CAD-Based Relation Learning and Geometric-Symbolic Planning for Robotic Assembly
作者: Fabian Harlacher, Christian Friedrich
分类: cs.RO
发布日期: 2026-09-15
备注: This work has been submitted to Elsevier for possible publication. Copyright may be transferred without notice, after which this version may no longer be accessible
💡 一句话要点
提出基于CAD的关系学习与几何符号规划以解决机器人装配问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 装配序列规划 机器人技术 几何符号推理 学习驱动 CAD数据处理 人机协作 效率提升
📋 核心要点
- 现有的装配序列规划方法在处理复杂工业装配时面临组合爆炸的问题，导致穷举搜索不切实际。
- 本文提出了一种混合框架，结合学习驱动的关系提取与几何符号推理，能够从不完美的CAD数据中生成拆卸序列。
- 在ASAP测试数据集上，所提规划器实现了85.83%的规划成功率，并将中位规划时间减少了一个数量级以上，显示出显著的效率提升。
📝 摘要（中文）
装配序列规划（ASP）因其组合性质而仍然是一个具有挑战性的问题，使得对复杂工业装配的穷举规划方法不切实际。此外，许多CAD模型缺乏可靠的语义接触信息或需要大量手动预处理，限制了现有方法的适用性。本文提出了一种混合ASP框架，结合基于学习的关系提取与几何符号推理，从不完美的CAD数据中生成可行的机器人拆卸序列。神经网络从点云中预测语义几何关系，而人机协作的验证则允许对不确定的预测和规划失败进行修正。提取的关系被转化为符号装配图，使几何符号规划器能够高效计算局部有效的机器人操作原语集。通过基于可见性的光线投射策略引导可行拆卸方向的搜索，无需进行穷举组合搜索，同时局部解空间使得序列优化更加高效。该框架在引入的装配数据集和ASAP测试数据集上进行了评估，结果表明该混合框架能够有效地从不完美的CAD数据中进行机器人装配序列规划，同时显著减少规划时间。
🔬 方法详解
问题定义：本文旨在解决装配序列规划中的组合爆炸问题，现有方法在处理复杂工业装配时往往需要大量手动预处理，且缺乏可靠的语义接触信息。
核心思路：提出的框架结合了基于学习的关系提取与几何符号推理，利用神经网络从点云中提取语义几何关系，并通过人机协作验证修正不确定性。
技术框架：整体架构包括关系提取模块、符号装配图构建、几何符号规划器和基于可见性的光线投射策略。关系提取模块负责从CAD数据中提取几何关系，符号装配图用于规划，光线投射策略则引导搜索方向。
关键创新：最重要的创新在于将学习驱动的特征分割与几何符号推理相结合，形成了一种新的混合框架，显著提高了从不完美CAD数据中进行装配规划的效率。
关键设计：在网络结构上，采用了适合点云数据处理的卷积神经网络，损失函数设计考虑了语义关系的准确性与可解释性，同时引入了人机协作的反馈机制以提高预测的可靠性。
🖼️ 关键图片
📊 实验亮点
在ASAP测试数据集上，所提规划器达到了85.83%的规划成功率，并将中位规划时间减少了一个数量级以上，尤其对于超过30个组件的装配，规划时间减少了50倍以上，显示出显著的性能提升。
🎯 应用场景
该研究的潜在应用领域包括工业机器人装配与拆卸、智能制造和自动化生产线。通过提高装配序列规划的效率，能够显著降低生产成本和时间，推动智能制造的发展。未来，该框架还可扩展至其他领域，如复杂产品的自动化组装与维护。
📄 摘要（原文）
Assembly Sequence Planning (ASP) remains a challenging problem due to its combinatorial nature, making exhaustive planning approaches impractical for complex industrial assemblies. Furthermore, many CAD models lack reliable semantic contact information or require extensive manual preprocessing, limiting the applicability of existing methods. This paper presents a hybrid ASP framework combining learning-based relation extraction with geometric-symbolic reasoning to generate feasible robotic disassembly sequences from imperfect CAD data. A neural network predicts semantic geometric relations from point clouds, while human-in-the-loop verification enables correction of uncertain predictions and planning failures. Extracted relations are transformed into a symbolic assembly graph, enabling a geometric-symbolic planner to efficiently compute locally valid sets of robotic manipulation primitives. A visibility-based ray-casting strategy guides the search for feasible disassembly directions without requiring an exhaustive combinatorial search, while the local solution space enables efficient sequence optimization. The framework is evaluated on an introduced assembly dataset and on the ASAP test dataset. On the ASAP test dataset, the proposed planner achieves an 85.83% planning success rate while reducing the median planning time by more than one order of magnitude across all assembly sizes and by more than a factor of 50 for assemblies with more than 30 components compared to the baseline. The results demonstrate that the proposed hybrid framework enables efficient robotic assembly sequence planning from imperfect CAD data while substantially reducing planning time. By combining learning-based feature segmentation, human-in-the-loop verification, and geometric-symbolic reasoning, the framework provides a practical foundation for scalable and adaptable robotic assembly and disassembly planning.