В статье предложен метод переналадки мобильных компонентов роботизированного технологического комплекса в условиях многономенклатурного мелкосерийного производства. Целью исследования является разработка системы двухуровневого планирования перемещений мобильного промышленного робота, обеспечивающей его интеграцию с производственным центром для формирования роботизированного технологического комплекса, что позволит оперативно адаптировать производственную систему. Метод сочетает в себе верхнеуровневое планирование, ориентированное на согласование логистики перемещений промышленного робота с общим производственным расписанием, и низкоуровневое, целью которого является обеспечение точного пространственно-временного позиционирования робота в зоне интеграции с производственным центром. Для повышения эффективности поиска траекторий перемещения в зоне интеграции в условиях динамически изменяющейся среды предложено использовать адаптированный алгоритм A* с нейросетевой эвристикой на основе графовой нейронной сети. Приведена архитектура взаимодействия уровней планирования, реализованная с использованием воксельной модели рабочего пространства и системы ROS. Результаты, полученные в ходе экспериментов, демонстрируют преимущество предложенного метода применительно к задачам переналадки роботизированных технологических комплексов. В результате применения предлагаемого метода были достигнуты сокращение времени перепланирования, уменьшение количества перестроений маршрута и сокращение его общей длины по сравнению с методами, основанными на классическом алгоритме A*.
The article proposes a method for reconfiguring mobile components of a robotic technological complex under the conditions of multi-item, small-batch production. The aim of the research is to develop a two-level planning system for movements of a mobile industrial robot, ensuring its integration with a machining center to form a robotic technological complex, thereby enabling rapid adaptation of the production system. The method combines high-level planning, focused on the logistical coordination of robot movements with the overall production schedule, and low-level planning, aimed at precise spatial-temporal positioning of the robot in the integration zone with the machining center. To improve pathfinding efficiency in dynamically changing conditions within the integration zone, an adapted A* algorithm with a neural network heuristic based on a graph neural network is proposed. An architecture of interaction between the planning levels, implemented using a voxel-based workspace model and the Robot Operating System (ROS), is presented. Experimental results demonstrate the advantages of the proposed method for robotic technological complex reconfiguration tasks, showing reduced replanning time, fewer path recalculations, and shorter overall path length compared to methods based on the classical A* algorithm.
1. Can Pu., Chuanyu Yang., Jinnian Pu., Robert B. Fisher. A General Mobile Manipulator Automation Framework for Flexible Manufacturing in Hostile Industrial Environments // arXiv preprint arXiv:2302.04486. 2023. DOI: 10.48550/arXiv.2302.04486.
2. Баланев Н.В., Янов Р.А. Анализ факторов, влияющих на точность позиционирования промышленного робота и методы обеспечения заданной точности // Достижения науки и образования. 2016. №1 (2). URL: https://scienceproblems.ru/analiz-faktorov-vlijajushchih-na-tochnost.html (дата обращения: 11.02.2025).
3. Сазонникова Н.А., Илюхин В.Н., Сурудин С.В., Мезенцев Д.А. Повышение точности перемещений промышленного робота в процессе инкрементального формообразования // Вестник Самарского университета. Аэрокосмическая техника, технологии и машиностроение. 2024. Т. 23. № 2. С. 143–156. DOI: 10.18287/2541-7533-2024-23-2-143-156.
4. Inoue S., Urata A., Kodama T., Huwer T., Maruyama Y., Fujita S., Shinno H., Yoshioka H. High-Precision Mobile Robotic Manipulator for Reconfigurable Manufacturing Systems // International Journal of Automation Technology. 2021. Vol. 15. № 5. P. 651–660. DOI: 10.20965/ijat.2021.p0651.
5. Valero F., Diaz-Rodriguez M., Valles M., Besa A., Bernabeu E., Valera A. Reconfiguration of a Parallel Kinematic Manipulator with 2T2R Motions for Avoiding Singularities through Minimizing Actuator Forces // arXiv preprint arXiv:2401.08191. 2024. DOI: 10.48550/arXiv.2401.08191.
6. Becker M., Caspers P., Hattendorf T., Lilge T., Haddadin S., Müller M.A. Informed Circular Fields for Global Reactive Obstacle Avoidance of Robotic Manipulators // arXiv preprint arXiv:2212.05815. 2023. DOI: 10.48550/arXiv.2212.05815.
7. Engemann H., Du S., Kallweit S., Cönen P., Dawar H. OMNIVIL–An Autonomous Mobile Manipulator for Flexible Production // Sensors. 2020. Vol. 20. № 24. Article 7249. DOI: 10.3390/s20247249.
8. Feng S., Liu Y., Pressgrove I., Ben-Tzvi P. Autonomous Alignment and Docking Control for a Self-Reconfigurable Modular Mobile Robotic System // Robotics. 2024. Vol. 13. № 5. Article 81. DOI: 10.3390/robotics13050081.
9. Jeong I., Jang Y., Park J., Cho Y. Motion Planning of Mobile Robots for Autonomous Navigation on Uneven Ground Surfaces // Journal of Computing in Civil Engineering. 2021. Vol. 35. № 3. DOI: 10.1061/(ASCE)CP.1943-5487.0000963.
10. Liu Y., Wang S., Xie Y., Xiong T., Wu M. A Review of Sensing Technologies for Indoor Autonomous Mobile Robots // Sensors. 2024. Vol. 24. № 4. Article 1222. DOI: 10.3390/s24041222.
11. Pankert J., Valsecchi G., Baret D., Zehnder J., Pietrasik L.L., Bjelonic M., Hutter M. Design and Motion Planning for a Reconfigurable Robotic Base // arXiv preprint arXiv:2206.15298. 2022. DOI: 10.48550/arXiv.2206.15298.
12. Холопов В.А. , Макаров М.А., Благовещенский И.Г. Метод согласования систем координат компонентов в РТК на основе машинного зрения // Информационные и математические технологии в науке и управлении, 2024. № 4 (36). С. 26-36. DOI: 10.25729/ESI.2024.36.4.003.
13. Холопов В.А., Макаров М.А., Кладов А.С. Метод определения траектории робота-манипулятора в роботизированных технологических комплексах с учетом временных ограничений // Современные наукоемкие технологии. 2024. № 12. С. 113-121. DOI: 10.17513/snt.40251. EDN XTHXLP.
14. Tan J., Luo Y., Li J., Ma H. Benchmarking Large Neighborhood Search for Multi-Agent Path Finding // arXiv preprint arXiv:2407.09451v1. 2024. DOI: 10.48550/arXiv.2407.09451.
15. Cordonnier J.-B., Loukas A. Extrapolating Paths with Graph Neural Networks // arXiv preprint arXiv:1903.07518v1. 2019. DOI: 10.48550/arXiv.1903.07518.
16. Michel G., Nikolentzos G., Lutzeyer J., Vazirgiannis M. Path Neural Networks: Expressive and Accurate Graph Neural Networks // arXiv preprint arXiv:2306.05955v1. 2023. DOI: 10.48550/arXiv.2306.05955.