求差異以及重新投入新任務上的困難，迫使未來的工業機器人技術應具有柔性化，以適應并動態解決各種生產實際問題。這些柔性化具體包括：提高機器人技術在高混合、低產量生產中的適用性，更快集成和縮短重新集成的時間，可重構的工作生產線，允許同一條生產線生產多個產品，以實現機器人系統復用性等，中小企業在這部分的技術革新中起到重要的推手作用。在自動化生產過程中，增加柔性化的關鍵因素主要包括：易用性、易編程性、直觀的界面、系統模塊化和仿真等。

3.4 人才儲備

創新和創造是科技的推動力，工業機器人新興技術的產生離不開大量的專業技術人才，創造力是專業人才和工人們的專屬，因為機器人是無法提供創造技能的，因此技術的革新和普及需要技術技能人才的儲備。新技術的引入和普及就要求在制造業內部開展如何更好地使用新技術的教育和培訓。例如：隨著輕型機器人產品越來越多走向普通大眾，那么就要相應地開展關于輕型機器人的銷售人員和客戶對產品使用的培訓。

3.5 技術瓶頸

（1）視覺、傳感和感知

機器視覺技術已初步在各個領域中得到應用，包括提高產品檢測速度，降低產品質量檢測成本，確保協作機器人系統的安全性，以及實現通用零件選擇等。然而，視覺技術達到如人眼般的智能程度仍然是亟待解決的一個瓶頸問題。在使用視覺技術之前，主要采用觸覺感知來解決問題，因為基于視覺的解決方案，圍繞數據檢測的魯棒性仍然存在許多挑戰，例如在對生產線上的部件進行微小的改動，或者工廠內部的照明發生微弱的變化，常常導致視覺系統無法正常辨識或者系統崩潰。此外，采用深度學習的視覺應用，相機系統的神經網絡目前需要大量的訓練數據，由于無法提供工業環境所需的可靠性和魯棒性，基于深度學習的解決方案仍然是不通用的。

（2）機器人抓握

機器人抓握仍然是實現機器人解決方案的另一個技術瓶頸。目前，機器人的抓握能力與人類相比還差距甚遠，因此物理抓握物件仍然是一個巨大的挑戰。大多數機器人操縱器仍然不靈活，機器人的抓握能力仍然遠遠趕不上人類的抓握能力。目前的機器人抓手很難操縱靈活、可變形的物體，這就限制了機器人抓手在制造中的大量應用，因此工業自動化生產中需要更靈活和智能的抓握技術。

（3）新技術的魯棒性和可靠性

將新技術引入生產線時，需要廣泛的魯棒性和可靠性。制造過程中的異常或變化可能代表一個障礙，例如：照明變化會影響感知算法，而零件方向或尺寸的異常會限制夾緊能力；兩者都可能使生產線停滯。制造過程中任何形式的停機時間都將造成損失，這時引入人工智能（Architecture Intelligence，AI）算法是值得考慮的一條解決方案，雖然AI本身具有智能、精準等可取之處，但其魯棒性和可靠性有待進一步探索和驗證。

4 總結和展望

通過梳理工業機器人的發展脈絡和我國工業機器人發展和現狀，有助于看清工業機器人現狀和未來發展方向。正值全球各國競相開展新一輪科技革命和產業變革，以德國工業4.0、美國先進制造業國家戰略計劃、中國制造2025、日本機器人新戰略等為代表的各國戰略計劃相繼出臺，工業機器人技術將與人工智能、大數據、物聯網、云計算等形成跨學科融合，不斷沉淀現有的關鍵技術使之趨于成熟，進而突破未來的技術挑戰。作為未來智能制造核心，工業機器人正朝著重載荷或輕量化兩極、高精度、高速度、智能化、數字化等方向發展，為完成人類賦予的各項工作任務，機器人之間、機器人與人之間的協作也將更加開放，安全和協作問題也將成為未來研究熱點。

參考文獻：

[1] Li Z B，Li S，Luo X.An overview of calibration technology of industrial robots[J].IEEE/CAA Journal of Automatica Sinica，2020，8（1）：23-36.

[2] 陶永，王田苗，劉輝，等.智能機器人研究現狀及發展趨勢的思考與建議[J].高技術通訊，2019，29（2）：149-163.

[3] 孟明輝，周傳德，陳禮彬，等.工業機器人的研發及應用綜述[J].上海交通大學學報，2016，50（S1）：98-101.

[4] 韓峰濤.工業機器人技術研究與發展綜述[J].機器人技術與應用，2021（5）：23-26.

[5] Sanneman L，Fourie C，Shah J A.The state of industrial robotics：emerging technologies，challenges，and key research directions[J].Foundations and Trends in Robotics，2021，8（3）：225-306.

[6] Zhang H，Peeters J，Demeester E，et al.Deep learning reactive robotic grasping with a versatile vacuum gripper[J].IEEE Transactions on Robotics，2022，PP（99）：1-16.

【通聯編輯：李雅琪】