用于机器人增材制造工艺规划的基于运动学的代理人工智能

机器人增材制造 (AM) 将材料挤出打印扩展到龙门运动学之外，但使工艺规划依赖于机器人。在零件坐标中看似有利的切片机生成的计划在机械臂上可能变得不可行或在机器人上不利，因为切片机过程决策和零件方向决定了生成的路径，而零件方向和工作空间放置影响其运动学实现。现有的 AM 工具、基于大语言模型 (LLM) 的决策支持方法和数字影子系统不提供这些耦合决策的集成预执行评估。本文介绍了代理机器人增材制造 (A-RAM)，这是一种代理专家工具框架，可将用户意图和零件文件转换为可跟踪、可执行的计划。大语言模型解释制造目标和约束，识别规定的和可搜索的计划变量，并将这种推理编码在模式约束的请求中；确定性规划代理实例化相应的搜索工作流程，而领域工具则计算切片、放置、逆运动学、轨迹定时、Joint-6 急动度和挤压的定量证据。该框架在六轴机械臂增材制造单元上通过三个案例研究进行评估，涵盖专家指定的规划、仅目标规划、目标相关的填充筛选和几何相关的方向放置选择。在评估的候选集中，与最不有利的有效候选方案相比，所选计划的最大关节 6 冲击力降低了 53.5%，平均绝对关节 6 冲击力降低了 48.3%，而特定目标的填充筛选使运动计划完成时间比相应的最不利的筛选模式缩短了 40.1%，挤出路径缩短了 12.7%。