码垛机器人的研究与应用

胡春生，魏红星，闫小鹏，李国利

宁夏大学 机械工程学院，银川 750021

国际标准化组织（ISO）把机器人定义为：动作机构具有类似于人或其他生物的某些器官的功能；具有通用性，工作种类多样，动作程序灵活多变；具有不同程度的智能性，如记忆、感知、推理、决策、学习等；具有独立性，完整的机器人系统在工作中可以不依赖于人的干预[1]。这种广义的定义将机器人定义为自动化机器与设备，而不是如字面意思像人一样的机器。

按照国际标准化组织的定义，工业机器人就是指在工业应用中一种能够自动控制、可重复编程、多功能、多自由度、多用途、能够按照要求对材料、工件进行搬运、对工具进行操持，用来完成各种作业的机器[2]。工业机器人在接受人类的编程后，会根据程序设定的动作和轨迹进行运动，完成生产要求。同样的，按照国际标准化组织的定义，码垛机器人是一种按照程序设定要求，将物料单层或多层自动码放在托盘或栈板上，协助或取代人类进行重复的码垛工作的自动化机器。

码垛机器人是一种多学科交叉和集成的机械装备，它包含了机械、控制、人工智能、图像识别、传感器技术和信息技术等多种技术，是目前使用较多的工业机器人之一。它具有较高的自动化与智能化，能集成在生产线上的任意段，实现产品的快速获取、搬运、装箱、码垛、拆垛等作业[3-4]。码垛机器人自20世纪60年代被发明以来，就被应用在各个领域，可以提高生产效率，降低生产成本，可以在高温、高湿、高粉尘、高辐射、重污染等恶劣环境中使用，能够降低工人劳动强度，改善工作环境，在现代制造业与其他生产中有着无可替代的作用[5]。

1 码垛机器人研究内容

码垛机器人从20世纪70年代被研发出来后，就不断地被学者研究、创新和发展。码垛机器人的创新主要分为四点：机械结构的创新、运动规划的创新、运动控制的创新与机器人编程方法的创新，如图1所示。

图1 码垛机器人的创新结构框架图Fig.1 Innovative structure of palletizing robot

机械结构的创新主要分为码垛机器人结构优化与末端执行机构的创新。传统的工业机器人的本体未进行结构优化，虽然能满足强度与稳定性使用要求，但存在质量偏大、能耗增大、负载能力小等问题。传统末端执行机构也存在着识别能力差、抓取稳定性差、抓取种类单一、适应性差等问题，传统的机器人本体与末端执行机构已经不能满足现在低能耗、高精度、高稳定性、高适应性的生产要求。

运动规划可分为路径规划、轨迹规划、避障问题等三个方面，单个机器人运动规划和多机器人协同两个类别。传统的运动规划方法在机器人自由度较大时，计算量与计算时间会呈指数式增长，在复杂环境与多机器人协同运动规划两方面存在严重不足，动态运动规划能力较差。

码垛机器人的运动控制可分为机器人位姿与轨迹控制、末端执行机构抓取控制两大类，常规运动控制方法的运动控制精度低、受环境影响大、抗干扰能力弱，已经不能满足智能控制要求。

码垛机器人的编程可分为示教编程、离线编程和自主编程三个方面，传统编程方法编的稳定性差、编程时间长、使用成本高、智能化程度低、复杂环境不能满足精度要求。本文接下来将会进行详细的说明。

1.1 码垛机器人结构优化

目前国内外码垛机器人按结构类型的不同可分为以下五种：直角坐标机器人、柱面坐标机器人、球面坐标机器人、多关节机器人和并联机器人等[6]。

直角坐标码垛机器人也称桁架码垛机器人或龙门式码垛机器人，是以直角坐标系统为基本模型，这种码垛机器人搭配灵活，负载、行程等调整方便，无需复杂算法控制，在活动范围极大或极小、负载范围较大时都非常适合，但是存在占地面积大、运行速度慢、安装周期长，维修保养困难等缺点。

柱面坐标码垛机器人的运动空间位置由基座回转、水平移动、竖直移动组合形成，作业空间呈圆柱体。与直角坐标码垛机器人相比，圆柱坐标型码垛机器人占据空间较小、结构紧凑、工作范围大、运动直观性强。但因为受到升降机构的限制，一般不能抓取距离地面高度较小的物料。

球面坐标码垛机器人的机械手能够做伸缩移动、水平面内转动和垂直平面内的摆动，机器人的工作空间形成球面的一部分，因此称为球面坐标码垛机器人。同圆柱坐标码垛机器人相比，球面坐标码垛机器人在占据同样空间的情况下，其工作范围扩大了，而且由于其具有俯仰自由度，可以完成从地面提取工件的任务。缺点是运动直观性差，结构较为复杂，位置误差会随着臂长的增加而增大。

多关节码垛机器人由多个摆动或回转机构组成，基本结构由底座、大臂和小臂构成。大臂和小臂可在通过底座的垂直平面内运动，大臂和小臂间的关节称为肘关节，大臂和底座间的关节称为肩关节。多关节型码垛机器人具有人的手臂的某些特征，与其他类型的码垛机器人相比，它占据空间最小，工作范围最大，此外还可以绕过障碍物提取和运送工件，是目前最常见的码垛机器人类型，但其运动直观性更差，运动规划和驱动控制较为复杂。

并联码垛机器人指基座和末端执行器之间通过至少两个独立的运动链相连接，机构具有两个或两个以上自由度，是一种以并联方式驱动的闭环机构。结构简单、刚度大、运动精度高、运动能力强、末端惯性小，在高速、大承载能力的场合具有明显优势，但是由于工作空间有限，机械手发生碰撞的概率很大，在奇异位置会完全失去刚度，驱动控制较为复杂。各类型码垛机器人优缺点的对比如表1所示。

表1 各种码垛机器人对比总结Table 1 Comparison and summary of various palletizing robots

传统的工业机器人虽然能满足使用要求，但存在质量偏大、能耗增大、负载能力小等问题。为了解决上述问题，国内外许多学者对码垛机器人本体进行了结构优化。结构优化设计技术是从20世纪70年代开始随着计算机技术和有限元方法迅速发展起的一个力学分析优化方法[7]，码垛机器人结构优化依据设计变量不同可划分为尺寸优化、形状优化和拓扑优化。

尺寸优化是以结构件外形尺寸或者孔洞尺寸为优化对象进行结构优化。形状优化是指通过调整结构件的几何形状来改善力学性能、降低生产成本。两者都是采用有限元法与有限元软件结合的方法进行本体优化。

码垛机器人尺寸优化主要是使用有限元软件进行辅助优化设计，首先使用有限元软件如ANSYS建立机器人的动力学模型，对其进行整机模态分析，找出机器人机械结构薄弱的部位，然后在给定运动下，研究结构不同截面尺寸对于运动的影响，分析两者之间的关系，对截面形状尺寸进行优化，以达到最佳运动状态[8]，形状优化方法也与上述方法相似，是研究给定不同的结构形状对运动的影响[9]。

尺寸优化和形状优化是优化设计最早采用的两种方法，但存在计算量大、自适应网格划分困难、收敛性差等问题，已经不适应现在的结构优化需求。

拓扑优化是目前最常用的结构优化方法，是根据约束条件、负载情况和性能指标，对区域进行材料分布优化的设计方法，与尺寸优化和形状优化相比，拓扑优化是概念设计层面的优化方法，能够在结构设计的初始阶段就得到最优布局方案，在结构优化中有更多的设计自由度能够获得更大的设计空间，是结构优化主流发展趋势。

拓扑优化的方法有均匀化方法、变密度法、渐进结构优化法等，最常用的方法是变密度法，变密度具有过程简单、计算快等优点，其原理是首先对模型进行划分网格，划分后的每个网格里只有0或者1两种情况，0代表此处网格没有材料填充，1则代表此处网格有填充材料，然后在0-1之间进行插值，将离散问题变成为连续性问题，用一个罚函数使得所有的中间密度单元最后趋向0或者1，实现材料的分布优化，最后使用有限元软件分析受力与变形量，然后重复以上操作，最终迭代得到既满足最少材料又满足最大强度和刚度的结构[10]，拓扑优化能够降低码垛机器人的质量、提高安全使用系数、降低能耗、增强机器人的刚度和强度，为工业机器人结构创新提供了重要的思路。

无论是尺寸优化、形状优化还是拓扑优化，在优化的过程中都是以一种优化参数作为优化目标，例如质量最优、强度最优、刚度最优等，但当优化目标发生冲突或者需要多个优化目标时，例如既要强度高、又要面积大、还要质量小，很难实现所有的优化目标都能得到最优解，使用传统优化方法可能会出现计算周期长、计算能力差等问题，多目标优化方法是近些年兴起的一种设计方法，多目标优化方法能使多个目标在给定区域尽量同时满足最佳解，通常是一组均衡解，能最大程度地满足各个优化目标。基本方法有两种，一种是先求出每个优化目标的最优解，得到一个最优解的集合，然后在最优解中选择合适的解，另一种方法是将多目标最优解问题通过功效系数法、评价函数法等转换为单目标优化问题求解[11]。多目标优化方法能在保证应力、位移、刚度和振动稳定性的情况下，极大降低码垛机器人的质量[12-13]。

国内的码垛机器人结构优化以拓扑优化为主，尺寸优化和形状优化为辅，借助ANSYS等有限元软件对码垛机器人进行建模与仿真，在设计初期采用拓扑优化实现最优布局，设计过程中采用尺寸和形状优化进行局部优化，使结构布局更加合理，更加轻量化[14-15]。我国在机器人结构多目标优化方面研究较少，目前主要采用的算法有多目标粒子群算法、NSGA-II算法等，能够在提高机械臂结构刚度、强度的同时并降低质量。我国结构优化领域随着智能算法的兴起与加入，使得结构优化发展更快，惩罚函数法、粒子群算法、响应面法等智能算法的使用，相较于传统算法，使得机械结构优化的效率更高、结果更加准确、动力学性能更好[16-18]。

国外的结构优化与国内结构优化类似，也是通过有限元法与有限元软件对机器人进行建模与静态分析，然后进行结构优化，重新设计零部件，在保证使用要求的情况下，大大降低机器人本体质量，降低能耗[19-21]。国外也将多目标优化大量应用到了机器人结构优化当中，多目标优化方法可以在全局层面进行优化，能对全局运动学平均值、波动值等进行分析，先构建多目标运动模型，然后利用多目标优化算法进行改进分析，最终提高机器人的性能指标，使得机器人具有更高的结构刚度、更轻的质量、更高的振动频率[22-24]。国外也将遗传算法、多目标遗传算法、多目标粒子群优化算法、动态多目标优化算法、复合算法等先进算法加入到结构优化中，使得机器人的结构优化速度更快、效率更高、质量更小、能耗更低[25-26]。

1.2 末端执行机构

末端执行机构是码垛机器人的重要组成部分，也是码垛机器人直接与被抓取物料接触的部件，相当于人的手掌，主要用于完成被码垛物料的抓取、移动以及码垛等动作。码垛作业任务是否能够顺利完成，直接取决于末端执行机构的设计，要求末端执行机构能够稳定且准确地进行抓取和搬运作业，由于在工作中，抓取的物料结构大小和品种有所不同，包括箱形、板形、袋形以及圆柱形物料等。因此码垛机器人的末端执行机构必须能随着生产线上物料的改变而改变实现抓取作业。如今的工业生产中有着各式各样的末端执行机构，按照结构类型的不同，可以分为叉形末端执行机构、真空吸盘型末端执行机构、夹板型末端执行机构，以及后面发展起来的柔性执行机构和仿生执行机构五种，它们优缺点及其适应范围如表2所示。

表2 各种末端机构优缺点及使用范围Table 2 Advantages and disadvantages of various end mechanisms and their scope of use

叉形末端执行器的抓取机构为叉爪型，工作时，叉爪放在物料的下方，然后将叉爪收缩，将物料抬起，实现搬运和码垛作业。工作效率高、抓取稳定、结构简单轻便，但是其结构比较庞大，相对于夹板型和真空吸盘型运行流畅度降低。通常用于较大较重的袋装物料，如米袋、水泥、面袋等。

真空吸盘型末端执行机构的抓取机构为真空洗盘，是通过真空吸盘的吸附作用对物料进行抓取与搬运。对光滑物料的抓取效果较好，但其结构复杂，工作不稳定。常用于表面水平并且较为光滑的玻璃板、石英板等板材或者尺寸较小且表面光滑的袋状物料的码垛。

夹板型末端执行机构的抓取机构为两个夹板，夹住物料的侧面通过摩擦力进行抓取，质量轻便、设计简单、适应度好。但由于依靠摩擦力来进行抓取，不能抓取光滑的物料，常常用于尺寸较大的箱型物料。

柔性执行机构，指可通过调整相关参数，就能适应不同工件的抓取、搬运等功能的末端执行机构，具有较强的适应性，还能够进行脆性物料和易碎物料的码垛和搬运。柔性机械手相较于前面三种机械手，具有适应性高、抓取范围广、抓取力度合适、不破坏物料等优点，但结构复杂，抓取力度小，不能抓取较重的物体。

仿生机械学由生物力学、医学、机械工程、控制和电子技术等学科相互渗透、结合而形成的一门边缘学科，仿生设计近年来也在码垛机器人的末端执行机构设计上有所应用，仿生执行机构就是模仿生物的运动构造形态或者功能而设计的机构，具有生物结构的优越性。例如模仿人体的手掌设计的自适应欠驱动仿生机械手，具有抓取方式多变，抓取物料种类多、适应性范围大，解决了其他结构类型机械手自适应不足的缺点，但结构复杂、稳定性较差，工程应用较为困难[27]。国内外在码垛机器人的末端执行机构的创新上，一方面是机械结构的创新设计，另一方面通过传感器和各种智能优化算法加强了机械手抓取时的准确性和稳定性。

理想状态下的抓取夹持环节应该稳定、准确、能够保护物料不受破坏。有三种常用方法，一是在机械手上添加传感器、敏感电阻和其他装置可以实现实时反馈，通过反馈信号来给控制器信号，判断抓取是否合理；二是通过优化算法来实现，通过分析手指和目标物料之间的抓取力学模型、确定抓取稳定性指标、建立机械手抓取数学模型，确定抓取稳定性与抓取位置、抓取点的映射关系，通过改进算法可以解决传统抓取过程中抓取不稳定与脱落的情况，得到最适合当前物料的抓取力；三是将计算机视觉技术、计算机触觉技术与机械手结合起来，计算机视觉和触觉是使用计算机及相关设备对生物视觉和触觉的一种模拟，通过计算机视、触觉技术，可以实现物料的自动识别和智能抓取。

国内码垛机器人末端执行机构机械结构的创新主要是新型机械手的设计与研发，包括柔性机械手和仿生机械手两大类，它们具有兼容性强、适应性强等优点，已经在农业、制造业、化工行业等各个行业都有所应用[28-29]。在加强抓取稳定性与准确性方面，国内通过将磁致伸缩触觉传感器、位移传感器等高敏感传感器安装在机械手上，在提高了机械手定位精度与抓取稳定性的同时、还提高了机械手的执行速度与分拣效率[30-31]；通过建立机械手与目标物之间的数学模型，改进抓取控制算法得到最适合的抓取力与角度，提高机械手的实时性和灵巧性[32-33]；通过引入计算机视觉，通过图像识别技术来判断物料的位置与形状，实现物料的自动识别与抓取[34-35]。

国外码垛机器人末端执行机构机械结构的创新与国内研究相同，主要还是柔性机械手与仿生机械手的研究，国外已经研制出适应性强、抓取范围广，可以抓取不同尺寸和形状的物料的柔性机械手[36]和可以在一些复杂狭小环境中进行搬运、码垛等作业的仿生机械手[37]。国外对于机械手抓取稳定性，也是通过在机械臂上安装传感器、敏感电阻和其他装置实现实时反馈，通过反馈信号来判断抓取是否合理[38-39]，也同样依靠改进算法，改变机械手抓取力学模型、依靠计算机触觉与视觉解决传统抓取过程中抓取不稳定与脱落的情况，得到最适合当前物料的抓取力，在提高抓取的稳定性、平滑性、准确性的同时[40-41]，也提高了码垛机器人的智能化程度。

1.3 码垛机器人的运动规划

运动规划是在给定的位置之间为机器人找到一条符合约束条件的路径，是机器人学的一个重要研究领域。码垛机器人的运动规划按照规划类型可以分为路径规划和轨迹规划，避障问题作为特殊的路径规划问题，本文为了更好地进行说明，将避障问题单独提出来，和路径规划、轨迹规划并列在一起进行阐述，而按照机器人的数量与规模划分，则可分为单个机器人的运动规划与多机器人协同运动规划两类规划体系。

1.3.1 路径规划

（1）单个机器人路径规划

单机器人的路径规划是单机器人运动规划的主要研究内容之一，路径指的是连接起点位置和终点位置形成的序列点或曲线，而构成路径的策略与方法则称之为路径规划。目前单个机器人的路径规划方法可以归纳为五种：基于能量最优的路径规划、基于时间最优的路径规划、基于最小冲击的路径规划、基于路径最优的路径规划，或者将它们组合起来为主要方法来进行路径优化。这几种目标规划的方法主要还是通过优化算法进行优化计算，得到最优解和最优参数。

基于能量最优的优化目标，就是以完成规定动作与规定任务后所消耗的最少能量为优化目标，码垛机器人主要以电能为动力，因此以耗电量来作为目标参数，许多学者将智能算法应用到这种方法，例如改进AD*算法、遗传算法等，能够明显地降低耗电量，在兼顾机器人路径规划效率的同时降低能量消耗[42-43]。

基于时间最优，就是以完成规定动作与规定任务后所消耗的最少时间为优化目标进行路径规划，改进粒子群算法的引入不仅能够实现机器人时间最优运动规划，还同时改善了粒子群算法易局部收敛、无法得到全局最优解的问题[44]。精密装配领域对于速度与精度要求较高，有学者在机器人运动链上进行优化，提出了多变量时间优化方法，可以达到提高装配效率、时间最优的目的[45]。工业机器人固定路径下的基于时间最优的路径规划方法的计算量较大，消耗时间较长，为了解决这一问题，有学者将修型/射靶算法引入路径规划中，通过修正多重约束下的最大速度曲线，得到时间最短的曲线，也即时间最优路径[46]。智能算法引入使得基于时间最优的路径规划方式求解速度更快、路径规划效率提高。

基于最优路径也是常用的方法之一，基于路径最优，要求路径平滑、路径长度小，码垛机器人能够稳定运行。有学者将改进A*算法、蚁群算法等方法应用到基于路径最优的路径规划中，使路径更平滑，路径总长度减小，提高了码垛的工作效率，并降低了发生碰撞的可能性[47-48]。

以上的算法和方法都是在已知环境与空间中进行的路径规划，但是对于未知的空间，以上的方法已经不能适应，有学者进行了深入研究，将仿生学设计应用到未知环境的路径规划中，依据海马体内空间细胞的认知机理，提出了仿鼠脑海马的机器人场景认知地图构建及路径规划方法，在机器人场景记忆建模的过程中建立集成位置细胞与网格细胞神经元活动机制，通过事件再配置，预测并规划最优情景轨迹[49]，实现自我参考和路径规划。也有学者将目标导向RRT路径规划算法应用到未知环境的路径规划，传统RRT算法可以进行未知环境的路径规划，但是由于算法本身的限制，会出现盲目搜索、容易陷入局部最小点的问题，基于子目标搜索的目标导向RRT路径规划方法是将三种不同情况的目标导向函数引入其中，此方法能很好地解决上述问题，减少冗余搜索、提高逃离局部最优能力、提高路径规划效率[50]。还有人将计算机视觉技术、短期内存神经网络等算法也利用到未知环境的路径规划当中[51]，都能够很好地解决在未知环境中的路径规划问题。

（2）多机器人协同路径规划

多机器人协同路径规划是多机器人系统的关键技术之一，是保证多机器人工作顺利完成的基础，多机器人路径规划是指利用周围环境信息，多机器人系统中的每个机器人都能满足工作要求到达指定位置且无碰撞的最优路径，要求多机器人系统内的每个机器人之间也不能发生碰撞。多机器人协同路径规划的方法按照求解方式的不同，可以分为耦合式和解耦式两种，也可以称为整体式和分布式。两种方法的区别是耦合式将多机器人视为一个整体进行规划，而解耦式是将多机器人系统中的每个机器人进行单独规划[52]。

在耦合式路径规划方法的帮助下，多机器人协调路径规划就变成了单机器人的路径规划，因此可以将单个机器人的路径规划的智能算法和优化方法应用到多机器人协同路径规划之中，例如快速搜索随机树法、人工势场法、改进A~*算法、改进遗传算法、改进蝙蝠算法、混合算法等方法，都可以加快规划的速度、减少计算时间、缩短路径长度[53-55]。

耦合式路径规划方法也存在着缺点，它的搜索范围是全局的，是一种全局搜索方法，耦合式路径规划方法将多机器人路径规划转换为单机器人高维度、多自由度路径规划，因此这种方法具有找出全局最优解的能力，但同样也使得系统维度增高、自由度增多，求解空间变大，求解速度降低，使得规划的实时性降低。适用于机器人个数较少的多机器人协同路径规划。

解耦式路径规划与耦合式路径规划正好相反，解耦式路径规划是将多系统内的各个机器人先分别进行路径规划，找到最优路径，后面通过协调方法进行修改和调整，解决系统内部机器人冲突的问题。

解耦式路径规划方法是一种类似于先局部优化的方法，再通过协调算法来解决系统内的冲突和干涉，将多机器人协调问题转变为单个机器人路径规划问题，这样方法降低了多机器人路径规划难度，动态性能较好，但是存在容易陷入局部最小值，不易获得全局最优解的问题。适用于系统内机器人个数较多的多机器人协同路径规划。

解耦式路径规划的难点在于多机器人系统内的协调问题，协调问题可以分为两个方面，一是消除多机器人系统内部的冲突与干涉；二是实现多机器人系统的协同作业。常用协调方法有基于时间法、保留区域法、基于TI-A*算法等。

基于时间的多机器人路径协调算法首先利于栅格法对工作环境进行建模，将多机器人协调问题转换为机器人动作运行序列问题，先利用改进A*算法求出每个机器人的无碰撞路径，再通过计算每个机器人到达每个碰撞点的时间，判定是否会发生碰撞，然后将该碰撞点所有等待的机器人进行列表，依次类推，可以得到每个机器人的运行序列，通过筛选就能得到多机器人的无碰撞路径。此方法也存在着许多缺陷，协调的实时性较差，动态协调性能较差，计算量较大[56]。

有学者提出了基于保留区域的分布式多机器人路径规划方法，保留区域是指利用栅格法对多机器人系统内每个机器人进行单独的路径规划后，再根据运动方向预测并计算出下面将要到达的栅格位置。机器人在保留区域内会进行减速或停止运动，使机器人始终保持在保留区域内，当保留区域发生重叠时，由中央模块进行协调和分配工作，此方法可以解决多机器人内部发生冲突和干涉的情况，还可以通过改变保留区域大小进行加减速距离调节，具有很强的工程实用性[57]。此方法实时性较好，相比于传统集中式控制方法，规划路径更短，路径规划效率也较高，但是动态协调能力较差，面对复杂动态环境时，协调效率会下降。

有学者将TI-A*算法应用到多机器人协调问题当中，可以很好地解决动态环境下的动态协调问题，此方法首先是将时间代价函数引入，然后将时间代价函数与A*算法进行结合，提出TI-A*算法，然后将多机器人协调问题分为路径规划和协调冲突干涉两类，通过改变运动速率和调整协调阶段介入时间，得到两种基于TI-A*的多机器人协调方法，分别是适用于空间紧凑、障碍物多的变速协调方法和适用于吞吐量大、耗时长的变路径协调方法。该方法有很强的适应性与动态协调性，能在复杂且障碍物多的环境中进行动态协调，实现多机器人的动态路径规划[58]。

国内外在机器人路径规划方面的创新，都主要是集中在智能算法的创新与应用，我国基于时间最优的路径规划方式引入的智能算法有改进粒子群算法、修型/射靶算法、改进DDPG算法和改进PSO算法，可以使得求解速度更快、消耗时间更少，路径规划效率更高[59-60]。基于能量最优的路径规划方式引入的智能算法有改进AD*算法、启发式ECA*算法，可以使得机器人的能耗降低，生产成本降低。基于路径最优的路径规划引入的智能算法有基于梯度的机器人检查优化算法、多目标萤火虫算法、改进A*算法、快速扩展树算法、改进蚁群算法、多种群多速度粒子群算法、势场-蚁群融合算法等，这些算法的加入，使得路径更短、路径总长度减少、运行更加平稳、提高了生产效率[61-64]。基于最小冲击的路径规划引入的智能算法有改进TEB算法、改进人工势场算法等，可以降低力矩突变造成的振动与冲击，能够使机器人运动更加平滑[65-66]。

国外轨迹规划方面近两年主要以基于时间最优和基于路径最优研究为主，基于时间最优引入的算法有自适应蚁群算法、积分强化学习算法等，使机器人的全局路径优化能力增强、路径规划时间减少、实时性与稳定性提高[67-68]。基于路径最优的智能算法有RRT-Connect算法、基于梯度的机器人检查优化算法、多目标优化算法、多目标萤火虫算法、快速扩展树算法等，能够明显减少路径长度[69-72]。

1.3.2 轨迹规划

轨迹规划一般指多关节机器人的轨迹规划问题，多机器人系统的轨迹规划与单个机器人轨迹规划的方法与原理类似，本文一起进行说明。轨迹是由时间、位置、速度参数化后的状态空间序列，轨迹规划就是发现满足其运动学、动力学约束、避障条件、交通规则约束和舒适性约束的状态空间序列。轨迹规划是工业码垛机器人运动规划的重要部分，码垛机器人的运动应当平稳且连续，不平稳的运动会加速零件的磨损、导致码垛机器人的振动和冲击，影响使用寿命和精度。单机器人轨迹规划分为关节空间轨迹规划和直角坐标空间轨迹规划，关节空间轨迹规划是指将所有的关节变量表示为时间的函数，用这些关节函数预测机器人的运动，直角坐标空间轨迹规划是将手爪的姿势、位置、速度、加速度等表示为时间的函数，通过逆运动学求出速度、加速度、位置等信息[73]。关节空间轨迹规划生成的值为关节值，而直角坐标空间轨迹生成的值是末端执行机构的位姿，还需要求解逆运动方程才能得到关节值。

关节空间运动规划是为了使得关节空间的轨迹更加平滑、连续且冲击较小。进行规划时，需要给定机器人在起始位置和终止位置的机械手的位置和姿态，在满足约束条件的情况下，例如末端执行机构的方向、提升方向、停止位置等约束条件，选择合适的轨迹规划方法，得到需要的轨迹，常用的关节空间运动规划方法有三次多项式插值、高阶多项式插值、抛物线过渡的线性插值和B样条曲线插值等[74]。本文接下来分别进行介绍与说明。

想要保持系统稳定性，至少应满足四个约束条件，即两端点位置约束和两端速度约束，根据约束条件，可以得到唯一的三次多项式，这就是三次多项式插值法，当起点与终点的速度为零时，可以直接使用此方法，但当起点与终点的关节速度不为零时，可采用改进的三次多项式插值法，也叫做过路径点的三次多项式插值法，是把每个关节相邻的路径点分别看作起点和终点。利用三次多项式插值法，可以得到更平滑、稳定的码垛机器人轨迹[75-76]。若对于运动轨迹要求更为严格，则使用三次多项式插值法无法满足需求，需要采用更高次多项式插值法，例如要确定在路径曲线段的起始点和终止点的速度、位置等时，就需要使用一个五次多项式，可以使得到的轨迹更平滑、稳定。

以上的方法虽然可以实现机器人的轨迹规划，但是也存在着问题，可能会导致起始点和终止点的关节运动速度不连续，为了解决这个问题，可以进行分段规划方法，分段规划就在中间部分利用直线线性插值，两端则利用抛物线过渡[77]，关节的速度变化平稳，这样的过渡会保证轨迹的连续和平稳，实现平稳、连续的轨迹要求。

在直角坐标空间中，路径点之间的轨迹十分复杂，复杂程度取决于机械臂的运动学特性，常用的方法有线性函数插值法和圆弧插值法。线性函数插值法也叫做直线插值法，是指已知直线始末两点的位置和姿态，在起点和终点之间按照直线来密化点群，然后驱动伺服按照这个点群来运动[78]，圆弧插补就是这个点群按照起点终点还有半径或者是圆心坐标来建立方程，运算，建立点群，实现轨迹规划[79]。

多机器人协同轨迹规划是保证多机器人协同作业稳定完成工作任务的重要因素，多机器人协同轨迹规划就是使系统的每个机器人都能执行设定的轨迹[80]。多机器人轨迹规划特殊之处与多机器人路径规划的特殊之处相同，强调多机器人的协调与协同，不只是考虑轨迹的平稳与连续等，而是要考虑多机器人系统整体，在多系统内每个机器人都能达到较优轨迹的同时，内部机器人还不能进行干涉与冲突，具体方法与多机器人协同路径规划相似。

国内外在轨迹规划的创新上，可分为智能算法应用创新与轨迹插补方法创新两方面，我国在智能算法应用创新上有基于RBF神经网络的码垛机器人轨迹优化算法、基于改进粒子群算法、基于多目标粒子群算法、基于快速扩展随机树算法、基于A*算法、基于改进蚁群算法、基于概率神经网络等多种智能算法的创新应用，使得轨迹规划的方法变得多种多样，轨迹平滑性、稳定性等都有很大的提高[81-85]。在轨迹插补方面，我国主要有五次多项式插值轨迹规划、合成运动的圆弧轨迹规划、叠加摆线运动规律的轨迹规划、基于NURBS曲线轨迹规划、基于复合多项式轨迹规划等，能够降机械人的振动、使机器人运动轨迹更加平滑、运行更加自然、平稳[86-89]。

国外的智能算法应用创新有基于动态目标深度学习轨迹优化算法、改进蚁群算法、粒子群优化算法、差分进化改进人工势场算法、NSGA-II多目标优化算法等，使得机器人的运动轨迹误差更低、计算量更小、算法收敛速度更快[90-93]。在轨迹插补方面，国外的主要方法有基于B样条曲线轨迹规划、基于NURBS曲线的轨迹规划、基于三次多项式的轨迹规划、基于Catmull-Rom样条曲线的轨迹规划等，使得机器人的轨迹更加光滑、稳定，更适合复杂的工作任务要求[94-97]。

1.3.3 避障问题

避障是指机器人在运动过程中，通过传感器或者相机感知到其路线规划上存在的障碍物，并且按照预先的程序算法实时更新路径，成功避开障碍物，最终到达目的地。机器人避障问题可以分类三个方面，一是障碍物的感知，二是障碍物在模型中的映射即障碍物建模，三是避障轨迹的规划。

障碍物感知是指机器人对工作环境中存在的障碍物进行识别，判断障碍物类型与位置的过程。障碍物的感知是机器人避障问题的前提。常用的方法是机器人利用外部传感器进行检测，例如声波传感器、激光雷达、视觉传感器等。

声波避障控制法是利用实时长距离超声波传感器进行搜索，当机器人距离障碍物一定距离时，超声波传感器就能够检测到相关信息，并传输给控制器，控制工业机器人避开障碍物。但超声波传感器存在物理探测盲区会造成漏报，会增加发生碰撞的可能性，一般会搭配其他传感器一起使用[98-99]。

激光雷达避障控制法和声波避障控制法的原理相似，是采用激光雷达进行搜索，激光雷达具有较高的搜索精度，与其他传感器相比，能够同时考虑精度要求和速度要求，激光雷达在黑暗中也可以使用，不受光线的影响，不过该方法的安装精度要求高、价格比较昂贵。

视觉传感器是利用机器视觉的识别与定位功能进行障碍物的感知，与其他传感器相比，机器人视觉传感器具有很高的分辨率，能直接对障碍物进行识别与分类，但是对环境要求较高，在光线差、高粉尘的恶劣环境中的感知能力会下降[100]。

当障碍物被传感器感知到以后就需要进行映射，将检测到的障碍物映射到机器人环境模型中去，为避障轨迹轨迹提供避障依据。常用的障碍物映射建模方法：几何信息法、拓扑图法和栅格法三种[101]。

几何信息法是用几何特征对环境进行描述，这种方法容易识别障碍物的位置和种类，但计算量较大，使用麻烦。拓扑图是将工作环境信息表示为拓扑图，拓扑图中的节点对应于环境中的某一特征信息，这样方法感知速度快，但是感知分辨率较低，当特征相似时无法进行分辨。

栅格法是一种地图建模的方法，是将地图分割为大小相同的方格，然后将场景的所有事物进行二值化替代，应用在工业机器人避障时，就是将障碍物模拟成大量小方格的集合，比如位于无障碍物区域时方格为0，处在障碍物区或包含障碍物区方格为1，这样在计算机中就较容易建立一幅可用于路径规划的地图。栅格粒度越小，障碍物的表示会越精确，但占用的储存空间也会更大，计算需要的时间也会增加[102]。

避障轨迹的规划是机器人避障问题的重点与难点，避障规划的核心是避障算法，常用的方法有基于模糊逻辑的避障规划、基于人工神经网络的避障规划、基于人工势场的避障规划等。

模糊逻辑的概念是在1965年被提出的，英国伦敦大学一位教授在1974年利用模糊控制语句组成的模糊控制器控制锅炉和气轮机的运行获得成功，开始将模糊数学应用于自动控制领域，包括工业机器人，首先使用传感器对障碍物进行识别、分类等预处理，将传感器采集的位置信息、距离信息、角度信息等送到模糊控制器当中，模糊算法对障碍物信息进行处理与计算，控制器发出控制命令，控制机器人关节动作，实现机器人避障。模糊控制能实现机器人的避障功能，而且有较好的实时反馈性，但是当障碍物复杂、工作环境复杂时，避障效果会有较大的降低，甚至出现避障失效的情况[103]。

人工势场避障控制法是仿照物理学中电势和电场力的概念，建立机器人工作空间中的虚拟势场，按照虚拟势场力方向，实现局部路径规划，比较新颖的一种方法。人工势场法将机器人的运动看作是受到虚拟人工受力场作用之后的运动，障碍物会对机器人产生反作用力即斥力，而目标作用点会对机器人产生引力，然后由算法计算产生相应的势，进而实现机器人避障规划。人工势场避障也存在着许多问题，对于动态环境的规划能力较差，全局搜索能力差，抖动严重[104]。

人工神经网络是一种工作方式和生物的神经元类似，模仿生物神经网络（例如大脑）的结构和功能的数学模型或计算模型，它具有较强的数据处理能力。有学者提出了一种基于BP神经网络的机器人避障方法，先将机器人周围环境分为多个扇区，利用激光雷达进行障碍物感知，得到每个扇区内障碍物的距离，以距离信息为输入，利用BP神经网络计算每个扇区被选择为避障方向的得分，然后利用距离障碍物最近扇区的中点的坐标与各扇区中点坐标的欧氏距离，计算得到各扇区被选择为避障方向的概率，然后将得分与概率最大的扇区作为避障方向，从而实现机器人的实时避障。与模糊控制和人工势场相比，该方法的收敛速度快、避障轨迹短、适应性强，适用于环境复杂、障碍物多的情况[105]。

在机器人避障规划方面，国内外的差异主要体现在避障算法上，国内的避障算法主要有基于改进蚁群算法的避障规划、基于改进人工势场法的避障规划、基于优化A~*和DWA算法的避障规划、基于贝叶斯网络与模糊理论避障规划等[106-108]。

而国外有自适应势场蚁群算法、改进粒子群优化算法、基于深度强化学习的避障算法、基于最小风险指数的避障算法等，这些算法大都是传统算法的改进或者是新的应用，通过这些算法，可以提高机器人的避障规划能力，加强机器人动态避障处理性能[109-112]。

1.3.4 多机器人协同与单个机器人运动规划的联系与区别

单个机器人是工业生产中的最小组成单元，也是机器人系统执行任务的终端。多机器人系统是指多个具有动力学和运动学特性，并且能够和其他个体进行信息交互的机器人的集合。多机器人协同运动规划与单个机器人运动规划存在着许多的相似之处，但也有所差别。

多机器人协同运动规划与单个机器人的运动规划的种类相似，都可以分为路径规划、轨迹规划和避障问题。而且单个机器人的许多智能算法都可以应用到多机器人协同运动规划中，单个机器人运动规划研究是多机器人协同的基础。

但是它们之间又有区别，多机器人协同运动规划有着它本身的特殊性，第一点是协调性，多机器人协同不是简单地将多机器人系统内的每个机器人进行运动规划后进行叠加，而是在考虑系统内单个机器人的运动规划的同时，还要考虑当它们协同作业时的协调问题；第二点是实时通信，多机器人协同运动规划对实时性的要求很高，多个机器人之间的通信与感知是影响工作性能的重要因素，高实时性、低延迟的通信，会减少机器人发生碰撞的概率，提高机器人的生产效率；第三点是信息融合性，多机器人协同运动规划的控制系统要复杂得多，需要的环境信息也会增多，多传感器的融合就极为重要，通过信息融合技术，使机器人对周围环境的信息采集更为准确与全面，为机器人运动规划提供保障和支持[113]，是实现多机器人协同作业的智能化、自主化的前提和基础。

1.3.5 机器人运动规划的关键技术及难点

机器人的运动规划是国内外学者研究热点，也是工业机器人技术的难点，运动规划方法的好坏直接影响了工业机器人的工作效率和性能。机器人运动规划的关键技术与难点有以下三点：一是运动规划算法，运动规划的核心就是算法，优秀的运动规划算法，能够大大降低规划的时间，减少外部噪声干扰，提高运动规划的时间与效率；二是传感器技术，机器人进行运动规划之前需要对周围环境进行感知，判断工作环境中的障碍物位置、末端执行机构位姿等信息，就需要通过传感器来实现信息的采集工作，传感器性能的好坏，直接影响了采集信息的准确度，会影响运动规划的结果，是运动规划的基础；三是实时通信技术，多机器人协同运动规划对通信的实时性要求很高，内部机器人之间的通信、机器人与处理器的通信、传感器与处理器的通信等，都会影响运动规划的速度与效率，低延迟、高速率的通信是实现多机器人协同作业的基础。

在多机器人协同问题的研究上，我国有多机器人避障MPF算法、基于人工势场法的多机器人协同避障方法、EKF-SLAM算法、改进蚁群算法等方法，在降低避障规划时间的同时，也提高了多机器人避障能力与效率，使得多机器人的路径规划能力、运动精度控制、协同作业效率等都有了较大的提高[114-117]。

国外则是提出了多机器人协同CCPP算法、基于区块链的多机器人协作边缘知识推理方法、基于或普菲尔德神经网络的多机器人覆盖协作方法、多机械人分层共享控制方法等不同的控制方法，在提高多机器人协作的同时，也大大提高了多机器人生产效率[118-121]。

1.4 机器人运动控制

码垛机器人能否稳定运行与码垛机器人的运动控制有很大的关系，机器人运动控制技术是指为使机器人完成各种任务和动作所执行的控制手段，是工业机器人的核心技术，依据机器人控制部位的不同，可以分为位姿与轨迹控制、末端执行机构抓取控制两大类。

机器人位姿是指末端执行机构相对于基座的位置和姿态，机器人轨迹一般指的是机器人各关节与末端执行机构的运动轨迹。机器人位姿与轨迹控制是保证机器人按照程序完成预定动作的基础。常用的方法有模型控制法、模糊控制法、PID控制法、鲁棒控制法和反演控制法等。

模型控制法来自于自动控制理论，是根据机器人机械结构、性能参数、运动学特性、动力学特性等进行数学建模的控制方法，常用的有前馈补偿控制、计算力矩法、最优控制法、非线性反馈控制法等，适合能精确得到数学模型的控制系统。

模糊控制是以模糊集合论、模糊语言变量和模糊逻辑推理为基础的控制技术，其基本思想是利用计算机来实现人的控制经验，用编程语言将专家的控制经验与知识表达成具有相当模糊性的控制规则，模糊控制不需要建立被控对象的精确数学模型，因此控制系统设计简单，使用方便[122]。

PID控制也称比例积分微分控制，是最早发展起来的控制方法，PID控制器以其结构简单、稳定性好、工作可靠、调整方便等特点而成为工业控制的主要技术。PID控制工业应用十分广泛，适合于被控对象复杂，且得不到精确数学模型时的控制场合，但是PID控制难以保证被控对象的动态和静态品质，控制量较大。

鲁棒控制是采用鲁棒控制器的控制方法，鲁棒性是指控制系统在一定参数摄动下，维持某些性能的特性。鲁棒控制器控制实现简单，使用方便，容易保证系统稳定性。适用于情况多变、稳定裕度小的系统。但由于鲁棒控制系统一般不会在最优状态下工作，因此系统的稳态精度较差。

反演控制法是20世纪90年代初发展起来的非线性系统反馈控制方法，是利用层叠设计的方法，将系统中的一些状态变量看成虚拟控制量，并分别设计它们的控制规律，最终获得系统实际的控制输入。反演控制可以将复杂的非线性系统分解成简单的低阶次子系统，大大降低了控制难度，具有控制过程明晰、非线性系统控制效果好等优点，适用于可以状态线性化和参数反馈不确定的复杂非线性系统。

末端执行机构抓取控制是为了保证物料抓取时的稳定性与准确性，保证在抓取过程中不破坏物料，不发生掉落。末端执行机构抓取常用的控制方法有神经网络控制、自适应控制等。

神经网络控制是20世纪80年代发展起来的智能控制领域的前沿学科，是人工神经网络理论与控制理论相结合的产物，神经网络控制主要应用在复杂的非线性、不确定系统的控制问题上，可以实现对机器人动力学方程中未知部分的精确逼近，从而实现机器人的高精度跟踪。但当神经网络的层数太多或者算法复杂时工程应用比较困难[123]。

自适应控制是基于数学模型控制方法的一种，当被控对象数学模型在工况改变以后，其动态参数乃至整个数学模型的结构也可能会发生变化，自适应控制能够自动地对数学模型进行补偿，能自动修正系统特性来适应外部环境的变化，是能使系统保持在最优或次优工作状态的控制方法，具有容错能力强、操作简单、语言使用方便等优点，但控制精度和系统动态品质较差、收敛时间慢、控制消耗时间长[124]。

上面所介绍的控制方法，都是比较基础和典型的，但是控制方法本身都存在某些缺陷与不足，已经不适合现在的智能控制要求，国内外学者对这些方法进行了改进与创新。

我国控制方法的创新主要是多种控制方法的融合与改进，模糊算法有着控制设计简单，能应用复杂非线性系统的优点，国内学者将模糊算法与其他控制算法方法进行结合，例如与自适应算法结合，提出自适应模糊控制方法，能减少轨迹误差，提高运动控制精度[125]。与PID算法结合，提出了模糊PID算法，解决了传统PID算法控制精度低、跟踪误差大等缺点[126]，能减小末端执行机构的运动误差[127]；自适应控制具有使系统能保持最优或次优的工作状态的能力，具有自我修正参数的能力，自适应控制与鲁棒控制的结合，解决了鲁棒控制系统的稳态精度较差的问题，使得控制系统具有了暂态和稳态性能好、系统运行平稳、抗干扰能力强、跟踪误差小等优点[128-129]；神经网络控制也同样被应用到其他控制方法之中，神经网络控制与鲁棒控制相结合的神经网络鲁棒控制方法，不仅能保证末端执行机构的精确控制与恒力控制，还对外界振动干扰有明显的抑制效果[130]；神经网络应用到数学模型控制之中，利用改进的神经网络建立机器人的逆运动学模型，可以解决传统方法求解速度慢、计算量大、通用性差等问题[131]，还能降低最大跟踪误差，提高轨迹跟踪精度[132]；神经网络控制、PID控制、模糊控制三者的结合，模糊神经网络PID控制技术，这种控制系统对模型的依赖性小，鲁棒性强，控制精度高，消耗时间少，可以实现路径追踪的自适应调节[133]。

国外的机器人控制和国内相似，也是多种控制方法的融合与创新，例如使用MATLAB与Simscape Multibody等软件对工业机器进行物理建模，辅助提高机器人数学模型的准确性[134]或使用具有积分补偿的模型预测控制方法（MPC-I），该方法补偿了系统匹配不确定性，提高机器人数学模型的准确性[135]。自适应控制与模糊控制、鲁棒控制、PID控制等控制方法进行结合，例如有自适应模糊控制方法，能够提高跟踪控制的正确性和准确性，能够提高对未知环境的动态抗干扰能力[136-137]。有自适应鲁棒控制，它是依据机器人执行机构在任务空间中的机器人动力学，通过结合自适应鲁棒控制规律，对机器人进行运动控制，能够显著降低工业机器人在外部扰动和参数不确定性下的相对跟踪误差[138-139]。还有自适应PID控制，它吸收了自适应控制与PID控制两者的优点。它具备自学习、自适应的能力，能够自动识别被控过程参数，自动整定控制参数，能够适应被控过程参数的变化，又有常规PID控制器结构简单、鲁棒性强、可靠性高的特点[140]。还有自适应神经网络控制，可用于工作环境有干扰的情况，可以实现机器人机械臂精确的输出跟踪并保证机械臂运动与抓取过程的稳定性[141-142]。

1.5 机器人的编程

机器人编程是为使机器人完成某种任务而设置的动作顺序描述，机器人运动和作业的指令都是由程序进行控制，常见的编程方法有示教编程、离线编程和自主编程等三种方法。

示教编程是目前使用最广泛的编程方式，应用范围较广，示教编程按照使用辅助工具的不同可以分为在线示教编程、辅助示教编程两大类。

在线示教编程是指由操作人员通过示教盒进行编程的方法，通过示教盒控制机械手工具末端到达指定的姿态和位置，记录机器人位姿数据并编写机器人运动指令，完成机器人在正常加工中的轨迹规划、位姿等关节数据信息的采集、记录、操作简便直观[143]。

但在高温、高热、高辐射、水下等恶劣工作环境中，编程人员无法进入，在线示教编程无法使用，为了解决上述问题，发展出了借助辅助工具进行在线编程的方法，即辅助示教编程，如激光传感器辅助编程、力觉传感器辅助示教，通过激光反馈信号或力反馈信号来识别工作环境和障碍物，这些方法能提高在恶劣环境中在线编程的精度和可行性，也有学者采用激光视觉和力传感辅助相结合的示教技术，通过激光视觉传感提取特征点作为示教点，再有力传感器进行辨别，不仅提高了识别精度还加快了生产效率。

在线编程方法编程效率低、需要实际的机器人系统与环境、必须停机状态下编程、编程质量受编程人员影响较大，已经不适合现在的生产需要。

离线编程则是采用传感器技术和CAD技术，建立机器人系统模型，对编程结果进行图形仿真检测是否可行，最后将生成的代码传递给机器人控制器控制机器人运行；与在线编程相比，离线编程可以减少机器人停机时间，编程过程较为简单[144]。目前有许多学者将工业机器人的离线编程技术与先进制造技术相结合，将可视化软件与编程软件结合，增加了VR、AR、CAD/CAM等技术的应用，实现了立体化、可视化、虚拟化的编程，能够进行场景的搭建和系统的仿真，提高编程直观性[145-146]。

与示教编程相比，离线编程具有如下优点：提高了工作安全性，减少中途停机时间，应用范围广，便于机器人程序的修改，编程的直观性，编程难度低。离线编程也存在许多问题，离线编程各个环节还是孤立的，没用形成一体化编程，编程环节分散，而且离线编程软件的使用成本较高，使用复杂，所以对于中小型机器人企业用户而言，性价比不高，不能带来实际的经济效益。

自主编程技术是机器人应用外部传感器能够实现工作环境的全方位感知和工件的信息识别，将感知的信息作为输入，通过智能算法进行自动编程的技术。自主编程按照应用传感器的不同，可分为三种：基于激光的自主编程、基于视觉的自主编程、基于多传感器的自主编程[147]。

基于激光的自主编程是将结构光传感器安装在机器人的末端，形成手上有眼的工作方式，通过结构光传感器进行周围环境的识别，实现进行路径的自动规划，实现自主编程；基于视觉的自主编程是利用视觉反馈的来实现机器人路径自主规划，主要原理是在一定条件下，由主控计算机通过视觉相机进行识别，通过优化算法来求出空间轨迹、位置与姿态。实现工业机器人的编程工作；多传感器信息融合自主编程是利用多种高精度传感器，例如视觉传感器、位置传感器、立传感器等构成一个高精度的运动规划系统。该系统集成了位移、力、视觉控制，引入视觉伺服，可以根据传感器反馈信息来执行动作，实现自主实时编程[148]。

自主编程技术是未来机器人编程发展的趋势，自主编程与离线编程和示教编程相比，自动化、智能化程度更高，自适应能力更强，更适合现在的生产需要，搭配先进智能算法，可以将自主编程的效率最大化。

我国的机器人编程技术发展主要还是以离线编程和自主编程为主，离线编程技术可以与CAD/CAM等技术结合，实现可视化、虚拟化的编程，国内将三维设计软件SolidWorks和数字化制造软件DELMIA作为机器人离线编程系统的二次开发平台，缩短了离线编程时间，减少了工作量，为机器人编程工作提供了一种新的高效的方法[149-150]，通过将激光视觉与机器视觉等引入到自主编程系统中，增加自主编程的适应性与可靠性，提高了机器人编程效率，实现机器人编程的自动化与智能化[151-152]。

国外的机器人编程主要也是以离线编程与自主编程为主，将可视化工具包（VTK）应用到工业机器人的离线编程中，可以显示机器人工作系统的三维模型，实现编程可视化，降低了编程的难度[153]。使用Kinect模块，可以实现通过手势与语言命令实现离线编程的可能，为机器人编程开辟了新的方式，并将3D视觉系统应用到工业机器人程序当中，通过3D视觉系统的镜面校正确定机器人的运动偏差，对机器人轨迹与路径数值进行补偿，机器人进行自动参数修正，提高了机器人运动精度[154]。将各种外部传感器应用到机器人自主编程当中，使得机器人能够全方位感知真实环境，构建更精准的环境模型，自动进行工件信息识别，确定工艺参数，大大提高了机器人的自主性和适应性[155]。

2 国内应用现状

我国码垛机器人研发起步较晚，总体水平较国外先进码垛机器人还是有很大的差距，企业的自动化程度较低，国外先进码垛机器人引进和使用较为困难，只有在部分外企或者大型企业，才会大规划使用自动化码垛机器人，使用范围主要包括工业、物流业、农业等，近些年，码垛机器人使用频率正在提高，码垛机器人已经成为企业降低生产成本，提高产品的竞争力的重要部分[156]。

在工业应用方面，主要是实现工业产品生产过程中的码垛和搬运工作，我国这方面的研究较多，比如沈阳新松机器人自动化公司研发的关节型码垛机器人SRM300，为四轴码垛机器人，采用轻量化设计，机械结构紧凑，维护成本较低，耐磨性好，可以同时满足多条生产线末端的码垛任务；埃夫特机器人研发ER180-C204型四轴码垛机器人，重复定位精度达到±0.4 mm，具有高速码垛搬运功能，高速，稳定，适用于码垛、拆垛等场合。

在物流方面，码垛机器人也同样重要，物料的搬运、码垛、分拣都离不开工业机器人，京东的“亚洲一号”无人仓，无论是订单处理能力，还是自动化设备的综合匹配能力，都处于行业领先水平，能够达到这样高的水平，也离不开仓库使用自动化码垛机器人系统的缘故，也有学者针对目前烟草物流中心异型烟采用人工分拣的问题[157]，研发了一套可以自动分捡和包装的全自动异型烟码垛及包装流水线，实现了异形烟码垛难度大，只能人工码垛的难题，大大提高了烟草物流中心的码垛和包装的效率，降低了生产成本。

在农业生产方面，码垛机器人的应用也十分广泛，我国是农牧业大国，也是养殖业大国，饲料加工是养殖业必不可少的一个重要环节，但是饲料加工过程中必然会导致高浓度的粉尘，高浓度粉尘对于工人的身体伤害非常大，在这样恶劣环境中，人工码垛显然已经不适合生产需要，有学者设计了一款全自动码垛机器人代替人工进行饲料码垛作业[158]，极大改善了工人的工作环境，提高了企业的生产效率。

3 国内码垛机器人发展存在的问题及对策

3.1 国内码垛机器人存在的问题

尽管我国近些年码垛机器人的研发水平和相关技术都有了巨大的进步，自主研发也取得了很大的成果，但是还是存在着一些问题需要进行改进，存在着一些技术壁垒需要突破。

（1）智能化程度较低

现在的码垛机器人已经不单单是自动化，已经向着智能化靠拢。随着互联网技术和物联网技术的不断发展，已经对码垛机器人提出了新的要求，在高速生产的节奏下，具有很高的准确度，具有智能保护措施，具有很强的自主适应性。既能够保护工作人员免受伤害，也能保护机器能够平稳、安全地运行，在发生问题后，能自我解决，这是我国码垛机器人所不具备的能力[159]。

（2）核心部件依赖进口

工业机器人的核心零部件有控制器、伺服电机、减速机、传感器等，控制器是机器人的大脑，负责进行数据的处理与计算；伺服电机是工业机器人的动力系统，是机器人的心脏；减速机是连接动力源与执行机构之间的传动机构，可以使得电机传出的转矩提升；传感器就是机器人的眼睛和触觉，负责环境信息的采集。部分核心部件已经实现了国产化，绿的谐波生产的减速器已经广泛应用于工业机器人，打破了国外的垄断，但是部分核心零部件任然无法实现国产化，依旧掌握在国外企业的手中，国内需要进口才可以使用。

（3）智能算法自主研发能力差

智能算法是码垛机器人乃至所有机器人的控制核心，无论是机器人的运动规划、机器人抓取稳定性、机器人程序的编写、多机器人协同等都离不开智能算法，我国的智能算法研究近些年虽然取得了很大的进步，但是相较于国外发达水平，仍有很大的差距，科研人员研究出新的智能算法，在工程实际中应用较少，不适合实际生产环境，导致国内工业机器人只能应用国外已经落地的智能算法，减缓了国内智能算法工程应用化进程。

（4）标准化程度较差

目前国内码垛机器人的设计是根据不同生产需求设计的，用户需求多样，因此设计出的码垛机器人也是多种多样，品种、样式繁多，外观也是各不相同，零部件的质量也很难保证，很难形成一个统一的行业标准，不利于企业的规范化，标准化，后期维修和养护的成本也较高。

3.2 解决的对策

（1）核心零部件国产化

在中国制造2025与中美贸易摩擦的大背景下，国产化替代已经显得极为重要，卡脖子技术将严重制约我国的发展，工业机器人也不例外，将工业机器人核心部件，伺服电机、减速器、控制器、传感器等核心零部件进行国产化替代，将核心技术掌握在自己的手中，才能不受制于他人，才能够实现制造业高质量发展。

（2）加强码垛机器人智能化建设

码垛机器人智能化离不开传感器技术、智能算法等技术的快速发展，只有这些关键技术取得较大的进步，机器人智能化程度才能有所提高，将机器视觉与多传感器技术相结合，搭配智能算法，就可以实现码垛机器人自主环境识别、自主避障、自主定位码垛、自主编程、自主运动规划，实现码垛机器人智能化。

（3）算法优化

优化算法的前提是有算法领域的高技术人才，人才是算法发展的重要动力，我国算法方面的人才严重不足，算法工程师十分稀缺，国家应该大力培养算法技术人才，学习国外先进的算法，进行吸收与发展。高校、科研院所应加强和企业的密切合作，使新技术能够落地成为新的产品，加快技术转换，避免各自为战，发生重复性研究，降低研发效率，随着相关技术人员的增加，我国工业机器人控制算法也会迎来巨大的进步[160]。

（4）构建标准化体系

未来码垛机器人一定会普及到各行各业，因此构建标准化体系是非常重要的，做到零部件和机器的标准化、通用化、模块化，大力发展多功能码垛机器人，只有这样才能降低码垛机器人的生产成本，有利于码垛机器人行业发展，也能降低后期维护和修理成本，码垛机器人制造企业行业也应该信息共享，共同制定行业标准和规范，实现行业的规范化，便于行业管理，便于完善售后体系。

4 总结与展望

本文从码垛机器人的结构优化、末端执行机构设计与优化、码垛机器人的路径规划、轨迹规划、避障规划、多机器人协同规划、机器人运动控制、码垛机器人的编程、码垛机器人国内应用现状以及国内码垛机器人发展存在的问题及相应对策等方面对码垛机器人进行了详细的介绍与说明，总结并提炼出未来的挑战和方向：

码垛机器人智能化是未来的发展趋势，是实现智能制造的基础，但目前码垛机器人的智能化较低，很难满足以后的生产需要，智能化发展离不开其他技术的支持，将多传感器技术与机器视觉技术进行融合，提高机器人的环境感知与障碍物识别能力，提高自适应性是未来机器人智能化的关键技术。

码垛机器人的运动控制与编程都和算法息息相关，随着智能算法的引入，码垛机器人的运动规划与编程等都有了巨大的进步，但是每种智能算法都有局限性，因此智能算法的结合可能会是未来的发展趋势，通过算法的结合使用，能够取长补短，最大限度地发挥各个算法的优势，实现效率最大化。

码垛机器人的功能会随着生产种类的变换而发生改变，单一码垛功能的码垛机器人将会被淘汰，搭配柔性机械手、仿生机械手的码垛机器人将会是未来的发展方向，码垛机器人会朝多功能、适应性强、集成化、模块化的方向发展和创新，用来适应新的生产要求与生产环境。

随着码垛机器人应用场景的多样化，虚拟增强、图像处理、机器视觉等智能技术的发展，码垛机器人与人的人机交互性会有较大的提高，越来越人性化、智能化，可以通过传感器与视觉融合技术，辨别和判断机器人与人在接触之前的状态，避免发生碰撞，可以通过虚拟增强技术与5G技术，实现码垛机器人远程控制与编程，在高温高湿等环境中避免对人员造成伤害，提高生产安全性。