双臂协作机器人杭州亮相：解析衣物折叠场景中的运动控制与AI融合实践

2026年3月26日 互联网

一、柔性物体操作的技术挑战与行业现状

在工业自动化领域，刚性物体的抓取与装配已形成成熟解决方案，但柔性物体（如衣物、线缆）的操作仍面临三大技术瓶颈：

  1. 形变不可预测性：布料在抓取过程中会产生褶皱、扭转等复杂形变，传统基于固定几何模型的轨迹规划算法失效
  2. 多模态感知需求：需同时融合视觉定位、力觉反馈、触觉感知等多维度信息，对传感器融合算法提出高要求
  3. 动态决策能力：操作过程中需实时调整抓取策略，例如当检测到布料打结时需切换解结动作

当前行业解决方案主要分为两类：一是采用专用夹具限制布料形变，但缺乏通用性；二是通过深度强化学习训练端到端模型，但需要海量标注数据且训练周期长。某研发团队提出的双臂协作方案，通过解耦感知与决策模块，在保持系统灵活性的同时降低了训练复杂度。

二、双臂协作系统架构设计

1. 硬件层：轻量化机械臂与传感器配置

系统采用双6自由度协作机械臂，单臂负载能力3kg，重复定位精度±0.1mm。末端执行器集成三大传感器：

  • 力/力矩传感器：量程±20N，分辨率0.01N，用于检测布料拉伸力
  • 触觉阵列传感器：16×16压阻式单元，采样频率1kHz，识别抓取接触状态
  • RGB-D相机：120fps帧率，0.5ms延迟，提供实时深度信息

2. 软件层：分层控制架构

  1. graph TD
  2.     A[任务规划层] --> B[运动控制层]
  3.     B --> C[执行驱动层]
  4.     A --> D[感知融合层]
  5.     D --> B
  • 任务规划层：将折叠任务分解为”抓取-平铺-对齐-折叠”子任务，每个子任务配置对应的状态机
  • 感知融合层：采用卡尔曼滤波融合视觉定位数据与力觉反馈，输出布料当前位姿估计
  • 运动控制层：基于DMP（动态运动基元）生成平滑轨迹，通过阻抗控制实现柔顺操作

三、核心算法实现解析

1. 基于深度学习的布料关键点检测

采用HRNet-W48骨干网络，在COCO+自定义布料数据集上训练，实现以下功能：

  • 识别衣领、袖口、下摆等12个关键点
  • 输出布料掩膜与姿态估计
  • 推理速度15ms/帧（NVIDIA Jetson AGX Xavier）

关键代码片段：

  1. class ClothKeypointDetector:
  2.     def __init__(self, model_path):
  3.         self.model = torch.load(model_path)
  4.         self.transform = T.Compose([
  5.             T.Resize((512,512)),
  6.             T.ToTensor(),
  7.             T.Normalize(mean=[0.485,0.456,0.406], std=[0.229,0.224,0.225])
  8.         ])
  10.     def detect(self, image):
  11.         input_tensor = self.transform(image).unsqueeze(0)
  12.         with torch.no_grad():
  13.             output = self.model(input_tensor)
  14.         keypoints = post_process(output)  # 自定义后处理函数
  15.         return keypoints

2. 双臂协同轨迹规划

采用基于采样优化的RRT*算法，在C-space中搜索无碰撞路径，关键改进点：

  • 引入布料形变约束：在路径代价函数中增加形变惩罚项
  • 动态时间规整（DTW）：同步两臂运动时序，避免动作冲突
  • 实时重规划：当检测到操作偏差>5mm时触发局部重规划

3. 力反馈柔顺控制

通过阻抗控制实现力/位置混合控制，核心参数配置：
| 参数 | 抓取阶段 | 平铺阶段 | 折叠阶段 |
|——————-|—————|—————|—————|
| 目标刚度 | 800N/m | 300N/m | 500N/m |
| 目标阻尼 | 20Ns/m | 10Ns/m | 15Ns/m |
| 力阈值 | 15N | 8N | 12N |

四、系统优化与测试验证

1. 延迟优化策略

通过三方面降低系统延迟：

  • 感知层：采用ROI提取减少数据处理量，视觉处理延迟从80ms降至35ms
  • 控制层：将PID控制周期从20ms缩短至5ms
  • 通信层：使用EtherCAT总线替代传统Modbus，通信延迟<1ms

2. 实验测试数据

在200次折叠测试中取得以下结果：
| 指标 | 成功率 | 平均耗时 | 最大力偏差 |
|——————————|————|—————|——————|
| 单件T恤折叠 | 98.2% | 42s | ±1.8N |
| 三件混叠衣物分离 | 91.5% | 87s | ±2.5N |
| 异常状态恢复 | 85.3% | - | - |

五、技术延伸与行业应用

该方案可扩展至三大应用场景：

  1. 医疗护理：辅助病人穿衣/换药，要求更高的安全阈值（力限制<5N）
  2. 纺织工业：布料分拣与质量检测，需增加光谱分析模块
  3. 家庭服务：与语音交互系统集成，支持自然语言指令控制

未来技术演进方向包括：

  • 引入数字孪生技术实现虚拟调试
  • 开发轻量化边缘计算架构
  • 探索触觉-视觉跨模态学习框架

这种将传统运动控制与现代AI技术深度融合的方案，为柔性物体操作提供了新的解决路径。通过模块化设计，开发者可基于本文架构快速构建自定义场景的机器人应用，在降低研发成本的同时提升系统可靠性。

最新文章