云南工商學(xué)院智能科學(xué)與工程學(xué)院蘇為斌

1　引言

工業(yè)六軸機械臂在生產(chǎn)環(huán)境中偶發(fā)碰撞事故，可能對機器人本體、周邊設備和人員造成損害。隨著(zhù)智能制造產(chǎn)業(yè)的快速發(fā)展，國內外有關(guān)機器人誤傷人類(lèi)的報道屢見(jiàn)不鮮。為減少這類(lèi)事故，通常采用柵欄將人員分隔開(kāi)來(lái)。然而傳統的安全措施不足以應對所有場(chǎng)景，尤其是在人機協(xié)作環(huán)境中，人類(lèi)需要在沒(méi)有完全隔離的情況下與機器人共同工作，故需要采取更加先進(jìn)的技術(shù)來(lái)確保安全性。

智能技術(shù)的引入是一種有效的方法。該方法通過(guò)提高機器人空間運動(dòng)的智能化水平，識別和繞開(kāi)障礙物，有效提高了安全性。然而，長(cháng)期以來(lái)學(xué)術(shù)界在研究人工智能（artificial Intelligence，AI）時(shí)，通常將智能與大腦的思考能力緊密聯(lián)系在一起，過(guò)多強調算法和算力，常常忽視了具身場(chǎng)景對智能的影響。在實(shí)際的生產(chǎn)環(huán)境中，智能不僅僅是邏輯推理、數據處理和算法計算的結果，它還涉及到機器人本體在環(huán)境中的互動(dòng)以及由此產(chǎn)生的感知和行為?！熬呱碇悄堋保╡mbodied Intelligence，EI）要求機器人本體對外界的感知更加類(lèi)似于人類(lèi)，而非毫無(wú)知覺(jué)的鋼鐵。事實(shí)上，人類(lèi)的思維過(guò)程和認知功能是根植于身體結構及其與外界交互的動(dòng)態(tài)調整方式之中的。人類(lèi)的身體，包括感官、運動(dòng)系統、神經(jīng)系統等，在促進(jìn)人類(lèi)理解世界、展現人類(lèi)技能以及解決問(wèn)題方面起著(zhù)至關(guān)重要的作用。若把這種先進(jìn)的技術(shù)應用到工業(yè)機器人中，將極大地提高其智能化和安全化水平。

本文基于邊緣計算，以工業(yè)六軸機械臂為對象，擬在肘、腕、軸等位置安裝多個(gè)先進(jìn)傳感器，融合多傳感信息，動(dòng)態(tài)捕捉機械臂及末端執行器的三維可達空間（reachable space）、靈巧工作空間（dexterouswork space）和奇異位形（singular configurations）等位置信息，構建齊次空間變換坐標矩陣，動(dòng)態(tài)感知障礙物和人所處的空間位置信息，并基于這些信息，以邊緣計算為基礎平臺，研究和開(kāi)發(fā)能夠靈活避障的具身智算工具，以期促進(jìn)機械臂智能化和安全化水平的提升。

2　相關(guān)研究

EI的概念最早可追溯到1950年，艾倫·圖靈^[1]探討了AI發(fā)展的兩條路徑：一條是聚焦于抽象計算所需的智能，另一條則是為機器配備傳感器和執行器，使其能夠與環(huán)境互動(dòng)并進(jìn)行學(xué)習。1986年，布魯克斯^[2]提出了行為式機器人概念，強調智能是具身化和情境化的體現。2000年左右，羅爾夫·普費弗和克里斯蒂安·謝爾^[3]提出智能是行為主體基于整個(gè)身體結構和功能的綜合體現。近年來(lái)，隨著(zhù)強化學(xué)習技術(shù)的快速發(fā)展，EI在機器人控制領(lǐng)域得到了廣泛的應用。申鎧瑤、聶一鳴等^[4]對比了傳統比例積分微分、滑動(dòng)模態(tài)控制等方法，綜述了基于圖神經(jīng)網(wǎng)絡(luò )和Transformer的EI形態(tài)控制方法。陳鉑壘、鐘萍等^[5]從計算機視覺(jué)識別出發(fā)綜述了以物體目標導航為導向的EI架構。北航任磊團隊^[6]則把EI提升到了推動(dòng)智能制造產(chǎn)業(yè)發(fā)展，并把EI認為是AI的終極表現形式。

可見(jiàn)，EI已再度成為當前AI領(lǐng)域的研究熱點(diǎn)。由于EI強調智能體通過(guò)身體與環(huán)境的互動(dòng)產(chǎn)生智能行為，因此需要強大的計算資源來(lái)實(shí)時(shí)處理感知數據、生成交互指令以及執行復雜任務(wù)，邊緣計算顯然是EI的最佳支持平臺。然而當筆者以“邊緣計算、具身智能”作為關(guān)鍵詞檢索國內外研究文獻時(shí)，發(fā)現現關(guān)研究太少，且這些僅有的文獻大多集中發(fā)表于2024年。比如基于云計算與霧計算相互融合的EI框架^[7]，以及基于斯坦福大學(xué)開(kāi)源機器人ROS框架融合YoloV5的EI控制方法^[8]。在國內，鄧三鵬等^[9]提出了EI機器人研究存在的問(wèn)題，并給出了相關(guān)建議，然而其文章更加傾向于應用AI大模型及深度學(xué)習加強EI研究，對于計算平臺則沒(méi)有更多闡述。

盡管EI與邊緣計算結合具有重要的實(shí)踐意義，但目前相關(guān)研究和應用相對較少，且尚處于起步階段，缺乏系統深入的開(kāi)發(fā)。因此本文以六軸機械臂為實(shí)踐對象，以邊緣計算為平臺，提出了一種新型的具身智算平臺。

3　理論分析

六軸機械臂的各個(gè)關(guān)節旋轉決定了末端執行器在三維空間中的位置和姿態(tài)變化。為了將這些關(guān)節的旋轉運動(dòng)轉換為笛卡爾坐標系中的位置和姿態(tài)，通常使用正向運動(dòng)學(xué)和逆向運動(dòng)學(xué)來(lái)進(jìn)行計算。

3.1　軸關(guān)節運動(dòng)關(guān)系

六軸旋轉關(guān)系如表1所示。

表1 六軸機械臂軸關(guān)節運動(dòng)方向

3.2　正向運動(dòng)學(xué)與解逆

正向運動(dòng)學(xué)是從給定的關(guān)節旋轉角度計算末端執行器在笛卡爾坐標系中的位置和姿態(tài)。其具體步驟如下：

（1）齊次變換矩陣：每個(gè)關(guān)節的旋轉可以表示為一個(gè)齊次變換矩陣，該矩陣描述了從一個(gè)坐標系到另一個(gè)坐標系的變換。假設每個(gè)關(guān)節旋轉相應角度，則每個(gè)關(guān)節的變換矩陣Ti可以簡(jiǎn)寫(xiě)表示為式（1）：

其中：

R_i是3×3旋轉矩陣，描述了坐標系之間的旋轉關(guān)系。

p_i是1×3平移位置矩陣，描述了坐標系之間的位移關(guān)系。

0是1×3全零矩陣，1是比例變換標量，兩者用于保持齊次坐標的形式。

圖1 機械臂的四個(gè)D-H參數

這種參數化的方法是由法國工程師雅克·丹納維特（Jacques Denavit）和理查德·哈滕貝格（Richard S.Hartenberg）于1955年提出，簡(jiǎn)稱(chēng)D-H參數^[10]。R_i旋轉矩陣和p_i位置矩陣由機械臂X軸向連桿長(cháng)度a_i、關(guān)節軸線(xiàn)扭角α_i、Z軸向偏距d_i和沿Z軸旋轉偏離X軸的連桿夾角θ_i構成，其幾何關(guān)系如圖1所示。由于六軸機械臂各連桿與軸都呈現為垂直關(guān)系，則相對坐標系與參考坐標系在遞推構造T_i時(shí)可寫(xiě)成式（2）：

若從機械臂基座開(kāi)始推導，其變換矩陣T₁是相對于J₁到J₂計算而得，X軸和Z軸平移了一個(gè)固定數量，所以a₁、d₁是一個(gè)常數，J₂關(guān)節與J₁關(guān)節扭轉了π/2，J₂旋轉產(chǎn)生在局部坐標相對于X軸的連桿夾角θ₁是一個(gè)變量，如表2所示。

接著(zhù)，從J₂到末端執行器可以依次推導出變換矩陣T₂～T₆所對應的D-H參數，需要注意的是T₆是末端執行器的連接法蘭，其每個(gè)關(guān)節定義的相對座標如圖2所示。

表2 六軸機械臂變換矩陣D-H參數

圖2 六機械臂關(guān)節坐標定義

（2）串聯(lián)變換矩陣：為了得到末端執行器相對于基座的總變換矩陣T_end，需要將所有關(guān)節的變換矩陣依次相乘，如式（3）：

最終的變換矩陣T_end包含了末端執行器在笛卡爾坐標系中的位置p_end和姿態(tài)R_end信息，可提取出歐拉角（euler angles）、四元數（quaternion）或旋轉矩陣等形式，用于描述末端執行器的姿態(tài)。其運算后的矩陣形式表示如式（4）：

（3）解逆的增強方法：逆向運動(dòng)學(xué)是從已知末端執行器在笛卡爾坐標系中的位置和姿態(tài)，計算出各個(gè)關(guān)節的角度，計算復雜，且存在多個(gè)解或無(wú)解的情況。在EI與邊緣計算賦能的架構下，可以通過(guò)傳感器感知機械臂各個(gè)關(guān)節和障礙物所處空間位置。如圖2所示，在機械臂肘部安裝3個(gè)小型固態(tài)激光雷達，通過(guò)邊緣算力解析點(diǎn)云數據便能實(shí)現。當然構建EI賦能的傳感器并不限于激光雷達，也可以使用其它觸覺(jué)、聽(tīng)覺(jué)、視覺(jué)、紅外等高級傳感器。

3.3　空間矩陣融合算法

將激光雷達（LiDAR）的空間矩陣進(jìn)行融合，可以顯著(zhù)提高環(huán)境感知的精度和可靠性，但通常需要解決以下幾個(gè)關(guān)鍵問(wèn)題：坐標系對齊、數據同步、點(diǎn)云配準和融合算法。

（1）坐標系對齊：3個(gè)激光雷達的空間位置不同，因此首先需要進(jìn)行外參標定，以確定它們之間的相對位置。由于3個(gè)雷達均安裝于機械臂肘上，具有已知幾何形狀，故可采用靜態(tài)標定板法如棋盤(pán)格或平面板^[11]，其優(yōu)點(diǎn)是結構簡(jiǎn)單，對邊緣算力的要求不高。

（2）坐標系轉換：當激光雷達的相對位姿確定后，就可以使用齊次變換矩陣將每個(gè)激光雷達的點(diǎn)云數據轉換到一個(gè)統一的坐標系中。令激光雷達B為參考坐標系，則肘部?jì)蓚鹊腁和C相對于B的變換矩陣分別為T(mén)BA和TBC，對于點(diǎn)云矩陣，應考慮A、C雷達鏡像安裝關(guān)系及與B的垂直關(guān)系。假設變換后，激光雷達A和C的點(diǎn)云數據為PA和PC，則可以通過(guò)式（5）轉換到激光雷達B的坐標系中：

經(jīng)過(guò)齊次變換后，PA(’)、PC(’)和P_B三個(gè)坐標的點(diǎn)云數據便可處于共同的三維空間。但此時(shí)三個(gè)雷達數據的視場(chǎng)角會(huì )產(chǎn)生數據重疊以及因比例和位置失調造成的偏差，可在機械臂上定義三個(gè)絕對物理參考點(diǎn)，且讓三個(gè)雷達均掃描到這些點(diǎn)。最后通過(guò)絕對角度和距離作為系數進(jìn)行配準，便可修正三個(gè)雷達的比例和位置失調。

（3）加權融合：對于三個(gè)雷達的視場(chǎng)角有重疊的情況，根據每個(gè)雷達的測量精度和置信度，對重疊區域的點(diǎn)云進(jìn)行加權平均。通常，距離越近、反射率越高、測量誤差越小的點(diǎn)權重越大。因三個(gè)雷達的累加權重未必為1，故加權平均公式為式（6）：

4　系統框架

在完成理論分析后，便可在該理論基礎上搭建系統框架。眾所周知，邊緣計算將業(yè)務(wù)下沉到靠近控制對象一側，降低了網(wǎng)絡(luò )延遲，提高了實(shí)時(shí)性，故可不用過(guò)度依賴(lài)遙遠的云計算資源，提高了系統的可靠性和穩定性。這種方式不但為EI提供了及時(shí)、高效的算力，而且還為接入各類(lèi)傳感器提供了泛在的接口。因此邊緣計算是六軸機械臂實(shí)現智能化突破的最佳平臺。本文提出的系統框架如圖3所示。

圖3 六軸機械臂具身智算平臺系統框架

該六軸機械臂的EI控制平臺采用ROS2開(kāi)源操作系統為核心，是一種構建于多臺計算機之上的元操作系統^[12]。本框架給出了六種計算機，分別是算網(wǎng)融合主機、GPU算力主機、數據可視化主機、機器人示教器編程主機、WEB服務(wù)器和高級傳感器采集計算機。其中，算網(wǎng)融合主機既是路由器，用于負責連接各臺主機、保障網(wǎng)絡(luò )安全和管理網(wǎng)絡(luò )地址，又是虛擬網(wǎng)絡(luò )VPN/SDN和時(shí)間敏感網(wǎng)絡(luò )TSN的管控中心，還是嵌入式采集器的代理容器，是上下層系統無(wú)縫連接的關(guān)鍵環(huán)節。

由ESP32或STM32開(kāi)發(fā)的嵌入式控制器，在A(yíng)rduino框架之上通過(guò)集成MicroROS，負責模擬量和開(kāi)關(guān)量的數據采集與輸出控制。IEC61499實(shí)現了嵌入式端與ROS2內核的映射，并開(kāi)發(fā)了常用工業(yè)通信協(xié)議如Modbus、Profibus和物聯(lián)網(wǎng)MQTT通信等。

ROS2把所有涉及六軸機械臂的計算單元無(wú)縫關(guān)聯(lián)到了一起，使原本分離的計算機變成了一個(gè)整體。在ROS2之上開(kāi)發(fā)的機器人節點(diǎn)分布在最合適的計算機上各司其職，針對機械臂開(kāi)發(fā)IEC61499控制器、機械臂控制器、傳感器的觀(guān)測引擎和機械臂的仿真器等。

5　總結和展望

本文針對工業(yè)六軸機械臂，分析了坐標變換和坐標融合的理論方法，給出了一種針對機械臂具身智算平臺的邊緣計算系統框架方案。未來(lái)，將通過(guò)搭建該具身智算平臺，代替六軸機械臂的傳統模式，提升人機協(xié)作水平。計劃在2026年完成平臺建設，成功開(kāi)發(fā)EI賦能的新型機械臂，顯著(zhù)提高智能化水平。

未來(lái)，延續本文思路，將實(shí)現一項應用場(chǎng)景試點(diǎn)。比如在搬運碼垛場(chǎng)景，工程師只需向機器人指定任務(wù)的源頭和搬運目標，接著(zhù)通過(guò)口頭語(yǔ)音、手勢、圖片等對工作任務(wù)進(jìn)行描述，機械臂在認清所需搬運物資的形狀、顏色、數量和大概尺寸信息后，便能自動(dòng)選用夾具、生成導航路徑和自動(dòng)完成搬運、堆垛、碼放等。此外，在機械臂的運動(dòng)軌跡上將實(shí)時(shí)生成避障策略，防止碰撞事故發(fā)生。

作者簡(jiǎn)介：

蘇為斌（1983-），男，云南通海人，副教授，博士，現任教于云南工商學(xué)院智能科學(xué)與工程學(xué)院，主要研究方向為邊緣計算、工業(yè)自動(dòng)化、人工智能等。

參考文獻：

[1] Turing A M. Computing machinery and intelligence[M]. Springer Netherlands, 2009.

[2] Brooks R. A robust layered control system for a mobile robot[J]. IEEE journal on robotics and automation, 1986, 2 (1) : 14 - 23.

[3] Pfeifer R, Scheier C. Understanding intelligence[M]. MIT press, 2001.

[4] 申鎧瑤, 聶一鳴, 商爾科, 等. 具身智能形態(tài)控制方法綜述[J]. 智能安全, 2024, 3 (1) : 74 - 84.

[5] 陳鉑壘, 康嘉緒, 鐘萍, 等. 面向具身人工智能的物體目標導航綜述[J/OL]. 軟件學(xué)報, 1-43 [2025-01-06].

[6] Ren L, Dong J, Liu S, et al. Embodied Intelligence Toward Future Smart Manufacturing in the Era of AI Foundation Model[J]. IEEE/ASME Transactions on Mechatronics, 2024.

[7] Hu D, Lan D, Liu Y, et al. Embodied AI Through Cloud-Fog Computing: A Framework for Everywhere Intelligence[C]//2024 IEEE 33rd International Symposium on Industrial Electronics (ISIE). IEEE, 2024 : 1 - 4.

[8] Gan Y, Zhang B, Shao J, et al. Embodied Intelligence: Bionic Robot Controller Integrating Environment Perception, Autonomous Planning, and Motion Control[J]. IEEE Robotics and Automation Letters, 2024.

[9] 鄧三鵬, 張香玲, 王凱, 等. 具身智能機器人關(guān)鍵技術(shù)及發(fā)展趨勢研究[J]. 裝備制造技術(shù), 2024, (6) : 2 - 10.

[10] Denavit J, Hartenberg R S. A kinematic notation for lower-pair mechanisms based on matrices[J]. Journal of Applied Mechanics, 1955, 22 (2) : 215 - 221.

[11] Zhang Z. A flexible new technique for camera calibration[J]. IEEE Transactions on pattern analysis and machine intelligence, 2000, 22 (11) : 1330 - 1334.

[12] 蘇為斌. 論邊緣計算元操作系統[J]. 自動(dòng)化博覽, 2024, 41 (2) : 59 - 63.

摘自《自動(dòng)化博覽》2025年2月刊