[论文解读] Assembly Sequences Based on Multiple Criteria Against Products with Deformable Parts

Takuya Kiyokawa, Jun Takamatsu+1 more|arXiv (Cornell University)|Oct 21, 2020

Manufacturing Process and Optimization参考文献 43被引用 8

一句话总结

本文提出一种多目标遗传算法（MOGA），用于生成具有可变形零件的产品的机器人友好装配序列，平衡插入条件与约束状态转换难度（CSTD）。通过将基于3D CAD的分析扩展至通过形状变形建模可变形零件，该方法提取无干涉、插入和约束矩阵，从而生成帕累托最优序列，最小化装配难度并确保机器人操作的可行性。

ABSTRACT

Aiming to generate easy-to-handle assembly sequences for robotic assembly, this study tackles assembly sequence generation by considering two tradeoff objectives: (1) insertion conditions and (2) degrees of constraints among assembled parts. We propose a multiobjective genetic algorithm to balance these two objectives for generating assembly sequences. Furthermore, the method of extracting part relation matrices including interference-free, insertion, and degree of constraint matrices is extended for application to 3D computer-aided design (CAD) models, including deformable parts. The interference of deformable parts with other parts can be easily investigated by scaling parts. A simulation experiment was conducted using the proposed method, and the results show the possibility of obtaining Pareto-optimal solutions of assembly sequences for a 3D CAD model with 33 parts including a deformable part. This approach can potentially be extended to handle various types of deformable parts and to explore graspable sequences during assembly operations.

研究动机与目标

• 解决为具有可变形零件的产品生成既机械可行又可机器人执行的装配序列的挑战。
• 降低机器人装配过程中接触状态转换（CSTD）的难度，特别是对需要精确插入的零件。
• 将基于3D CAD的装配序列生成（ASG）扩展至处理如橡皮筋和链条等可变形零件。
• 确保生成的序列具有鲁棒性、可重复性，并适用于机器人抓取规划与运动执行。
• 平衡两个相互冲突的目标：插入条件（零件插入的难易程度）与CSTD（接触转换的机械难度）。

提出的方法

• 使用多目标遗传算法（MOGA）优化两个适应度函数：一个用于插入条件，另一个用于最小化CSTD。
• 对可变形零件（如橡皮筋、链条）的3D CAD模型应用变形建模，以模拟无干涉的装配方向。
• 通过几何与位移分析，从3D模型中提取三个关键矩阵：无干涉矩阵、插入矩阵和约束程度矩阵。
• 通过12个方向的位移测试（±x, ±y, ±z, ±Θx, ±Θy, ±Θz）计算约束程度C(Pi, Pk)，若在无穷小位移后无干涉，则Fj(Pi, Pk) = 1。
• 将CSTD（约束状态转换难度）计算为先前已装配零件的约束总和，使用公式H = max_k Σ_{i=1}^{k-1} C(POi, POk)。
• 通过平衡两个适应度目标生成帕累托最优序列，并通过局部邻域搜索（重新排列一个零件）验证近似最优性。

实验结果

研究问题

• RQ1 在处理可变形零件时，如何改进装配序列生成（ASG）以适应机器人操作？
• RQ2 约束状态转换难度（CSTD）对机器人装配序列可行性与鲁棒性有何影响？
• RQ3 基于3D CAD的建模结合变形仿真，能否有效提取可变形零件的两两关系（无干涉、插入、约束）？
• RQ4 所提出的MOGA在多大程度上能生成平衡插入难易度与机械难度的帕累托最优序列？
• RQ5 在包含刚性与可变形零件混合的多种产品模型中，生成的序列在可重复性与鲁棒性方面表现如何？

主要发现

• 该方法成功为包含橡皮筋和链条等可变形零件的八个模型提取了无干涉、插入和约束程度矩阵。
• MOGA在所有测试模型（#1–#8）中均生成了100%可行的序列，其中40.3%的局部重构序列仍保持可行，表明具有高度鲁棒性。
• 最佳解（图10b中的蓝点）在模型#3中实现适应度值总和为473 ± 6.94，且其邻近序列无法同时提升两个适应度值，表明达到帕累托最优。
• 通过仿真验证了抓取可行性：所有测试序列中均成功实现抓取，且使用机器人夹爪模型确认了无干涉抓取。
• 该方法表现出高度可重复性，平均适应度值方差极低（如模型#3中Fitness 1为58.7 ± 6.06），证实了运行间的一致性能。
• 机器人运动仿真验证了序列的成功执行，包括橡皮筋安装等复杂插入操作，当辅以柔性夹具时，证实了其实际适用性。