Trajectory Optimization for Collision-Aware Redundant Robotic Multi-Axis Additive Manufacturing by Constrained Gradient Projection
作者: Zhikai Shen, Jiasheng Qu, Chenyu Xu, Zhuo Huang, Chengkai Dai, Yongzhe Li, Guoxin Fang
分类: cs.RO, cs.CG, cs.GR
发布日期: 2026-06-29
💡 一句话要点
提出基于约束梯度投影的轨迹优化方法以解决多轴增材制造中的碰撞问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 轨迹优化 增材制造 碰撞感知 冗余机器人 相对运动学 可微分模型 制造几何 自动化技术
📋 核心要点
- 现有的轨迹优化方法在处理冗余机器人多轴增材制造时，难以满足严格的沉积位置和碰撞约束。
- 本文提出了一种基于相对雅可比和可微分SDF的碰撞模型，通过迭代投影实现碰撞感知的轨迹优化。
- 实验结果显示，该方法在喷嘴位置误差、关节冲击和碰撞违规方面均有显著改善，并实现了速度提升。
📝 摘要（中文）
冗余机器人多轴增材制造（MAAM）能够实现无支撑和符合形状的制造，但在严格的沉积位置约束和时变碰撞约束下，长时间路径的轨迹优化仍然具有挑战性。本研究提出了一种针对冗余机器人MAAM的碰撞感知轨迹优化计算框架。我们首先利用相对雅可比矩阵构建喷嘴与工件的相对运动学模型，并开发了一种基于可微分SDF的碰撞模型，以捕捉制造引起的几何演变并提供优化梯度。通过迭代投影到自运动流形上，将沉积位置作为硬约束强制执行。实验表明，该方法在8自由度的机器人MAAM平台上实现了平均喷嘴位置误差低于10μm，最大关节冲击减少了77.6%，并消除了所有采样的碰撞和方向违规现象。
🔬 方法详解
问题定义：本研究旨在解决冗余机器人多轴增材制造中的轨迹优化问题，特别是在严格的沉积位置和时变碰撞约束下，现有方法往往无法有效处理长时间路径的优化。
核心思路：论文提出了一种基于相对雅可比的运动学模型和可微分SDF的碰撞模型，利用迭代投影方法将沉积位置作为硬约束，从而实现碰撞感知的轨迹优化。
技术框架：整体架构包括相对运动学建模、碰撞模型开发、优化过程中的约束处理以及最终的轨迹生成。主要模块包括相对雅可比计算、SDF碰撞检测和梯度优化。
关键创新：最重要的技术创新在于提出了一种新的可微分SDF碰撞模型，能够有效捕捉制造过程中几何的演变，并提供优化所需的梯度信息，这与现有方法的静态碰撞检测有本质区别。
关键设计：在参数设置上，采用了迭代投影算法来处理沉积位置约束，损失函数设计为结合了位置误差和碰撞惩罚的复合损失，确保优化过程中的平滑性和安全性。具体的网络结构和优化算法细节在论文中进行了详细描述。
🖼️ 关键图片
📊 实验亮点
实验结果显示，该方法在8自由度的机器人MAAM平台上，喷嘴位置误差保持在10μm以下，最大关节冲击减少了77.6%，并且消除了所有碰撞和方向违规现象。与基于SQP的基线相比，速度提升达到10.2倍，收敛性也得到了改善。
🎯 应用场景
该研究的潜在应用领域包括高精度增材制造、复杂几何结构的打印以及机器人自动化等。通过实现更高效的轨迹优化，该方法能够在实际制造中减少错误和提高生产效率，未来可能对工业制造和3D打印技术产生深远影响。
📄 摘要（原文）
Redundant robotic multi-axis additive manufacturing (MAAM) enables support-free and conformal fabrication, but trajectory optimization for long-horizon paths remains challenging under strict deposition-position constraints and time-varying collision constraints. This work proposes a computational framework for collision-aware trajectory optimization in redundant robotic MAAM. We first formulate nozzle-workpiece relative kinematics using a relative Jacobian, and develop a differentiable SDF-based collision model that captures fabrication-induced geometry evolution and provides optimization gradients. The deposition position is then enforced as a hard waypoint-wise equality constraint through iterative projection onto the self-motion manifold, with the loss gradient restricted to the corresponding tangent space. Experiments on an 8-DOF robotic MAAM platform with diverse long-horizon support-free and conformal toolpaths show that our method maintains a mean nozzle-position error below 10μm, reduces maximum joint jerk by up to $77.6\%$, and eliminates all sampled collision and orientation violations. Compared with the SQP-based baseline, it achieves up to a 10.2x speedup and improved convergence. Physical fabrication experiments further verify that the resulting smooth, collision-free trajectories enable successful printing of complex geometries with fewer visible deposition artifacts.