在現代汽車制造領域，電氣化和自動駕駛技術的快速發展正推動著汽車電子系統的廣泛應用。作為電子系統的基礎元件，線束的裝配質量直接關系到車輛的安全性和功能性。然而，當前汽車線束裝配仍主要依靠人工操作，這不僅存在質量不穩定的風險，還面臨著人體工程學問題。機器人輔助裝配憑借其高重復性和透明性，有望解決傳統裝配中的諸多痛點。計算機視覺技術作為機器人感知能力的關鍵，正在為解決柔性線束自動化裝配這一難題開辟新途徑。本文通過系統文獻綜述，揭示計算機視覺在線束機器人裝配領域的最新進展，探討現存挑戰，并為未來研究方向提供參考。

線束需求激增

隨著汽車技術的飛速發展，線束在現代汽車中的重要性日益凸顯。縱觀過去幾十年，汽車中線束的用量呈現爆發式增長。根據沃爾沃汽車公司提供的數據，普通乘用車所使用的線束總長度已從早期的數百米增長到現在的數千米。電動汽車的興起更是加劇了這一趨勢，一輛典型的電動汽車可能包含超過40種不同的線束，總重量達到40公斤左右。

線束作為汽車電子系統的基礎硬件，承擔著能量傳輸、操控系統、駕駛輔助和安全系統等多種關鍵功能。它通常由導線、端子、連接器、卡扣和包裹材料等構成，形成樹狀結構，負責連接分布在汽車各處的電氣元件。根據安裝區域的不同，汽車線束可分為發動機線束、儀表板線束、地板線束和保險杠線束等類型。

目前，汽車生產線上的線束裝配工作主要依賴人工完成。以沃爾沃汽車公司的實際操作為例，線束裝配主要包括五個步驟：準備、運輸、解纏、布線和安裝。在準備階段，線束通常被捆綁并裝在塑料袋或紙箱中送達裝配站，接著被送入烤箱加熱，使其更易于操作。隨后，操作人員使用起重設備將線束運送到車身內。線束放置后，多位操作員需要彎入車身內部，手動解開線束的捆綁和纏繞。解纏后，線束被手動布置在車身各處，確保不同分支能夠到達相應的功能區域。最后，操作員手動將線束上的卡扣和連接器與車上對應的部位配對連接。

這種人工裝配方式存在多方面問題。首先，手工操作不可避免地導致裝配質量不一致。其次，某些裝配步驟對操作員造成較大的身體負擔，如抬舉重物（某些線束重達40kg）、高壓壓接和遠距離操作，容易引發肌肉骨骼疾病和職業健康安全問題。此外，隨著電動汽車的普及，高壓線束的安裝對精度和安全性提出了更高要求。

與此同時，汽車行業面臨著持續提高競爭力和市場份額的壓力。這就要求在保證裝配質量的同時提高生產率，改善工作環境，最優化人力成本。自動化裝配正是解決這些矛盾的主要方向之一。

機器人輔助裝配，無論是純機器人操作還是人機協作，都較傳統人工操作具有顯著優勢。機器人系統提供了更好的重復性、透明性和可理解性，能夠實現更嚴謹、更安全、更符合人體工程學的制造過程。然而，線束裝配的自動化面臨特殊挑戰，主要源于線束的柔性特性。

線束可被視為一種可變形線性物體（Deformable Linear Object， DLO），其裝配可看作是一種特定的DLO操作任務。DLO操作一直是機器人柔性自動化領域中的一大挑戰，尤其在建模、狀態估計和操作方面存在難點。由于線束的高自由度和可變形性，為剛性物體設計的操作方法無法直接應用。

自動化線束裝配面臨的具體困難包括：識別長而不規則的形狀，估計可變形線束的狀態，以及由于線束的柔性特性難以控制操作力度。此外，還需避免形成可能阻礙過程或損壞線束的纏結和打結。在連接器配對過程中，還需處理極高的位置精度要求、連接器的復雜結構以及非剛性材料。

視覺應用實踐

計算機視覺技術在機器人線束裝配中展現出廣泛應用潛力，已有研究針對線束的不同組件提出了各具特色的視覺解決方案。這些應用主要集中在卡扣操作、連接器裝配和線束識別三個方面。

在卡扣操作領域，研究人員主要關注如何通過視覺系統識別線束上的卡扣，以便機器人能夠準確抓取并操作它們。Koo等人（2008）提出了一種方案，通過在機器人手臂末端安裝立體視覺系統來識別專門設計的立方體卡扣套上的標記。該系統采用兩個具有不同焦距的CCD相機，利用尺度不變特征變換（SIFT）算法識別這些標記。實驗結果表明，該視覺系統能夠提供足夠的精度來抓取卡扣套。

隨后，Jiang等人（2011， 2012）對Koo的方案進行了改進：增加了一個機器人臂，設計了新的圓柱形卡扣套并增加了更多來自ARToolKit的標記，同時在工作空間周圍固定了十個攝像頭形成全局視覺系統以解決卡扣遮擋問題，并在每個機器人臂的末端增加了激光頭以便在需要時精確測量線段。2015年，Jiang等人又提出了一種不同方法，先通過跟蹤操作來確定線束上卡扣套的位置，然后用右機器人臂上的一個腕部CMOS相機識別卡扣套上的標記，估計已識別卡扣套的姿態以便后續操作。

在連接器裝配領域，現有研究涵蓋了預裝配、裝配和后裝配三個環節。預裝配是機器人移動到連接器并進行裝配操作的初始階段，包括連接器檢測、姿態估計和故障檢測。Tamada等人（2013）提出使用固定在工作臺上方的高速相機，通過檢測連接器的角落來區分連接器類型并獲取它們的位置和方向，實現500幀/秒的處理速率。Yumbla等人（2020）則使用Intel RealSense D435深度相機通過圖像處理獲取工作臺上插入式連接器的精確位置。Zhou等人（2020）提出了一種兩步連接器檢測算法，先通過固定的全局相機進行粗略定位，再通過機器人手臂上的手眼相機進行精細定位，獲取連接器的六自由度姿態信息。

連接器裝配質量保障也得到了廣泛關注。Di等人（2009）提出使用In-Sight 5100相機進行基于計算機視覺的連接器抓取錯誤檢測和質量控制，通過基本模式匹配檢查夾持器和連接器之間的相對位移。Sun等人（2010）在此基礎上增加了一個垂直于第一個的相機，以檢測每側的傾斜角度和水平位移。

在連接器裝配過程中，視覺系統也用于引導和監控。Di等人（2012）使用兩個相互垂直的相機通過模式匹配觀察兩個連接器之間的相對和在線運動。Song等人（2017）提出了基于標記的視覺伺服方法，采用手眼相機跟蹤連接器的頭部。Tamada等人（2013）則使用高速視覺系統通過檢測持有的連接器與目標連接器之間的距離來實時監控裝配過程。

除了卡扣和連接器外，線束的導線部分也是關鍵研究對象。Kicki等人（2021）專注于線束分支的可解釋分類，提出了一個包含汽車線束四個分支的RGB-D圖像數據集，并使用共享來自ERFNet的相同下采樣層的幾個卷積神經網絡進行分類。實驗結果顯示，基于RGB數據和深度信息輸入的模型的后期預測融合取得了最佳準確性。Guo等人（2022）提出了一種多分支線束對象識別方法，采用順序分割和概率估計處理飛機裝配中的線束。在該方案中，先通過RGB-D相機獲取原始點云數據，經過預處理后進行分割，考慮笛卡爾距離、顏色相似性和彎曲連續性，并通過高斯混合模型彌補由于遮擋造成的分割結果中的缺口。

Zhang等人（2023）探索了線束的工業抓取問題，提出學習一種bin-picking策略，從混亂線束的俯視深度圖像中推斷最佳抓取位置和抓取后動作。該系統優先抓取未纏結的物體，避免在不良位置抓取，并推理提取距離以減少成功抓取所需的執行時間。視覺系統使用直接固定在工作臺上方的Photoneo PhoXi 3D掃描儀M，基于快速可抓取性評估（FGE）檢測無碰撞抓取位置。然而，實驗結果表明視覺噪聲和嚴重遮擋是導致抓取失敗的兩個主要挑戰。

在線束裝配的不同操作環節中，計算機視覺技術已展現出廣泛應用價值。大多數現有研究集中在裝配環節，包括卡扣固定和連接器對接。Kicki等人（2021）關于線束分支可解釋分類的研究和Guo等人（2022）提出的線束識別方法可以通過更好地理解線束拓撲結構來支持機器人布線。而Koo等人（2008）和Jiang等人（2011， 2012）提出的在卡扣上安裝套筒的方法，也能通過定位卡扣位置來輔助線束布線。

然而，在線束裝配的其他環節，如準備、運輸和解纏等方面，視覺應用研究相對較少。特別是線束解纏環節面臨更多待解決的問題，需要動態的機器人操作策略來應對線束變形，這強調了實時跟蹤線束的重要性。

瓶頸與阻礙

盡管計算機視覺技術在機器人線束裝配中取得了一系列進展，但實現真正實用化的自動線束裝配仍面臨多方面挑戰。這些挑戰主要表現在物體識別算法的穩健性、視覺系統的實際可行性與可靠性、處理時間與生產效率的矛盾以及產品設計對視覺識別的影響等方面。

識別算法在實際生產環境中的穩健性問題尤為突出。實驗室環境與工廠生產線存在巨大差異，這使得許多在實驗室條件下表現良好的視覺方案難以直接應用到實際生產中。Koo等人在2008年研究中就指出，在實際工廠中完全基于視覺的線型估計面臨著復雜背景這一重大障礙。工廠環境通常光線變化大、背景雜亂，且可能存在振動、塵埃等干擾因素。Jiang等人在2012年的研究也表明，照明條件的變化是導致實驗失敗的重要原因之一。線束本身的特性也增加了識別難度——相同顏色的卡扣和綁帶、小半徑尺度和復雜結構、不規則曲線和交叉——這些都使線束很難從復雜背景中被準確識別。

現有的卡扣檢測方法主要依賴于在卡扣上安裝特制的卡扣套并識別其上的標記。雖然這種方法在實驗室中證明了技術可行性，但考慮到未來汽車中安裝的線束數量不斷增加以及安裝區域的狹窄空間，在實際應用中為每個卡扣安裝額外的零件顯然不切實際。連接器識別也存在類似問題，大多數研究主要采用2D圖像識別獲取連接器的位置或方向，假設連接器放置在平坦的工作臺上以減少自由度。但在實際制造場景中，線束并不固定在平坦的工作臺上，連接器可能在三維空間中隨機分布，使其自由度無法直接減少。

視覺系統的實際可行性與可靠性是另一個亟待解決的問題。從表7和表8可見，雖然多項研究對視覺系統進行了定性和定量評估，但很少考慮實用性和可靠性問題，如系統的重復性和時間成本。在實際生產環境中，視覺系統需要在有限的處理時間內成功識別線束，以滿足實際生產中對生產率的要求。Jiang等人在2011年的研究證明了機器人線束裝配的技術可行性，但平均速度和可靠性仍遠不能滿足實際應用的要求。Guo等人在2022年的研究也強調了提高時效性的必要性，指出在復雜環境中識別和操作線束的時間效率是一個關鍵問題。

處理時間與生產效率的矛盾也是一大挑戰。從商業角度看，自動化裝配的處理時間必須足夠短，以滿足實際生產中對生產率的要求。這意味著視覺系統需要足夠快地感知被操作對象的狀態，以便進行后續機器人動作。張等人在2023年的研究中就指出，高速視覺處理對于實現自動線束裝配至關重要，但當前大多數視覺算法在復雜場景下處理速度難以滿足生產需求。特別是當使用深度學習等計算密集型方法時，計算資源和處理速度之間的權衡變得尤為重要。

另一個被忽視的實際問題是，在實際汽車生產線上，一些線束是安裝在移動的車架上的。這對視覺系統提出了更高要求，需要能夠跟蹤移動目標并實時調整機器人動作。雖然Shi等人在2012年提出了一種使用視覺伺服引導移動機器人操作器在移動車輛上裝配線束的方法，但處理時間和特征工程仍然是挑戰。

產品設計對視覺識別的影響也不容忽視。線束的設計通常是從功能角度考慮的，很少考慮自動化裝配的需求。許多線束設計包含相似顏色的組件、缺乏明顯的視覺特征以及復雜的三維結構，這些都增加了視覺識別的難度。近年來，一些研究開始關注如何通過改進產品設計來促進自動化裝配，但在商業應用中落實這些設計改進仍面臨挑戰。

前景與方向

盡管存在諸多挑戰，計算機視覺技術在線束裝配自動化領域仍有廣闊的發展前景。基于對現有研究的分析和技術發展趨勢的觀察，未來的研究方向主要集中在四個方面：3D成像技術與深度學習的應用、人機協作視覺系統的研究、產品設計優化以及評估標準與框架的建立。

3D成像技術與深度學習在線束識別中的應用前景極為廣闊。從圖6中可以看出，早期的研究主要集中在使用傳統圖像處理方法對卡扣套和連接器進行2D圖像識別，而更近期對線識別的研究則利用了基于學習的算法，使得對柔性變形線束等具有復雜結構的物體進行更穩健的識別成為可能。3D相機技術的蓬勃發展使獲取和處理3D視覺信息變得更加容易實現。Kicki等人在2021年的研究表明，使用RGB-D深度相機獲取的數據可以顯著提高線束分支的分類準確性。結合深度信息的RGB模型通過后期預測融合方法實現了最佳表現。

卷積神經網絡（CNN）的復興和計算機視覺領域深度學習的成功發展，為未來機器人線束裝配中的2D和3D視覺機器感知提供了更多基于學習的設計和解決方案。從Zhou等人的兩步連接器檢測算法到Zhang等人的bin-picking策略，深度學習方法已顯示出在復雜環境中識別線束組件的潛力。未來研究可以更深入地探索各種深度學習架構在線束識別中的應用，如圖像分割、姿態估計和實例識別等任務。還需開發專門針對線束裝配的數據集、基準測試和評估指標，以促進基于學習的計算機視覺技術在未來機器人線束裝配中的表現并一致地評估它們。

人機協作視覺系統的研究也是一個重要方向。線束的柔性已被確定為自動化裝配的重大挑戰。盡管自動化自第三次工業革命以來已在制造業中廣泛采用，但機器人缺乏靈活性和認知能力促使了人機協作（HRC）的研究，系統可以從人類的靈活性和機器人的重復性和高精度的共生中受益。工業5.0概念的提出進一步推動了在工業應用中實施人機協作的討論，旨在實現以人為中心的自動化。

計算機視覺驅動的人機協作在工業應用中已有研究，但現有的機器人線束裝配研究主要集中在完全機器人化的裝配上，且考慮線束組件的操作是分開的，導致缺乏關于以人為中心的自動化或人機協作的機器人線束裝配研究。視覺系統在人機協作中可以扮演關鍵角色，不僅能夠識別線束組件，還能監控人類動作和確保安全。例如，視覺系統可以通過識別人類手勢和意圖，允許機器人助手在適當的時候提供幫助。它還可以通過跟蹤人類和機器人的位置確保安全協作。

產品設計優化是提高視覺識別效率的另一條路徑。受＂Design for X （DfX）＂理念的啟發，開發新的夾持器設計和新型卡扣設計有望在不需要附加任何額外部件的情況下促進視覺檢測和機器人操作。例如，可以設計具有更明顯顏色對比度或形狀特征的卡扣，使其更容易被視覺系統識別。類似地，連接器的設計也可以納入更多便于機器人抓取和操作的特征。

為線束的其他組件進行產品設計也有望促進計算機視覺驅動的機器人線束裝配。例如，可以在線束上添加視覺標記或調整線束結構，以便更容易被視覺系統識別和追蹤。Zhou等人在2021年提出了一種集成手中線纜操作功能的線纜裝配夾持器設計，展示了產品設計如何促進機器人線束裝配。這種設計允許夾持器不僅能夠抓取線纜，還能夠控制線纜在夾持器中的位置和方向，從而簡化了裝配過程。

建立計算機視覺解決方案的評估標準與框架也至關重要。當前的研究缺乏統一的評估標準，使得不同視覺系統性能的比較變得困難。通過建立標準化的測試場景、性能指標和評估協議，可以更系統地評估不同視覺解決方案的優劣。這些評估不僅應包括識別準確性和處理速度，還應考慮系統在實際生產環境中的可靠性、適應性和成本效益。

此外，跨學科合作將是未來研究的關鍵。線束裝配自動化是一個涉及計算機視覺、機器人學、材料科學和制造工程多個領域的復雜問題。只有通過不同領域專家的密切合作，才能開發出真正實用的解決方案。將實驗室原型系統轉化為工業應用也需要產學研緊密結合，確保技術創新能夠滿足實際生產需求。

參考資料

1. Wang， H.， Salunkhe， O.， Quadrini， W.， et al. （2023）. A Systematic Literature Review of Computer Vision Applications in Robotized Wire Harness Assembly. arXiv:2309.13744v1.

2. Koo， K.， Jiang， X.， Kikuchi， K.， et al. （2008）. Development of a robot car wiring system. IEEE/ASME International Conference on Advanced Intelligent Mechatronics.

3. Zhou， H.， Li， S.， Lu， Q.， et al. （2020）. A practical solution to deformable linear object manipulation: A case study on cable harness connection. International Conference on Advanced Robotics and Mechatronics.

4. Kicki， P.， Bednarek， M.， Lembicz， P.， et al. （2021）. Tell me， what do you see？—interpretable classification of wiring harness branches with deep neural networks. Sensors.

5. Zhang， X.， Domae， Y.， Wan， W.， et al. （2023）. Learning efficient policies for picking entangled wire harnesses: An approach to industrial bin picking. IEEE Robotics and Automation Letters.