从零开始的分解:一种以物体为中心的方法,用于实现机器人自主分解,且无需任何接触或干涉信息

《JOURNAL OF MANUFACTURING SYSTEMS》:Disassembly from scratch: An object-centric approach for robotic autonomous disassembly with zero contact/interference information

【字体: 大 中 小 】 时间:2025年12月22日 来源:JOURNAL OF MANUFACTURING SYSTEMS 14.2

编辑推荐:

  岳藏|徐西亚珍|蓝菲英|张永泉|段华宇|马可·查辛|法尔扎内·戈利|罗杰·迪克森|阿米尔·M·哈吉亚万德|王永静 伯明翰大学工程学院,英国伯明翰B15 2TT **摘要** 拆解对于循环经济至关重要,但由于报废产品(如腐蚀、生锈和零件缺失)的固有不确定性,使其自动化

  岳藏|徐西亚珍|蓝菲英|张永泉|段华宇|马可·查辛|法尔扎内·戈利|罗杰·迪克森|阿米尔·M·哈吉亚万德|王永静
伯明翰大学工程学院,英国伯明翰B15 2TT

**摘要**
拆解对于循环经济至关重要,但由于报废产品(如腐蚀、生锈和零件缺失)的固有不确定性,使其自动化仍然具有挑战性。机器人化拆解的一个关键难题是缺乏或信息不准确的干扰数据(例如组件之间的空间关系和组装方法)。为了解决这一核心问题,本文提出了一种以对象为中心的拆解(OCD)框架,使机器人能够根据不断变化的条件动态适应,而无需预先了解组件之间的接触或干扰情况。在此框架中,构建了一个OCD模型,其中单个拆解任务及其相关条件被表示为模块化单元,并通过自主探索进行持续细化。该框架的性能通过集成智能感知、规划和执行模块的机器人平台在不确定环境中进行评估。实验结果表明,所提出的方法提高了机器人拆解的灵活性和适应性。我们的方法和这种新能力使拆解机器人能够有效应对现实世界中的不确定性,从而消除了对预先定义的干扰数据的需求。

**1. 引言**
机器人拆解是再制造行业中的关键过程,旨在通过系统检查、拆解、翻新和重新组装将报废产品恢复到功能齐全或接近原始状态[1]。作为循环经济的基石,再制造延长了产品寿命,减少了材料浪费,并促进了可持续的资源利用[2]。随着再制造操作的规模和复杂性的增加,业界迫切需要能够在拆解任务中实现高度自动化的先进机器人系统[3]。然而,当前机器人拆解的自动化水平仍然有限。这一限制主要归因于报废产品的变异性和固有不确定性[4],这对开发稳健的完全自动化拆解过程构成了重大挑战。因此,解决这些不确定性已成为机器人拆解领域一个持续且根本的研究问题。

在传统的拆解操作中,拆解计划通常由人工操作员根据报废产品的观察状态和组件之间的干扰关系来确定。拆解序列规划(DSP)已成为一个重要的研究领域,旨在为报废产品确定最优拆解策略[5]。在这方面,遗传算法(GA)等智能优化算法已被证明可以显著提升规划性能[6]。尽管取得了显著进展,但报废产品的高多变性和固有不确定性仍然对DSP构成重大挑战,使得灵活的DSP方法对于适应不同的产品条件和不可预见的部件交互至关重要。然而,这方面的研究仍然零散,大多数研究局限于特定产品类别或高度简化的环境,限制了其发现在不同拆解场景中的适用性[7]。因此,仍然缺乏一个能够将这些分散的努力统一成一个连贯且广泛适用的方法的综合性概念框架。为了解决这些限制,研究人员探索了实时更新拆解序列的重新规划方案以及在不确定条件下逐步细化计划的迭代拆解模型[8]。然而,这些方法在实际应用中的可行性往往有限。

传统的DSP方法严重依赖于对报废产品的预先了解,特别是详细的部件间接触和干扰信息。这些信息通常以矩阵或基于图的拆解模型的形式表示[9]。实际上,报废产品的状态往往与其原始状态大相径庭,使得这些传统模型在处理不确定性方面效果不佳[8]。最近的人工智能(AI)进展显著提升了机器人的能力,不仅在灵活操控单个部件方面,还在在线决策和自适应规划方面[10],从而为在不确定和动态条件下的拆解创造了新的机会。虽然在许多工业拆解场景中人机协作仍然至关重要,但本研究侧重于实现完全自主作为基础能力。建立一个自主拆解框架使机器人能够在未知或不确定的条件下独立操作,为未来向协作或人机监督系统的扩展奠定了基础。

为了进一步提升这些基于AI的能力,本文提出了一种面向机器人的以对象为中心的拆解(OCD)框架。在这种方法中,机器人识别拆解对象并在动态环境中生成拆解技能。通过结合与每个拆解对象相关的先决条件和终止状态,系统生成了部件环境状态的动态表示,这构成了OCD模型。重要的是,该模型可以通过物理探索自主获取并在线持续更新,从而使机器人能够在不了解部件间接触或干扰的情况下细化其拆解策略并适应不可预见的场景。

本文的其余部分组织如下:第2节回顾了在柔性环境中进行机器人拆解的现有研究,为本工作奠定了背景。在此基础上,第3节介绍了所提出的OCD框架,定义了OCD模型,并解释了其如何演化以表示拆解场景。第4节讨论了在该框架内实现自我建模和自主拆解的方法,并通过仿真进行了进一步验证。第5节展示了为机器人自主OCD开发的实际实验平台,而第6节报告了相应的结果和评估。

本文的主要贡献如下:
1) 提出了一个OCD模型,作为机器人自主拆解新框架的核心组成部分,其特点是能够根据实际拆解条件不断演化。
2) 在OCD框架内,开发了一种策略,使机器人能够在不依赖预先接触或干扰信息的情况下进行自我建模和自主拆解。
3) 构建了一个实际实验平台来验证所提出的方法,证明了机器人自主拆解的可行性及其在实际操作条件下的适应性。

**2. 相关工作**
机器人拆解可以被视为高级策略与机器人操作任务执行的结合[11]。现有研究主要集中在高级策略规划上,如DSP。大多数当前的DSP方法依赖于预先存在的产品信息,包括部件间关系和拆解优先级[12]。这些信息必须以结构化格式表示,以便进行基于规则或算法的规划[13],常见的表示方式包括基于图的[12]、基于矩阵的[14]、基于Petri网的[15]和基于CAD的模型[16]。然而,实际上,报废产品的状态往往与其初始状态大相径庭,使得仅凭产品信息难以自动构建准确的拆解模型[12]。因此,实现自主拆解需要机器人能够对这些不确定性做出快速响应[17]。ElSayed等人[18]提出了一种使用遗传算法(GA)的在线决策过程来生成机器人拆解计划,但该方法在发生故障时缺乏快速重新规划的能力。Laili等人[8]引入了一种结合双指针检测策略和超快蜜蜂算法的重新规划方法,以快速识别可拆解的部件。Ye等人[19]提出了一种模糊动态建模方法并结合迭代重新规划,而Zhao等人[20]引入了强化学习(RL)来优化报废产品结构不确定性下的拆解序列。然而,这些方法仍局限于序列级别的适应,其他研究则致力于更一般的自主性提升。

例如,Ebinger等人[21]提出了一种通用DSP框架,可以适应多种拆解模式并通过碰撞信号识别子组件。同时,基于AI的方法,特别是RL,已被用于增强机器人拆解技能并提高泛化能力。通过数据库仿真实现了PCB上紧固件连接的自主拆解动作生成,以克服与紧固件相关的不确定性[22]。进一步的研究在仿真中模拟了机器人螺丝驱动[23],实现了不同精度要求任务之间的技能转移[24],并开发了用于在不同结构配置的任务之间传输技能的基于RL的框架[25]。

在机器人的其他领域,已经通过结合基于约束的规划和智能算法实现了自主性,许多服务机器人也在实践中展示了这种能力。代表性的例子包括机器人放置[26]、烹饪[27]、剥皮[28]和切割[29]。相比之下,机器人拆解是一项富含接触的任务[30],其中运动规划必须强调操作策略而不仅仅是简单的轨迹生成。因此,提出了自主拆解的概念[31],强调了机器人需要生成适应特定任务约束的行为。还提出了通过物理探索来识别解锁过程和改善规划结果的方法[32]。在相关领域,如建筑领域,已经使用基于建筑信息模型(BIM)的方法来定义模型并在仿真中生成计划[33]。然而,对于一般的机器人拆解,仍缺少能够处理未知环境的自主方法。

**3. 机器人OCD**
传统的拆解方法依赖于预先定义的全局规划,这限制了在动态环境中的适应性。随着机器人感知技术的进步和机器人操作灵活性的提高,引入了一个OCD框架。在这个框架下,系统将待移除的部件视为当前目标,并通过结合动态感知、在线规划和自适应执行,自主地将相应的组件从报废产品中分离出来。

**3.1. 框架概述**
OCD框架将拆解从计算单一全局序列转变为对对象级单元的推理。在任何时候,都会选择一个目标,然后在线合成适当的技能,并根据观察到的结果反馈来更新内部表示。图1总结了目标选择、技能合成、执行和结果反馈持续进行的概念闭环。

与依赖全局序列规划的传统方法不同,整个任务被表示为一组拆解对象,每个对象表示报废产品中的一个可行单元。每个对象由任务、其依赖关系和终止条件指定。一个任务可能出现在具有不同依赖关系或终止状态的多个对象中。依赖关系作为先决条件,并根据其他对象的结果进行修订。这种基于对象的抽象无需计算完整的全局计划,从而提高了灵活性。

**3.2. 拆解模型**
传统的机器人拆解模型通常使用矩阵或基于图的形式主义来编码产品结构和可用技能,重点关注部件间的关系(如接触和干扰[6]。由于报废产品的实际状态往往与其设计状态不同,因此显式的独立干扰信息建模变得不精确且难以泛化。为了解决这一限制,在OCD框架中引入了一种机器人拆解模型。在这种方法中,报废产品被表示为一个无序的、可变的、索引化的拆解对象集合,它们共同构成了一个灵活的容器模型。对象状态通过键值机制检索并迭代更新,从而实现自动拆解和在线自我建模。这种表述允许系统动态适应策略,并提高对不确定性的鲁棒性。

机器人拆解模型表示为π,定义为拆解对象Oi的集合:
(1)
π = Oi = Ti, Di, Pi, ci
O | i = 0, 1, 2, …, n

每个Oi由四个元素组成,其中Ti表示要执行的拆解任务,Di表示表示完成的终止状态,Pi表示包含先决任务的依赖关系集,ciO表示表示稳定性的可靠性系数。实际上,任务和终止状态可以通过标识符进行索引,依赖关系可以组织在列表或矩阵中以捕获关系约束,而系数提供了置信度的定量度量。

为了确保唯一性,任务和终止标识符的组合明确了每个对象的定义:
(2)
? m, n:
Tm = Tn ∧ Dm = Dn ? m = n

从机器人的角度出发,要执行的拆解任务是一个实例,而不是部件本身。键T中的值不仅表示报废产品中的部件,还指示机器人执行一步拆解操作。因此,idj包含部件的标识信息id及其拆解技能信息s。
(3)
Ti = idj, sj | idj ∈ ID, sj ∈ Φ
其中idj是拆解对象的唯一标识符,包括标签、抓取参考等信息;sj是执行目标所需的拆解技能,由机器人及其设备保留。ID是机器人可以识别的唯一标识符集合;Φ是机器人可以执行的全部技能的集合。

作为OCD模型,拆解过程中存在的干扰信息(即包含不确定性的接触和干扰)以依赖关系的形式存储。这是任务执行的前提条件。依赖性Pi表示为一组前置任务,表达如下:(4)Pi=Tj,cjP|j=0,1,2,…,n,其中cjP是此依赖性列表中任务的可靠性系数。在自主操作期间,模型将感知证据映射到其内部元素,并发出相应的拆卸操作。其语义遵循Hoare逻辑[34]。Hoare三元组表达如下:(5)PTD。由于环境的可变性,对象可以在线添加或更新,ciO和cjP都会根据历史结果进行调整。这些值作为优先级指示器,以便区分持久变化和短暂波动。

3.3. 模型演化和信心更新
OCD模型在交互过程中收集证据时在线演化。在可变性下,它会优先考虑可靠的拆卸对象及其执行的可靠前提条件,这些通过信心分数ciO和cjP来量化。相应的更新循环如图2所示,它链接了感知、对象实例化、依赖性修订和优先级重新评估。当首次检测到某个部件并且尝试成功时,相应的对象被实例化,并将其前提任务插入到依赖性集合中。后续观察可能会引入新对象或修改重复任务的依赖性。在适当的情况下,仍然可以进行手动初始化或修改。

下载:下载高分辨率图像(144KB)
下载:下载全尺寸图像
图2. OCD模型运行示意图。

评分方案有两个目的。对象分数ciO编码了执行优先级,以便规划器首先处理最必要的部件。依赖性分数cjP量化了前提条件的必要性,从而仅保留最需要的依赖性,同时保留较小的探索概率以测试列出的依赖性是否真正需要。模型更新在单个拆卸对象的层面上进行,并一致地结合了常规执行和探索性试验的证据。系统逐步更新一个信心分数c∈0,1,以反映对象或依赖性在多轮自主探索中的可靠性和必要性。每次观察对象或依赖性后,信心使用以下公式更新:(6)cn=11+Knγ,其中n是该实体被观察到的累积次数。K>0是增长缩放常数,控制曲线的拐点。γ>1决定了函数从低信心到高信心过渡的激烈程度。

为了反映OCD模型的准确性,系统会惩罚那些高度不稳定的或最近消失的对象或依赖性。为了反映候选参数的时间稳定性,原始计数n会增加一个指数衰减的记忆项ne:(7)net=net?1+1,如果观察到;否则net=net?1,如果未观察到。其中λ∈0,1是一个遗忘因子。最终信心计算如下:(8)cf=cnnen。可以通过领域专业知识或手动注释注入先验知识。通过反向工程虚拟观察计数n0来实现预设的初始信心c0:(9)n0=Kc01?c01/γ。

典型的探索轨迹考虑了在第一轮中添加并在后续轮次中观察到的对象或依赖性。图3说明了参数K、γ和λ对评分行为的影响,并展示了当对象在个别轮次中未执行或依赖性在操作中未被使用时遗忘过程。

信心积累起初是有意保守的,并且随着证据的增长而增强,这有助于避免因罕见或偶然的早期成功而产生的过度信心。受控的探索概率通过反证据揭示虚假依赖性并支持它们的移除,同时保留真正的先决条件。对象保持独立性,使模型结构清晰且易于扩展,新对象可以在线引入,并且它们的信心可以迭代更新。这种机制对于现实世界中的机器人拆卸特别相关,因为不确定的交互和不完整的先验知识很常见。通过确保谨慎但适应性的信心更新,它有助于在物理平台上进行可靠的决策,并能适应短暂干扰和长期变化。

4. 机器人OCD中的自我建模和自主拆卸
为了在机器人平台内实现OCD框架,必须将拆卸对象、技能、依赖性和终止条件等关键模型组件实例化为系统可执行的形式。本章在单臂仿真平台上介绍了它们的实现,该平台作为基于模型的机器人拆卸后续评估的操作基础。在这种情况下检查了两种互补的能力。第一种能力探讨了通过物理交互构建和迭代细化OCD模型,而不依赖于先前的结构信息。这一过程展示了系统在高度不确定和非结构化条件下自主获取和更新拆卸知识的能力。第二种能力侧重于交错执行和建模策略,其中机器人交替使用现有模型和根据新遇到的结果更新模型。这种策略旨在支持在涉及未知干扰或演变环境的拆卸场景中的操作。这些能力共同表明,OCD框架使机器人系统能够在复杂的拆卸任务中实现适应性和鲁棒性。

4.1. 在机器人系统中实现OCD模型组件
为了在机器人系统中实现OCD框架,必须将拆卸对象、任务技能和终止条件等抽象元素实例化为与系统级执行兼容的形式。本节介绍了将这些组件映射到单臂仿真平台上的方法,从而为包括自我建模和自主任务执行在内的后续过程建立了操作基础。使用基于CAD的模型构建了三个代表性案例,每个案例都具有不同的机械结构和部件配置。如图4(a)所示,选定的场景包括一个修改后的机械组装、一个简化阀门系统和一个经典的基准产品。仿真环境(PyBullet)包括一个进行拆卸操作的执行区域和一个用于存储已成功移除的组件的收集区域,如图4(b)所示。

下载:下载高分辨率图像(205KB)
下载:下载全尺寸图像
图4. (a) 仿真案例的3D模型。案例1是一个修改后的组装案例[35]。案例2是一个简化的阀门。案例3是一个简化的经典拆卸产品[8]。(b) OCD的仿真拆卸场景。(c) OCD的预编程动作。

通过仿真环境中的视觉传感器实现部件识别,每个部件都有一个唯一的id,包括标签名称、抓取配置和空间位置。所有可检测的部件都存储在部件库ID中。为了降低拆卸操作的复杂性,所有案例都采用了两指夹持器。实现了两种抓取策略:S0用于直接拉动,S1用于旋转拉动。拆卸技能进一步根据笛卡尔方向定义,形成技能库:(10)Φ1=S0x+,S0y+,S0z+,S0x?,S0y?,S0z?;(11)Φ2=S0x+,S0y+,S0z+,S0x?,S0y?,S0z?,S1x+,S1y+,S1z+,S1x?,S1y?,S1z?。为了在OCD框架内正式化机器人操作,定义了五个动作谓词:RESET、POSITIONING、GRASPING、DISASSEMBLY和PLACE。这些谓词构建了操控序列,并在图4(c)中进行了可视化说明。RESET动作确保安全返回初始状态。POSITIONING将夹持器移动到标准预抓取姿势。GRASPING和DISASSEMBLY执行核心操控技能。PLACE谓词将成功移除的部件放置到收集区域。每个谓词都包含操作变量和目标条件。输入参数包括?p和?d,它们根据视觉观察定义部件的平面坐标和高度,以及?s,它代表从活动技能库中选择的拆卸技能。基于传感器的条件决定了每个动作的成功:c?表示是否发生了碰撞,基于力反馈;g?通过夹持器状态评估抓取是否成功;ds?通过监控部件的位移来确定拆卸是否成功。

在这个仿真平台中,只有当ds?满足时,才认为拆卸过程完成。此条件触发终止状态D,它是OCD模型中成功对象级拆卸的唯一和决定性指标。

4.2. 通过物理探索进行自我建模
在仿真环境中,机器人通过与未知组件的交互进行物理探索,并通过尝试执行和结果评估来启动这一过程。这使得系统能够基于直接的感官反馈和拆卸结果迭代构建OCD模型,而不依赖于先前的结构信息。如图5所示,机器人从场景中选择一个对象,从内部库中采样一个候选技能,并尝试拆卸。结果由感知模块判断,如果满足终止条件,则在模型中更新拆卸对象;否则,系统继续探索。

下载:下载高分辨率图像(252KB)
下载:下载全尺寸图像
图5. 机器人OCD中的物理探索过程。

这种迭代交互使机器人系统能够在OCD框架下自主构建其拆卸模型。每次成功的拆卸操作都会贡献一个新的拆卸对象,相关的依赖性通过重复试验逐渐被发现。为了进一步展示系统的能力,我们设计了一个特定的测试,其中OCD模型是从零开始构建的,没有任何预定义的对象、技能或依赖性。这个过程用于评估机器人在未知环境中是否能够仅通过物理交互逐步形成一个有效的拆卸模型。算法1总结了这一迭代过程,其中OCD模型根据观察到的任务执行结果逐步更新。

算法1
从零开始通过机器人物理探索进行自我建模

如图4(a)所示,案例1使用技能库Φ0,而案例2和3采用扩展的Φ1。每个场景包括一个固定部件(用红色标记)。一旦所有其他部件都成功移除并且只有固定部件留在视觉场景中,则认为拆卸任务完成。相反,如果场景刷新并且相同的部件仍然可见,并且所有适用的技能都尝试过但未成功,则认为拆卸不成功。生成的拆卸模型存储在可执行的XML格式中,可以直接在仿真或真实世界环境中部署。所有实验都使用固定超参数进行:γ=3,K=15和λ=0.9。案例2的最终拆卸模型作为示例在附录的图18中展示。三个案例的完整模型输出在附录的表VII中提供。

与手动编码的模型相比,从零开始的建模过程由于随机探索而表现出固有的随机性。正如先前的研究[21]所强调的,更广泛的技能搜索和更多的采样对于确保模型完整性至关重要。为了进一步分析探索策略如何影响建模性能,我们比较了三种不同的方法,结果如表I所示:
1) 自然探索:遵循算法1和图5中的标准循环,其中场景中的部件ids在每次成功拆卸后更新。
2) 限制探索:将每个部件id限制为其匹配的第一个技能,并在步骤10中禁用进一步的技能选择。
3) 广度优先探索:每次成功拆卸后,场景中的部件ids重置回其原始状态,直到每个id的所有技能选项都耗尽。

表I. 三种探索方法中对象数量和建模时间的比较。
探索方法 对象数量 建模时间(秒)
自然探索 12 31
限制探索 8 14
宽度优先探索 16 16

表I的结果揭示了探索广度和效率之间的权衡。宽度优先探索实现了最完整的模型覆盖范围,以生成的拆卸对象数量来衡量,但代价是建模时间显著增加。相比之下,限制探索提高了效率,但产生的模型不太全面。在现实世界应用中,拆卸技能通常与特定部件紧密相关(例如,拧紧螺丝),这表明适当受限的技能库可能有助于在模型完整性和操作效率之间取得平衡。这些结果在图6中进一步说明,该图可视化了三种探索方法在不同案例中的平均对象数量和平均建模时间。

4.3. 交错执行-建模的机器人拆卸策略
为了应对机器人拆卸任务中经常出现的不确定性,在OCD框架内提出了一种交错执行-建模策略。如图7所示,这种策略使机器人能够根据当前的OCD模型执行拆卸,同时保持探索能力以适应任务进展中的意外情况。交错执行建模机器人拆卸策略的框架。整个框架由三个关键模块组成:感知、规划和执行。感知模块持续监控拆卸现场并评估执行动作的结果。规划模块解读感知结果,动态更新OCD模型,并生成下一组拆卸对象。执行模块以两种模式运行:一种用于执行当前计划定义的对象,另一种用于探索未建模或失败的对象,以支持模型的持续改进。这种交错方法为机器人系统提供了一种自给自足地处理模型级不确定性的机制。机器人通过物理交互动态调整OCD表示,而不是依赖静态任务模型,从而能够适应不断变化的任务场景。在仿真环境中引入了四种代表性的不确定性类型来评估这一能力:缺失部件(MP)、多余部件(EP)、子组件(SA)和接触/干涉信息的变化(CII),如图8所示。这些条件模拟了无法通过固定任务模型预测的结构变异性。

为了评估适应性,考虑了两种能够处理任务级不确定性的代表性基线:(1)基于RL [20]的多层次选择性拆卸混合图模型(HGM),以及(2)用于拆卸序列规划的双循环自进化模糊化方法(FDSP)[19]。所有方法都使用相同的初始拆卸模型进行预训练。在案例1和案例3中引入了不确定性事件,这些事件被分为短暂的一次性干扰和持续的结构变化。每种事件类型都模拟了50次以获得可靠的评估结果。比较结果总结在表II中。

表II. 三种方法在适应性方面的比较

拆卸方法 MPE PSAC CIIO 我们的方法
FDSP √ × × √
HGM × × × *

这些结果表明,所提出的策略在各种形式的部件级别不确定性下表现出强大的适应性。这一优势源于OCD框架在执行过程中能够不断进化模型的能力,而传统方法依赖于静态或预定义的任务结构。对象置信度得分cO和依赖性得分cjP的动态演变反映了系统对结构变化的响应能力。得分的出现、消失和调整提供了模型在不确定条件下适应性的实证证据。由于两个得分使用相同的更新机制,因此图中仅展示了cO的一些典型变化。

5. 实际世界机器人OCD实验平台
为了评估在真实世界机器人拆卸中部署所提出的OCD框架的可行性,构建了一个物理实验平台。该平台提供了感知、建模和执行所需的基础设施,使得系统级别验证超越了仿真范围。如图10所示,实验装置建立在配备了两指抓手的7自由度Franka Emika机器人手臂上,并配备了两个外部深度摄像头(Intel RealSense D455和L515)。一个移动工作站(Intel Core i7-10850H,5.1 GHz)作为控制中心,并通过Franka Control Interface (FCI) [36]与机器人通信。该系统支持闭环执行,依靠连续的传感器反馈来监控和调整拆卸过程。该平台为实例化OCD组件(包括感知、规划和执行模块)提供了物理基础,从而实现了所提出框架的实际应用。平台中各模块的详细信息在补充材料中提供。

图10. 机器人自动拆卸平台。为物理平台准备了七个拆卸案例,如图11所示。案例1的配置与仿真设置完全相同。案例2被设计为一个简化的千斤顶,案例6被设计为一个简化的电机。案例3、4和5涉及Luban锁的变体,这是一种结构复杂的拼图玩具,其接触关系无法通过视觉感知来确定。所有这些组件都是使用3D打印制造的,部件之间的间隙控制在0.5毫米以下。案例7构建了一个实际应用场景,涉及用于减震系统的子组件。

5.1. 规划模块
规划模块通过根据OCD模型生成机器人拆卸指令来提供决策能力。根据当前场景信息实例化拆卸对象,并推导出相应的运动动作。这一过程支持在真实世界环境中执行灵活的、感知场景的拆卸。实际拆卸场景是根据第4节中的定义构建的,并在图12中进行了说明。在此场景中,规划模块已适应物理拆卸的特点。视觉系统提供拆卸区域内拆卸对象的感知,而拆卸结果则在收集区域内确定。

为了确保在真实环境中的安全操作和准确判断,基于OCD的规划过程包括修改后的动作谓词和参数定义。定义了一个(预放置)动作谓词来表示部件放置前的定位过程。其操作值记为?pp,指的是系统中预定义的收集区域的二维坐标。对于(放置)动作谓词,操作值?pd对应于放置高度,该高度由被拆卸部件的标识符决定。目标值ds?在执行拆卸动作后由感知模块根据多模态感知提供。它表示拆卸结果,并分为四类:已拆卸、子组件、半拆卸和未拆卸。

5.2. 感知模块
感知模块旨在提供三种基本类型的信息以支持基于机器人OCD的拆卸。首先,它通过外部视觉输入识别工作空间中的拆卸目标。其次,它通过检测操作过程中的潜在碰撞来监控交互安全。第三,它确定拆卸终止状态D,该状态指导拆卸动作的进展和评估。真实世界拆卸系统中的感知环境比仿真环境具有更高的复杂性和不确定性。为了支持稳健的决策制定,建立了一个多模态感知模块,集成了外部视觉传感器和内部力/扭矩传感器。

为了视觉识别拆卸部件,采用了两种互补的方法,如图13所示。在第一种方法中,称为基于学习的(LB)检测,收集并标记EoL部件的图像,并训练YOLOv11模型[37]进行部件检测。为了提高对真实环境的适应性,在部署前对模型在通用数据集COCO上进行预训练[38]。在第二种方法中,称为基于标记的(MB)检测,使用双摄像头系统提供更精确和稳定的拆卸部件识别。每个EoL部件都附有一个ArUco标记。

图13. 使用两个外部摄像头的拆卸目标检测,其中摄像头1支持LB检测方法,摄像头2支持MB检测方法。每个标签或标记都与预定义的元信息相关联,包括其用于视觉定位的边界框、指定的抓取姿势和目标放置高度。检测到后,相应的标签直接索引这些参数以方便高效操作。

拆卸过程中为了交互安全而获得的碰撞结果来自安装在机器人末端执行器上的力传感器,超过15 N的值被视为碰撞。抓取结果由抓手的宽度确定,宽度小于3毫米的被视为抓取失败。为了应对实际应用中拆卸状态的复杂性和多样性,开发了一个基于智能传感技术的模块。通过并行特征提取层处理来自两种模态的数据,包括多层感知器网络(MLPs)和长短期记忆网络(LSTMs)。处理后的数据流被串联并通过额外的密集层生成代表完全拆卸、半拆卸和未拆卸状态的三个类别的输出(O)。给定模型输出O和人工标记的真实值,采用分类交叉熵(CCE)作为损失函数。进一步使用摄像头2中的训练有素的YOLO模型来检查收集区域中的部件。根据识别出的标签数量(单部件或多部件)对检测到的部件进行分类,然后重新分类为完全拆卸状态。感知模块的总体框架如图14所示。

图14. 拆卸状态感知框架。

5.3. 执行模块
执行模块主要负责实施机器人技能。鉴于技能库的可用性,基于笛卡尔阻抗控制器设计了技能执行器,从而实现了拆卸技能的灵活和适应性执行。下面介绍了笛卡尔阻抗控制器的实现细节。在Franka Robot上实现了笛卡尔阻抗控制器,以实现动态环境中的合规和稳健交互。它模拟了笛卡尔空间中的虚拟质量-弹簧-阻尼系统,使机器人能够保持与外部表面的稳定接触,同时遵循期望的轨迹。控制律生成笛卡尔力矩Fd∈R^6:
(12)??Fd = Kxd ? x + Dxd? ? x? + Ki∫xd ? x dt
其中xd和?xd?是期望的末端执行器姿态和扭转,x和?x?是从正向运动学和速度反馈中测量得到的对应值。刚度K、阻尼D和积分增益Ki矩阵是对角的,并且在运行时可以重新配置。

笛卡尔力通过雅可比矩阵转置映射到关节扭矩,并应用于机器人,从而闭合控制回路。跟踪误差和积分项被限制在预定义的范围内,以确保安全性和稳定性。通过刚度、阻尼和积分增益矩阵调整合规性,定义如下:
(13) K = ktI
(14) D = 2ktI
(15) Ki = kitI
其中kr表示旋转刚度,kt表示平移刚度。kit表示平移积分增益,kir表示旋转积分增益。这个阻抗控制器用于实现编程的拆卸技能集。在这个集中,技能S0被定义为一个基本合规运动,其中末端执行器在阻抗控制下沿着指定的笛卡尔方向移动特定时间。技能S1被设计为一个通用的扭转-拉拽操作,其中沿笛卡尔方向遇到的线性阻力通过相应的旋转运动来补偿,从而实现扭转-拉拽拆卸动作。

6. 在实际世界拆卸中评估所提出的机器人OCD框架
实际世界的评估旨在验证所提出的OCD框架是否可以在物理机器人平台上有效部署。与仿真不同,真实环境引入了传感噪声、校准漂移、接触动力学和合规性限制,因此必须评估感知、规划和执行的可靠性,无需预定义任务模型的自建模和自主拆卸的可行性,以及在组件存在、可访问性和交互变化等不确定性下的系统鲁棒性。为了实现这些目标,设计了三个实验。功能模块的评估检查了视觉配置、阻抗设置和技能实现如何影响性能,重点关注抓取获取、终止状态分类和不同结构下的拆卸成功率。自主拆卸实验验证了自建模和交错执行建模的可行性,验证了是否可以在没有预定义任务模型的情况下生成和执行拆卸策略。在不确定性下的适应性实验评估了框架在组件存在、可访问性和交互变化下的鲁棒性,并将性能与带有探索的人类设计的时间表进行基准测试。实验场景如图15所示。

在每次实验之前,工作空间、拆卸区域和收集区域都手动相对于机器人基座进行了校准,以确保准确的空间对齐。相机坐标框架手动与机器人坐标系统对齐,以保持视觉感知和操作之间的一致性。操作员随后根据所需的装配配置将目标部件定位并固定在测试平台上,确保了实验条件的稳定性和重复性。实验中应用的拆卸技能遵循第5节中描述的定义和参数设置。每种技能都经过了预训练,其参数进行了调整,以实现稳定的接触响应和合规行为。一旦训练和设置完成,OCD框架会根据识别的物体状态和相应的部件-技能关联自动调用适当的技能,在执行过程中无需进一步的人工干预。每次拆卸任务完成后,拆下的部件会被手动从收集区收集起来,以确保安全处理,防止工作区干扰,并便于后续再利用。这些手动操作仅限于准备和回收阶段,不会影响机器人拆卸过程的逻辑流程或自主性。

6.1 机器人拆卸平台模块的评估
功能模块的评估重点在于验证OCD框架如何在实践中整合感知、规划和执行。这涉及测试三个关键方面:拆卸技能对不同结构配置的适应性、基于视觉的目标获取的可靠性,以及使用机器人传感技术判断终止状态的准确性。为此,从设计的案例中选取了七个代表性任务,涵盖了多帽杆、销孔、环形杆、双环形杆、拔插、扭转拉拔和拧松等结构类型,如图16所示。

为了全面评估功能模块,设计了实验来共同检查视觉引导抓取的准确性和拆卸技能的成功率。如第5节所定义的,技能库包括两种基本技能类型:直接移除(S0)和扭转拉拔移除(S1)。在本节中呈现的评估中,从这两种类型中实例化了几种代表性技能。实验还结合了第5节中介绍的两种技能获取模式和两种视觉识别方法,以评估它们对抓取可靠性和拆卸效率的综合影响。

对于视觉识别,应用了第5节中介绍的两种方法。相机1配置为使用LB检测方法,而相机2采用MB检测方法。执行校准程序以对齐两个相机,确保后续抓取评估时空间信息的一致性。

在视觉检测之后,仅在成功抓取的情况下测试拆卸技能。由于合规行为直接影响拆卸结果,因此配置了三个阻抗级别:低(kt=120, kr=0)、中(kt=150, kr=5)和高(kt=180, kr=10)。积分增益被固定,因为它主要用于稳态补偿,并不会显著影响阻抗级别变化。在本工作中,设置kit=0.5和kir=0.1。

此外,在中等阻抗设置下训练基于RL的拆卸技能,这在准确性和适应性之间提供了平衡的折中。这两种方法的测试结果如表III所示。

表III. 机器人拆卸测试的成功率
emptied Cell

机器人抓取测试
拆卸技能测试
LBMBlow
medium
high
RL
多帽杆(S0z+)7/10
9/10
3/10
7/10
6/10
9/10
9/10
销孔(S0z+)6/10
10/10
9/10
10/10
10/10
10/10
环形杆(S0z+)7/10
9/10
7/10
10/10
9/10
10/10
双环形杆(S0z+)7/10
10/10
4/10
8/10
8/10
10/10
拔插(S1y+)4/10
9/10
1/10
6/10
7/10
9/10
扭转拉拔(S1z+)7/10
9/10
2/10
5/10
5/10
8/10
拧松(S1z+)6/10
10/10
1/10
5/10
4/10
8/10

抓取和拆卸技能评估的结果总结在表III中。对于抓取,使用LB方法时的成功率约为60%,而MB方法将成功率提高到大约90%。失败的主要原因是由于深度估计不稳定和部件太小时的位置偏差导致的抓取高度错误。尽管MB检测提高了整体可靠性,但标记识别的不稳定性偶尔会导致抓取失败。

对于拆卸技能的表现,直接移除技能(如销孔和环形杆)在所有阻抗级别上都实现了持续的高成功率。相比之下,需要更复杂交互的任务(包括拔插、扭转拉拔和拧松)对合规性设置更敏感。在低或高阻抗下,成功率显著下降,而中等合规性则产生了更平衡和可靠的结果。RL训练的技能在不同结构中实现了最高的整体性能,特别是在涉及非平凡交互动态的任务中,表明学习到的策略比编程技能具有更好的泛化能力。总体而言,中等合规性和RL训练的结合在现实世界的拆卸中提供了最可靠的性能。

基于抓取评估,LB检测方法在区分单部件和多部件案例方面也表现出强大的能力。因此,终止状态分类模型仅在其三个类别的输出上进行评估:已拆卸、半拆卸和未拆卸。模型结构已在第5节中描述,这里仅报告其在实际案例中的应用。选择了图16中显示的环形杆和扭转拉拔任务进行评估,每种技能重复十次。表IV中的结果表明,该模型能够可靠地识别已拆卸和未拆卸的状态,而半拆卸状态的分类则不够准确。这种限制主要是由于拆卸过程中出现的机械匹配不稳定和过渡条件造成的。

表IV. 拆卸状态识别测试的成功率

任务
终止状态
成功率
Case1(红色部件)
S0z+
已拆卸
9/10
S0x+
半拆卸
7/10
S0z-
未拆卸
10/10

Case2(蓝色部件)
S1z+
已拆卸
8/10
S1y+
半拆卸
6/10
S1z-
未拆卸
10/10

6.2 机器人自主拆卸测试
第4节中的仿真结果表明,所提出的基于OCD的方法使机器人能够从零开始构建模型,从而实现自主拆卸。为了在现实世界中验证这一能力,应用了与第4节中相同的自适应方法,同时所有实验设置都适应了物理机器人的限制。

本文准备的七个案例涵盖了不同的任务特点和难度级别。案例1被设计为一个简单的测试示例。案例2、6和7是简化的工业案例,代表了典型的拆卸结构。案例3、4和5被设计为具有复杂机械约束和多阶段交互的挑战性场景。

每个案例包括20轮机器人探索,在此过程中,机器人尝试拆卸的同时逐步构建OCD模型。当识别空间中只剩下固定部件时,认为一次尝试已完成。基于探索的建模之后,通过不进行物理探索进一步验证获得的模型的稳定性:一旦OCD模型中的所有目标都被耗尽,拆卸尝试即终止并记录为失败。模型参数设置为γ=3, K=7和λ=0.7。结果如表V所示。

表V. 机器人自主拆卸测试的总结

案例
建模时间(分钟)
平均拆卸时间(分钟)
验证成功率
Case1(Φ1)
LB
48
6.7
13
10.5 (3.14)
7/10
MB
32
1.3
10.8 (1.58)
10/10
Case2(Φ2)
LB
25
4.0
8.6 (1.78)
5/10
MB
21
6.4
5.9 (0.39)
9/10
Case6(Φ2)
LB
50
4.3
14
14.5 (2.68)
6/10
MB
38
2.2
9.3 (1.23)
8/10
Case7(Φ2)
LB
27
3.1
12
9.4 (5.21)
3/10
MB
22
9.3
7.8 (1.74)
9/10
Case3(Φ2)
LB
58
8.3
17
11.8 (8.13)
6/10
MB
37
1.2
3.6 (0.52)
6/10
Case4(Φ1)
LB
49
8.9
16
9.5 (6.82)
4/10
MB
26
2.1
3.6 (3.17)
7/10
Case5(Φ2)
LB
98
3.4
23
17.3 (9.16)
4/10
MB
43
5.2
7.9 (4.28)
3/10

a 这个值是一次成功尝试的平均时间。括号中的值是标准偏差。

在经过验证的实验中,模型是从20轮探索中学习到的,这可能不足以获得EoL产品的最简洁表示。因此,在没有物理探索的情况下,稳定性验证过程中的规划效率可能会被低估,所以不报告这一阶段的拆卸时间,评估重点在于学习到的模型是否支持自主拆卸。与此一致的是,失败主要发生在拆卸技能的执行过程中,而不是在感知或模型规划阶段。这表明从学习到的模型直接转移到物理执行是具有挑战性的,并强调了需要一种交互式执行-建模策略来提高不确定性下的适应性。

实验数据证实,提高视觉识别显著增强了规划效率。在一般的工业案例中,训练过的模型表现出高可靠性。在案例7中,与颜色区分明显的3D打印部件相比,性能有所下降,因为相同的模型被用来训练视觉识别模块,这突显了MB检测在这种场景中的优势。

对于Lu Ban锁任务(案例3、4和5),MB检测缩短了建模和规划时间,但没有显著提高任务成功率。这表明感知准确性仍然起着作用,但这些任务的主要挑战来自于结构约束。LB方法提供了更多拆卸选项,因此为克服这些约束提供了额外的灵活性,解释了它在这些复杂案例中的相对优势。

最后,LB和MB感知的比较揭示了它们互补的优势。MB依赖于预定义的抓取点,这可能会受到限制并且容易受到遮挡的影响,从而限制了对结构变化的适应性。相比之下,LB对不确定性更具韧性,并提供了更大的灵活性。因此,结合LB和MB可以在现实世界的拆卸中实现精度和适应性之间的最有效平衡。

比较结果还阐明了感知性能如何影响整个系统。基于标记的检测提高了定位精度,但在视觉条件与预期不符时限制了灵活性,而基于学习的检测则提供了适应性,但在训练覆盖范围或照明条件变化时引入了不确定性。这些感知变化影响了规划可靠性和执行稳定性。在OCD框架内,通过连续模型更新,在交互过程中重新评估感知结果,使系统能够补偿瞬态视觉错误并在不完美条件下保持适应性性能。

从工业环境中拆卸效率的角度来看,组件的准确检测和识别至关重要。更直接的检测方法,如LB方法,或者如第4.2节中讨论的有限探索策略,可以大大提高自主拆卸中的探索效率。此外,当现有模型可用时,直接应用这些建模结果可以进一步提高效率,并为交互式执行-建模策略提供初始模型。由于OCD模型的可扩展性,其初始形式可以来源于物理探索或手动设计,从而允许在不同拆卸场景中灵活和可扩展地部署。

6.3 现实世界中系统适应性的验证
基于仿真和先前实验的结果,已经表明交互式执行-建模策略促进了在不确定环境中的自主拆卸。为了进一步验证这一能力,在真实的机器人平台上进行了实验。

为了系统地分析影响机器人拆卸的各种不确定性,模拟并评估了先前研究中讨论的可能的不确定性条件。检查了不同基于OCD的方法在三种不确定性类别下的适应性:
(1)组件存在(CP)不确定性:这指的是目标组件缺失、被替换或无法区分的情况,系统无法确认预期部件是否存在或是否符合预期条件。
(2)组件可访问性(CA)不确定性:在这些情况下,组件存在并且被正确识别,但其物理状态或周围环境妨碍了安全或有效的访问。典型的例子包括变形的几何形状、阻塞的相邻部件或视线不良。
(3)组件交互(CI)不确定性:这涉及到执行过程中的不可预测的物理行为,例如异常阻力、粘附、滑动或由于动态干扰引起的碰撞。

在对应于案例1、案例2和案例6的3D打印组件上进行了不确定性实验,图17中展示了代表性的场景。使用3D打印部件可以精确控制结构特征,并系统地再现不同类型的不确定性,这些不确定性使用真实的工业产品很难确保。这些不确定性条件在每次案例执行中随机引入。所提出的基于OCD的方法与人类设计的计划(HDS)进行了比较,两种方法都在相同的拆卸环境中采用了交互式执行-建模策略。这里应用的OCD模型对应于先前实验中获得的产品模型。每种不确定性的方法执行十次。使用两个评估指标δ和ρ来衡量成功率:
δ = Ns/N,ρ = ne/n
其中N是完成拆卸任务的总测试次数。Ns是成功拆卸的对象总数。ne是最初失败但后来由于物理探索而成功的对象数量。

表VI. 实验平台中的三种不确定性来源

表VI. 在不确定性中的机器人自主拆卸

方法
CPCACI
ρδρδδρδ
我们的方法
15.2%
90%
16.3%
90%
9.6%
70%
HDS + 探索
52.3%
90%
27.1%
70%
21.5%
60%

实验结果表明,与HDS + 交互式执行-建模相比,所提出的方法在所有不确定性类别中都实现了持续更高的成功率。对于CP和CA不确定性,成功率达到了90%,而在CI不确定性下则降至70%,反映了执行适应性带来的更大挑战。所提出方法的恢复比率低于HDS的方法,这表明OCD模型在探索过程中记录了一组更广泛的可行拆卸解决方案,从而减少了初始失败后需要重复恢复的次数。这一特性使得对意外不确定性的响应更快、更直接。为了进一步考察该系统在工业应用中的潜力,分析了在有限不确定性下的恢复行为,以评估其鲁棒性和适应性。通过这些观察,验证了系统在变化但可控的不确定性下的稳定性,结果表明所提出的框架在更复杂的工业环境中的表现。从这些观察中总结了三种典型的恢复模式:第一种是完全自主恢复,当故障是由于轻微的系统偏差(如抓取偏移、单次拆卸故障或零件编号或顺序的变化)引起的;第二种是操作员协助的恢复而不中断,当外部不可拆卸组件或意外干扰导致无法通过现有拆卸技能解决的情况下会出现这种情况;第三种是完全重置,当视觉故障或机器人关闭等意外故障导致系统完全停止时需要这种模式。这些发现表明,所提出的OCD框架可以在有限不确定性下保持稳定运行,而在机器人无法自主解决的情况下仍需要人工干预。这反映了当前系统的鲁棒性以及实现完全自主工业拆卸所面临的挑战。

总体而言,结果表明所提出的框架能够很好地适应组件存在和可访问性的变化,并且在物理交互条件下依然有效。在复杂场景中的性能降低凸显了执行模块对动态干扰的敏感性,进一步强调了整合自适应合规控制和交错执行建模策略的必要性。这些发现强有力地证明了在不确定的现实世界环境中实现鲁棒自主拆卸时,感知、规划和执行的灵活性是至关重要的。

7. 讨论
本文的核心技术贡献是OCD框架,它从根本上将自主拆卸与对预定义的接触或干扰信息的依赖解耦。这种独立性至关重要,因为对于变化多端的最终产品(EoL products),这样的“先验”知识往往不可用或不准确。OCD框架不是依赖于静态的、预编程的模型,而是通过物理探索来构建和优化其对组件依赖性的表示。这种基于对象的、交互驱动的方法使系统能够动态地形成、重用和泛化拆卸知识,解决了机器人自动化中的一个持久性挑战。这种动态建模也是系统效率的来源。效率不是通过盲目重探索实现的,而是通过系统地重用OCD模型中捕获的结构知识来实现的。随着机器人与产品互动,它会动态地编码和优化组件依赖性。这种积累的知识使得后续操作可以从一个成熟的模型来进行规划,而不是从零开始,从而使探索成为一个累积且实用的过程。此外,该框架并不排他,它可以轻松整合现有的数字数据(如来自DPP的数据)来“启动”模型,加速收敛过程而不牺牲系统的核心自主性。框架以对象为中心的特性也为扩展和可扩展性提供了明确的路径。由于该模型是一个由对象和依赖关系组成的模块化集合,它可以很容易地扩展到新的EoL产品类别。这种抽象表示具有可移植性,允许从一个产品构建的模型适配到具有类似组装逻辑的其他产品。这种模块化还为分布式多智能体系统奠定了基础,在这种系统中,多个机器人或站点可以协作使用一个共享的、不断发展的OCD模型。虽然我们的实验是在固定工作空间中进行的,但以对象为中心的框架可以通过动态更新空间参考来扩展到移动系统。

目前,框架的主要限制由机器人的物理(技能集)和感知(传感)能力决定。未来工作的一个重要方向是扩展技能库,以包括更复杂的多步骤和工具辅助操作。同样,感知能力也必须得到增强,以可靠地处理真实EoL产品中典型的非结构化和遮挡环境。OCD模型的一个关键技术方面是通过confidence更新进行在线适应。目前,像K、γ和λ这样的参数是手动设置的。一个重大进步将是使这些参数具有自适应性。这将允许框架自主调整其学习动态,例如在高度不确定的环境中变得更加“谨慎”,或者在产品一致时更加“自信”。自动化这一元学习过程是实现完全自主工业应用的关键步骤。未来的验证还必须超越受控测试平台,转向具有材料磨损、腐蚀和复杂连接机制的真实EoL组装。最后,框架的模块化特性允许人机交互,其中手动操作可以作为“技能”或感知“检查”来增强系统的韧性。

总之,OCD框架提供了一种平衡鲁棒性、效率和可扩展性的统一策略,为数据驱动制造中的智能和可持续拆卸提供了实用途径。

8. 结论
机器人拆卸在循环经济中发挥着关键作用,但由于最终产品的固有不确定性而面临重大挑战。特别是,许多内部干扰和接触条件是未知的。为此,提出了一种OCD方法,使机器人能够动态适应变化的条件,而无需依赖于对组件之间接触或干扰的先验知识。具体来说,开发了一个OCD模型,将单独的拆卸任务及其条件视为模块化单元,并通过自主机器人探索不断更新这些单元。建立了一个实验性机器人平台,集成了先进的智能模块,在不确定环境中执行自主拆卸操作。实验结果表明,我们的方法显著提高了机器人拆卸过程的灵活性和适应性,有效处理了现实世界中的不确定性,并使机器具备了在没有预编程干扰信息的情况下执行自主拆卸的能力。研究还揭示,尽管所提出的框架显示出有效性,但当前系统性能与工业应用的要求之间仍存在相当大的差距。

作者贡献声明:
Yongjing Wang:撰写 – 审稿与编辑,概念化。
Amir M. Hajiyavand:撰写 – 审稿与编辑。
Roger Dixon:撰写 – 审稿与编辑。
Farzaneh Goli:撰写 – 审稿与编辑。
Feiying Lan:撰写 – 审稿与编辑。
Xiazhen Xu:撰写 – 审稿与编辑,验证,软件,数据管理。
Yue Zang:撰写 – 原始草案,验证,软件,调查,形式分析,数据管理,概念化。
Marco Chacin:撰写 – 审稿与编辑。
Huayu Duan:撰写 – 审稿与编辑,验证,概念化。
Yongquan Zhang:撰写 – 审稿与编辑,概念化。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号