[论文解读] Toward Fast and Optimal Robotic Pick-and-Place on a Moving Conveyor

Shuai D. Han, Si Wei Feng+1 more|arXiv (Cornell University)|Dec 17, 2019

Robotic Path Planning Algorithms参考文献 28被引用 4

一句话总结

本文提出基于动态规划的算法——OptSeqDP 和 SubOptDP，用于在移动传送带上实现机器人拾取与放置的时间最优序列计算，显著优于贪心启发式方法。该方法在考虑几何与动态约束的前提下优化物体顺序，使吞吐量提升 10–40%，且对数百个物体的计算时间在一秒以内。

ABSTRACT

Robotic pick-and-place (PnP) operations on moving conveyors find a wide range of industrial applications. In practice, simple greedy heuristics (e.g., prioritization based on the time to process a single object) are applied that achieve reasonable efficiency. We show analytically that, under a simplified telescoping robot model, these greedy approaches do not ensure time optimality of PnP operations. To address the shortcomings of classical solutions, we develop algorithms that compute optimal object picking sequences for a predetermined finite horizon. Employing dynamic programming techniques and additional heuristics, our methods scale to up to tens to hundreds of objects. In particular, the fast algorithms we develop come with running time guarantees, making them suitable for real-time PnP applications demanding high throughput. Extensive evaluation of our algorithmic solution over dominant industrial PnP robots used in real-world applications, i.e., Delta robots and Selective Compliance Assembly Robot Arm (SCARA) robots, shows that a typical efficiency gain of around 10-40% over greedy approaches can be realized.

研究动机与目标

• 解决在移动传送带上广泛使用的贪心启发式方法（如 FIFO、SPT）存在的次优性问题。
• 开发一种系统化且计算高效的算法框架，确保在有限时域内获得时间最优或近似最优的拾取序列。
• 在不同物体密度与传送带速度条件下，对所提算法在真实工业机器人模型（Delta 和 SCARA）上的性能进行评估。
• 证明最优排序可在高吞吐量工业自动化场景中带来显著的实际效率提升。

提出的方法

• 将移动传送带上的机器人拾取与放置问题形式化为具有几何与动态约束的有限时域优化问题。
• 提出 OptSeq 算法，作为基于动态规划的完整解法，可计算最多 20 个物体的精确最优序列。
• 通过引入剪枝策略与基于局部性的启发式方法，将动态规划扩展至 OptSeqDP 和 SubOptDP，实现对 100 个以上物体的可 scale 扩展。
• 将机器人特定的运动学与动力学特性集成到代价函数中，以建模真实的运动时间分布。
• 使用包含伸缩臂、Delta 和 SCARA 机器人模型的仿真环境评估算法性能。
• 采用总拾取成功物体数与执行时间效率等性能指标，在不同物体密度下评估算法表现。

实验结果

研究问题

• RQ1 在移动传送带上的机器人拾取与放置任务中，标准贪心启发式方法（如 FIFO、SPT）在时间效率方面存在多大程度的次优性？
• RQ2 在考虑真实机器人动力学与几何约束的前提下，动态规划能否有效用于计算最优或近似最优的拾取序列？
• RQ3 所提算法在保持实时可行性的同时，可扩展至数百个物体的程度如何？
• RQ4 在连续、高吞吐量的 PnP 操作中，所提算法相比现有启发式方法的性能增益有多大？
• RQ5 所提算法在不同机器人类型（如 Delta、SCARA）及不同物体分布（如泊松分布与均匀分布）下的性能表现如何？

主要发现

• 在简化的伸缩臂机器人模型上，分析表明 FIFO 和 SPT 等贪心方法相比最优解，时间效率损失最高可达 40%。
• OptSeqDP 和 SubOptDP 算法在 100 个物体以内可于 1 秒内计算出最优或近似最优的拾取序列，支持实时部署。
• 在单次操作场景中，所提算法相比 FIFO、欧氏距离与 SPT 启发式方法，执行时间最多可减少 20%。
• 在连续传送带运行场景中，所提方法相比贪心基线方法，成功拾取物体数量持续提升 10–40%。
• 性能增益在不同机器人模型（伸缩臂、Delta、SCARA）及不同物体分布（泊松分布与均匀分布）下均保持稳健。
• 在物体密集场景中，所提算法优势显著，因为贪心方法因长距离移动时间而面临较差的物体选择问题。