面向医药生产的智能机器人及其关键技术研究综述

王 可，张 辉，曹意宏，易俊飞，袁小芳，王耀南

(1.湖南大学 电气与信息工程学院，湖南 长沙 410082； 2.湖南大学 机器人视觉感知与控制技术国家工程研究中心，湖南 长沙 410082； 3.湖南大学 机器人学院，湖南 长沙 410012； 4.湖南大学 信息科学与工程学院，湖南 长沙 410006)

0 引言

医药行业与国计民生息息相关，是“中国制造2025”强国战略中培育新型生产方式的重点领域[1]。智能制造时代的到来使得技术与技术之间相互碰撞、不断融合，促使生产方式发生了巨大变革。近年来，我国医药市场持续扩大与增长，药品需求量逐年增加，为提高医药生产的效率与质量，医药生产开始逐渐从传统的人为参与生产转变为以智能机器人为基础的自动化、智能化生产。

自1957年第一个工业机器人诞生后，经过半个多世纪的发展，机器人在工业生产中得到了广泛应用。近年来，随着人工智能、大数据、传感器等技术的发展，机器人逐渐从传统的工业机器人发展为能够自主实现感知、分析、学习、决策的智能机器人。2015年，智能机器人首次问世[2],在短短6年内，智能机器人已经广泛应用于教育、医疗、服务、工业等多个行业[3]。我国于2017年启动了共融机器人重大研究项目，旨在增强机器人与人、与作业环境、与机器人同伴的交互能力，使其能够自主适应复杂动态的环境并进行协同作业[4]，进一步促进了智能机器人的应用与发展。

智能机器人的参与，使得医药生产变得自动化、智能化，显著提高了医药生产效率与质量，保障了人民的用药安全。我国在“十四五”医药工业发展目标中明确指出：“要加强国家基本药物供应保障能力，系统性改善临床用药短缺情况，增加罕见病治疗药物品种数，进一步完善国家医药储备体系，显著增强应对重大灾情、疫情或其他突发事件的应急研发和应急生产能力。”随着目前用药需求的增大，医药生产效率的提高愈发重要，如在2020年初，新冠肺炎席卷全球，疫苗接种是目前最有效的预防措施之一。随着疫情形势的逐渐严峻，国内外疫苗供不应求，疫苗的研发与生产效率亟需提高，传统的医药生产已无法满足需求。此外，如何在提高医药生产效率的同时保证医药生产质量，也是目前医药生产中需要解决的问题。因为药品受到污染而发生医疗事故的事件仍然存在，药品生产污染严重时甚至会危及生命，社会影响巨大，所以医药生产质量安全不容小觑。国家食品药品管理总局在2010年颁布的新版《药品生产质量管理规范》中对药品的无菌生产、在线质量检测、药品生产质量等方面都提出了更加严格的要求[5]，然而目前我国无菌药品的生产基本依靠人工检测与管理，效率低成本高且风险大。虽然生产人员会穿着无菌化服装，但实际上生产人员仍是最大的污染源之一，产品易受到二次污染。此外，在药品配制过程中可能产生对身体有害的成分。澳洲卫生部已证实，一些化疗药品的配制过程可能会产生药物辐射，危害生产人员的身体健康。因此，在医药生产中引入智能机器人，一方面提高了医药生产效率与质量，另一方面也保障了生产人员的身体健康。

在各国政策的推动下，医药行业的自动化、智能化生产已逐步走向正轨。国外内已经涌现出一大批与智能机器人相结合的制药企业，通过对传统生产线升级转型，建立以智能机器人为基础的医药生产线，显著提高了医药生产效率与质量。在对智能机器人关键技术的攻坚上，也有众多学者提出了相应的方法，如在配药制药过程中采用基于多源信息融合的控制技术[6]，灌装密封过程中的柔性抓取技术[7]，高精度质量检测[8]以及在高速智能搬运过程中的路径规划[9]、任务调度技术[10]等。随着智能机器人在医药生产中的应用越来越广泛，对智能机器人关键技术的攻坚也显得越来越重要。因此，本文结合实际医药生产中智能机器人所面临的挑战，对面向医药生产的智能机器人及其关键技术进行了阐述与分析。

1 医药生产中的智能机器人及其挑战

现代医药生产是制药设备集成化、自动化、智能化的产物，需要融合制药工艺、机械制造、自动化控制、计算机技术、智能控制等多个专业学科的技术知识。目前常见的医药生产主要由配药制药、灌装密封、质量检测、搬运4个部分组成，通过相应智能机器人的协调分工合作，实现医药生产过程中高效智能柔性化生产[11]。下面将对上述4个部分的智能机器人进行简单阐述，同时对目前智能机器人的现状与挑战进行分析与总结，如图1所示。

1.1 配药制药机器人

配药制药主要通过对液体或固体原料按照不同的比例进行混合，来满足医药生产中原料混合操作的要求。配药制药过程主要包括对原料的种类识别、容器消毒、药品原料抽取与混合3个部分，如图2所示。因此，配药制药机器人主要由识别模块、加药模块、振荡混合模块组成。其中，对药品进行精准上料与混合、均匀温度控制、保证无菌环境是决定最终药品质量的关键。以西林瓶类药品的配药制药为例，完整的流程为：①容器消毒,对西林瓶整体进行消毒，防止药品受到污染；②原材料种类识别,通过对原材料容器上的信息进行识别，判断为哪种原材料；③药品原料抽取与混合,利用注射器穿刺瓶塞，以一定的比例抽取不同的药液注射到瓶中，摇匀混合。

《药品生产质量管理规范》中对配药制药生产设备从洁净等级到加工工艺以及设备智能化都有了更高的指标。目前配药制药机器人所面临的挑战主要包括以下几个方面：

(1)难以实现精准抽吸、定量控制 由于制药工艺复杂，配药制药过程中药液的用量需要精准控制，需要提高机械臂的控制精度，使其能够实现原料的精准抽吸，降低抽吸误差对药品质量的影响。

(2)多机械臂的协同配药难 为了提高制药效率，实际生产过程中往往会采用多个机械臂进行操作。有些药品的原材料难以溶解，针对这些难溶性药品，需要在配药过程中多次推拉来保证药品完全溶解，如何对多机器臂进行协同控制，最大化提高制药速度是亟需解决的问题。

(3)模仿能力差 新药研发一方面关系着人类健康，另一方面关系着医药产业的发展。各种新型疾病的出现、病毒变异导致原有药物药效降低以及尚未研制出某些疾病的针对性药物等问题都显示出新药研发的重要性，然而传统的新药研发速度难以满足需求。目前配药制药机器人可采用模仿学习的方法来提高研发速度，但机器人与示教人员之间存在难以逾越的数字鸿沟，其感知、学习、模仿能力需要进一步加强。

1.2 灌装密封系统

药品经过配药制药后会进行灌装密封，灌装密封系统主要是对药品的包装进行操作，在保证药品质量的前提下将药品存储起来，便于运输和使用。具体步骤主要包括制瓶(吹瓶)、灌装、旋盖、封口4部分，常见的灌装密封系统主要由灌装加塞工位、加盖封口工位、输送链道部分组成，如图3所示。其中灌装加塞部分主要由灌装加塞机器人、灌装针头和吸盘、胶塞振荡漏斗组成。胶塞振荡漏斗中放有瓶塞，用于将其盛有的瓶塞有序输送到指定位置，灌装加塞机器人机械臂末端夹持器上同时安装有相互垂直的灌装针头和吸盘，以便机械臂通过吸盘吸取瓶塞完成加塞动作；加盖、封口部分主要由加盖封口机器人、垂直安装于其末端的轧盖夹具和吸盘、铝盖振荡斗组成；输送链条部分主要是将托盘输送到下一个工位的指定位置[12]。

目前智能机器人在灌装密封系统中主要面临的挑战有：

(1)无损抓取难以实现 由于药品容器一般采用玻璃等易碎材料，因此对药品容器进行抓取时，需采用柔性抓取，以防药品容器破碎。柔性抓取最主要的目的是无损伤地抓取物体，可通过改变抓取机构刚度或控制夹具应力大小实现。

(2)瓶口定位不准确 在灌装密封系统中，瓶口定位是十分关键的环节，容器瓶口的定位准确与否直接决定了灌装密封的好坏。目前大多数生产线现场采用的是通过对生产线的运输轨迹进行预先定位或离线编程来进行瓶口定位。该方法的前提是工作环境由人为布局，依赖于生产线的运输轨迹不发生改变，是静态确定的，环境适应能力较差。而实际生产线可能出现由于机械抖动等环境因素导致的瓶口位置发生变化。同时，灌装容器形状多变、大小不一，摆放姿态各异，当面对这些情况时，上述静态方法都需要进行复杂繁琐的重新定位与编程，无法进行柔性生产[13]。为解决上述问题，实现瓶口的自动定位，提出了许多瓶口定位的方法，如Hough变换[14-15]、最小二乘圆检测法[16]、随机圆评估法[17]等。

1.3 质量检测机器人

质量检测机器人主要在药品生产过程中进行检测，以保证药品的质量。通过对药品或容器进行图像采集，然后利用相应的算法对图像进行分析,得出最终的质量检测结果。质量检测机器人主要包括进料模块、视觉处理模块、分拣模块3部分，如图4所示。药品首先由输送链送到进料模块，然后将药品放置到视觉处理模块进行质量检测，最后由输送链送到分拣模块[18]。药品质量检测主要包括以下3个部分：

(1)包装缺陷检测 包装缺陷检测主要对药品容器进行检测。当容器瓶口存在缺口或瓶口过薄等瑕疵时，难以进行密封，药品的密封性会受到影响；当容器瓶身出现裂缝等瑕疵时，注入液体时可能发生泄露甚至爆炸等。因此，在进行灌装密封时，首先会检查瓶口瓶身是否完整再进行后续操作。瓶口质量检测通常采用机器视觉的方法[19-20]。

(2)医用异物检测 医用异物检测主要是对药品中的可见异物、不溶性微粒进行检测，这些物质的直径一般大于50 μm，在一定条件下可以用肉眼观测到，如在药品生产、灌装过程中产生的玻璃屑、毛发、纤维、可见橡胶等异物。《中华人民共和国药典》里对可见异物、不溶性微粒的检测标准有着严格的规定，具体如表1所示[21]。常见的医用可见异物检测方法有灯检法、光阻法、光散射法、显微计数法等。

表1 《中华人民共和国药典》中对可见异物、不溶性微粒的检测标准[21]

(3)医用成分检测 医用成分检测主要是对药品的理化性质进行分析，检测最终的有效成分是否形成，当药品为中草药时，主要是用来检测药品中是否含有重金属、有害元素、农药残留等。常见的医用成分检测方法有光谱法、色谱法、物理常数测定法、生物活性测定法等，对于不同的药品需要采用不同的检测方法。

目前智能机器人在医药质量检测中主要面临的挑战有：

(1)医药异物微小、种类繁多、特征多样 药品在生产和灌装过程中可能会混入如玻璃屑、毛发、橡胶、纤维等可见微小异物，这些异物往往形态各异、特征多样，液体中的异物还会随着时间动态变化，从而加大了检测难度。其中对于中药药材来说，由于其组成成分复杂、种类多样，存在着难以将异物杂质与实际的中药药材进行识别分离的问题。

(2)医药生产线环境复杂，目标异物难以获取识别 在实际的质量检测中，低对比度的环境、液体中的气泡、容器上的透明痕迹、玻璃瓶身上的光斑、灰尘等都会给目标异物的精准识别带来较大的影响[22]。药品种类多样、生产线环境复杂使得异物识别检测算法也更加复杂，检测速度随之变慢，难以满足高精度实时质量检测的要求。

1.4 智能搬运机器人

智能搬运机器人主要用于完成药品的分拣、转运、储存等操作，常见的智能搬运机器人有分拣机器人、搬运机器人、码垛机器人等。一方面，由于许多药品受到剧烈振荡时可能会降低药效，因此对药品进行搬运码垛时需要尽力保持平稳，避免振动对药品质量产生影响。另一方面，医药搬运场景往往存在多种干扰，如人员走动、搬运场景的改变等。这些不确定性因素给高速高精度稳定搬运提出了更高的要求。

目前，搬运系统面临的主要挑战有：

(1)搬运场景复杂、动态多变，难以实现高速高精度稳定搬运物资 医药产品种类繁多，有药丸、药液、胶囊等，其对应的包装种类也形态各异，难以快速拾取堆叠，需要智能分拣机器人能够灵活控制，实现快速抓取。此外，搬运场景时刻动态变化，需要智能机器人能够及时感知识别。

(2)搬运过程中易与其他智能机器人发生路径冲突导致碰撞或停留 采用多机器人可以完成比单一机器人更复杂的任务，显著提高搬运效率，但是需要智能机器人彼此间良好的分工协作。智能机器人之间的良好分工协作一方面需要对多个智能机器人进行合理路径规划从而避免发生碰撞，另一方面需要采用合适的任务分配调度方法以提高搬运系统的效率。

2 医药智能机器人关键技术

目前智能机器人在医药生产中得到了广泛应用，智能机器人一方面能够24 h连续工作，另一方面更易保证无菌环境，极大地提高了医药生产的效率和质量。国内外许多制药企业将智能机器人应用到实际的医药生产中，取得了不错的成效。但是同时也暴露出了医药智能机器人的一些不足，如在配药制药过程中智能机器人难以实现精准抽吸、定量控制；在灌装密封中难以实现无损抓取；在质量检测中难以实现实时高精度检测；在搬运过程中难以合理规划提高搬运效率等。针对上述在配药制药、灌装密封、质量检测、智能搬运中智能机器人应用时所面临的挑战，下面将结合自身团队以及相关学者的研究对相应的关键技术研究进行阐述与分析，如图5所示。

2.1 多源信息融合控制与人机交互技术

2.1.1 基于多源信息融合的控制技术

在配药制药过程中，机器人需要获取药瓶的位置、药品的种类、药品的用量、感知抓握时的力度等多种信息，这需要机器人能够对多源信息进行感知，结合机械臂的精确控制与多机械臂间的协同配合，进而实现对原料的精准抽吸与定量控制。

为了保证配药制药的生产效率，在配药制药过程中多使用机械臂来实现自动化操作。由于配药制药场景工艺复杂，单一机械臂难以操作实现，因此需要采用多机械臂进行高效协同作业。要实现多机械臂协同作业，首先需要实现对单一机械臂的精确控制，提高其避障能力和操作灵活性，避免多机械臂在运行时发生碰撞。对此，DU等[23]提出一种新的数值序列处理方法，利用闭环框架求解7自由度冗余机械臂的逆运动学问题，该方法能够有效避免多机械臂在运行时发生路径干涉。LI等[6]提出了基于多源信息融合的自动避障方法，实验结果表明，该方法具有高障碍识别率。机械臂的操作灵活性主要取决于其控制和定位是否精准，LIANG等[24]对精确约束平行机械臂单元有了新的突破，六点精确约束并联机械臂单元具有结构简单、体积紧凑等优点，适用于精确定位。丁承君等[25]对基于多源信息融合的移动机械手末端执行器的精确定位问题进行了深入的研究，实现了机械手的视觉与超声信息的融合，进一步提高了机械臂的控制精度。针对医药生产环境复杂，易受到不平衡光照与多种背景的干扰，机械臂难以进行正确有效抓取的问题，ZHANG等[26]提出了基于保护校正的单RGB图像三维物体姿态估计的抓取算法。利用改进姿态估计算法(FastNet-V1)提取单幅图像的多层次特征，将改进的姿态估计算法与抓取姿势校正算法(Corrected Grasping Pose，CGP)相结合用于机械臂抓取，如图6所示[26]。实验结果表明，在正常光照下机械臂对3个目标的平均抓取成功率为83.3%，对单幅图像的检测速度可达到1.490帧/s。

由于机器人在自主配药制药过程中存在轨迹多样化、控制流程复杂化等问题，在进行自主决策时需要优化轨迹以加速配药制药过程。对此，AMOR等[27]针对两个或多个机械臂协同操作同一对象，提出一种控制协作系统的运动和机械手与被抓物体之间相互作用力的策略，为互连的非线性系统开发了一种新的分散轨迹跟踪控制方法。通过上述研究可以看出，将多源信息融合技术与机械臂控制相结合，使智能机器人在配药制药过程中能够达到精准抽吸与定量控制的要求，保证了配药制药的质量与效率。

2.1.2 人机交互技术

与人共融是智能机器人发展的新趋势[28]，在新药研发的配药制药过程中，智能机器人需要感知人的动作、理解配药的意图、作出相应的决策。但由于智能机器人与示教人员之间存在难以跨越的数字鸿沟，必须提高智能机器人在新药研发过程中的模仿学习能力。

智能机器人在模仿学习中常常会遇到运动模仿泛化能力差的问题，对此，于建均等[29]引入一种基于动态系统的模仿学习方法，有效解决了运动模仿存在无法收敛到目标点以及泛化能力差的问题，为智能机器人在配药制药场景下模仿配药人员的相关操作奠定了基础。从观察中模仿学习开启了智能机器人从大量在线视频中学习的可能性。CHENG等[30]证明了从观察中模仿学习在经验上达到了与从演示中模仿学习相当的性能，极大地扩展了从观察中模仿学习的发展前景。STONE[31]提出了两种从观察中进行模仿学习的算法，使得智能机器人能够仅从状态轨迹中模仿所展示的技能，而无需了解演示者选择的动作。机器人在模仿学习时不仅要学到人机交互过程中专家所演示的动作，动作执行的安全稳定性和动作的完成度也是需要关注的重点，基于此，HWANG等[32]提出一种基于姿势模仿与平衡学习的模仿算法，开发的平衡控制器使用强化学习机制，能够在在线模仿的过程中稳定机器人。通过采用机器人模仿示教人员这种人机交互技术进行新药的配制，新药研发的效率与速度可以得到极大的提高。

2.2 柔性抓取与瓶口定位技术

在灌装密封过程中需要经常对一些易碎的药品容器进行抓取，且这些容器可能大小、形状不一，因此需要研究柔性抓取来实现无伤抓取。在将容器抓取放置到指定位置后，需要将药液转移到容器内，此时需要对容器瓶口进行精确定位，防止药液溅出。因此，针对柔性抓取与瓶口定位技术开展研究是必要的。

2.2.1 柔性抓取技术

为了避免药品与容器中的某些物质发生反应影响药品质量，通常会采用玻璃这类化学性质稳定的容器。但玻璃制品在受到较大外力时可能会破碎，因此在灌装密封过程中，对西林瓶、安瓿瓶等易碎容器需要进行柔性抓取。与常见的刚性抓取相比，柔性抓取不仅需要具有较高的灵活性与柔韧性，还需要保证无伤抓取物体。对于如何改变抓取机构刚度与控制夹具应力大小，WEI等[33]受章鱼触手的启发，提出一种新型自适应欠驱动多指手(OS Hand)，与传统的刚性触手相比，OS Hand具有自适应性高、抓取配置多样、抓取力范围大等优点，在需要大量抓取、移动、释放等灵活操作的医药配药制药机器人领域有着很好的应用前景。针对非轴对称圆柱体等不规则几何形状的工件，JIANG等[34]设计了一种包含定位和夹紧系统的新型柔性夹具，可用于夹持各种形状的医药容器。LIU等[7]研究了一种具有包络抓取(Enveloping Grasping, EG)和捏抓取(Pinching Grasping, PG)模式的两指软机器人抓手，设计结合了两个可变腔室高度的双模块气动执行器(Dual-Module pneumatic actuators with a Variable Chamber height, DMVCHA)。在PG模式下，DMVCHA的高被动顺应性允许较大的接触面积，实现与物体的垂直平面接触，提高了抓取的可靠性，适合抓取中小尺寸的物体。在EG模式下，DMVCHA成为可变腔室高度的气动网络执行器，提供更大的抓取力，适用于抓取较大尺寸的物体。两种模式的抓手可以满足医药生产中药品容器形状各异的需求，实现无损伤灵活抓取。CHANDRASE KARAN等[35]设计了一种新型变刚度柔顺机器人抓取机构，该抓取器能够部分适应被抓取物体的表面，并可以利用嵌入在抓取钳口的柔性旋转元件迅速改变其刚度，易于实现玻璃安瓿瓶、西林瓶等易碎的药品容器的柔性抓取。

2.2.2 瓶口定位技术

在完成对药品的包装容器的检测后，需要对瓶口进行定位，以便将药液精准转移到容器中。然而，在实际灌装密封过程中，瓶口的图像往往会存在干扰，影响瓶口定位。ZHANG等[36]通过CCD(charge coupled device)摄像机拍摄安瓿和青霉素瓶的数字图像，利用OpenCV函数提取瓶子图像的感兴趣区域，进行滤波、分割，并采用基于像素扫描的方法提取瓶子直径、高度、瓶颈位置等特征参数，实现了对瓶口的精准定位。针对瓶口图像的边缘干扰较多，易出现定位不准确的情况，周显恩等[17]提出一种三点随机圆检测及拟合度评估的瓶口定位方法，与常见的瓶口定位方法相比，在保证执行速度的同时提高了定位精度，实现了在瓶口严重破损或存在大量干扰时的精确定位。彭永志等[13]在此基础上进行了改良，提出一种基于密度的DBSCAN(density-based spatial clustering of applications with noise)随机圆检测的多瓶口定位算法，将瓶口定位的平均定位误差降低到0.553 pixels，平均执行速度降低到1.359 ms，满足灌装密封系统中准确性和实时性的要求。

2.3 基于机器视觉的质量检测技术

2.3.1 基于机器视觉的包装缺陷检测技术

为了防止当药液容器瓶口出现裂缝、缺口等瑕疵时对药品的密封性造成影响，需要首先进行瓶口缺陷检测。进行缺陷检测的第一步是进行图像采集，光照条件对图像采集的质量有很大影响，自然光条件下亮度是动态变化的，因此GEORGE等[37]提出一种利用内部照明系统进行玻璃瓶图像采集与检测的机电装置，避免了外部光源产生的反射，能够获得高质量的图像，进而可以捕捉到细小的缺陷。ÖZTURK等[38]则是通过将传统CNN(convolution neural network)算法的单值偏差输入转换为偏差模板，利用偏差模板来平衡图像的亮度，从而使所采用的图像处理算法不受环境条件的影响。对图像进行采集后即可进行缺陷检测，目前瓶口缺陷检测的方法主要分为两类：一类是基于深度学习的检测算法，如SONG等[39]通过对全卷积单阶段目标算法进行改进，检测效果相较原有算法提高了6.9%，将其应用在瓶口缺陷检测中，提高了瓶口缺陷检测的精度。但由于深度学习算法通常需要大量的样本图像，学习时间较长、对样本的可靠性依赖较高，不利于实现快速检测。因此提出了另一类算法——阈值分割方法，该类方法简单、计算量小，但阈值的选择对最终精度的影响较大。对此，ZHANG等[40]提出一种基于离散傅里叶变换和最优阈值法的缺陷检测算法，利用离散傅里叶变换中的谱残差法突出缺陷区域，然后通过多次迭代确定缺陷区域分割的最优阈值。黄森林等[41]对阈值分割算法做出了进一步改进，提出一种基于投影特征的迟滞阈值分割算法，该算法的检测速度可达38 ms，正确率可达99.4%。

2.3.2 基于机器视觉的医药异物检测技术

医药中的异物可以分为可见异物和不溶性微粒。针对医药中的可见异物检测，传统方法主要采用人工灯检法，即工人在暗室中利用专用的检测灯进行检测。该方法速度较慢，检测结果具有很强的主观性[42]，同时可能存在由于疲劳导致的漏检、误检现象。目前，许多公司如德国Seidenader、意大利的Brevetti C.E.A、国内的楚天科技等结合机器视觉推出了全自动灯检机，提高了检测速度和精度。为进一步实现高速高精度检测，满足实际生产中的需求，张辉等[43]通过改进模糊细胞神经网络图像分割方法得出了药液中异物的目标特征和动态变化信息，采用基于支持向量机的分类算法进行了异物识别。ZHANG等[8]提出一种结合单帧图像和多帧图像处理的深度多模型级联方法来检测和识别外来微粒。实验表明，该多任务分步方法提高了外来微粒检测的准确性，降低了强噪声情况下的漏检率，实验结果漏检率为1.86%，误检率为2.38%。DAI等[44]采用三阶差分法对输液瓶内可见异物进行检测，实现了对产品质量的在线实时检测。

对于不溶性微粒常常采用光阻法和显微计数法，光阻法主要是利用传感器输出的信号强弱来判断微粒大小，速度更快，但显微计数法能够更加精确地得到结果，因此实际中往往会采用光阻法进行初步的筛选。国外对光阻法的研究较早，日本的eisai公司早在上世纪80年代就提出了光阻法[45]，国内近些年也有众多学者针对如何提高光阻法计数的速度与精度进行了研究。梁明亮等[46]通过采用透镜阵列加探测器阵列来改进优化光路设计，有效增大了不溶性微粒的特征信号，进而提高了不溶性微粒的检测率，对玻璃屑的检测率可达96.7%，纤毛检出率达到86.3%。李健乐等[47]通过改进前置放大电路，提出一种无需消除药液中的气泡，采用输出电压来区分气泡与污染颗粒的方法，提高了光阻法颗粒计数的效率。

2.3.3 基于高光谱成像的成分分析技术

高光谱成像技术由20世纪70年代的多光谱成像技术发展而来，其生成的图像在每个像素上能够提供几十到几百个连续狭窄波段的光谱信息，具有光谱范围广、分辨率高、在光谱范围内连续成像等优点。近年来，鉴于高光谱图像在反映物质内部性质方面的优越性，高光谱成像技术在成分分析中运用得越来越多。高光谱成像技术在中药及化学类药物性态及成分检测中的应用已经十分广泛[48-50]，相比传统的可见光视觉传感器所采集到的图像，基于高光谱成像技术的医药图像检测更利于分析医药内部性质及其变化，因此可以利用基于高光谱图像的检测技术检测药物最终的有效成分是否形成。针对疫苗中蛋白质抗原的检测与分析，DABKIEWICZ等[51]利用近红外光谱技术测定了黄热病疫苗中蛋白氮的含量；针对疫苗水分含量的检测，ZUBAK等[52]利用近红外分析方法测定冻干脑膜炎球菌疫苗中的水分含量。与其他成分检测技术相比，基于高光谱图像的检测技术具有对生物细胞活性损伤小、残留生成物少以及分析速度快等优点，在医药成分检测和质量检测方面具有巨大潜力。由于基于高光谱图像的检测技术需要从高光谱图像所包含的大量数据中提取出有用信息，从数据校准校正、数据压缩、谱维数降低和数据分析到最终结果的确定都需要一定的时间。因此，目前基于高光谱图像的检测技术在医药行业应用还不普及，需要进一步研究与探索。

2.4 路径规划与任务分配调度技术

2.4.1 路径规划技术

路径规划技术是指如何使机器人从位置A到位置B找到最符合约束条件的路径[53]。路径规划问题首次在20世纪60年代被提出[54]，随着智能搬运机器人的发展，路径规划技术越来越得到重视。目前常见的算法有A*算法[55]、蚁群算法[56]、遗传算法[57]等，针对不同的应用场景对这些算法进行选择，实现最优路径规划。目前单个机器人的路径规划技术已经十分成熟，而多机器人的路径规划往往会遇到路径冲突的问题，从而影响整体的搬运效率。针对搬运过程中出现的碰撞问题，ZHANG等[58]提出了活力驱动的遗传算法，该算法能够在最小化任务时间的同时实现无冲突路径规划。在路径冲突处理策略中，不仅考虑了一个网格单元中的公共路径冲突，还关注了相邻网格单元中交换位置时机器人之间的路径冲突。相较于传统算法遇到碰撞时往往采用等待的解决方式，ZHANG等[9]提出一种基于碰撞分类的AGV(automated guided vehicle)无碰撞路径规划策略，根据碰撞类型提出了3种在发生碰撞时的解决方法——选择候选路径、后面的AGV在出发前等待、修改后续AGV的路径。实验表明该策略提高了多机器人搬运的效率。

2.4.2 任务分配调度技术

当系统中同一时间段内多个机器人执行不同任务时，往往会出现任务分配调度难以稳定控制及优化的问题。对此，GHASSEMI等[10]提出了多智能体任务分配算法，将任务规划问题转化为二部图的最大加权匹配问题，利用Blossom算法进行求解，使得每个机器人能够自主地确定其应该承担的最优任务序列。FAN等[59]提出了基于市场拍卖的任务分配算法，在任务分配过程中，机器人会结合任务本身的成本和任务之间的相关成本进行竞价，以优化所有机器人总距离和机器人总运行时间这两个性能指标。随着多机器人系统的发展，由于分布式算法对未知环境具有较强的适应能力，分布式协调成为多机器人系统的主要组织方式。根据以往的研究可以发现，机器人只与本地网络中的少数成员进行交互，并通过网络传输与大多数其他成员进行连接。即使采用相同的协调策略，不同的网络拓扑结构也会对系统协调效率产生直接和显著的影响。LIU等[60]分析了复杂的网络特性如何影响多机器人协调中的协同通信和交互，并通过分析网络特性提出一种网络调整方法，以提高多机器人协调的效率。

3 展望与趋势

随着国家对制药设备标准的进一步提高和对药品需求量的进一步增大，对医药生产的生产效率和质量提出了更高的要求，智能机器人的发展为医药生产带来了新的机遇。国家颁布的新版《药品生产质量管理规范》中对制药设备的稳定性、安全性、生产效率相较以往有了大幅提高，因此为提升制造工艺技术和生产效率，目前制药设备主要朝着集成化、自动化、智能化的方向发展[61]，其中：

(1)制药设备集成化是指将多种制药设备集成在一个设备中，使其能够完成多种制药工艺。制药设备集成化能够很好地避免设备之间的交叉污染、减少操作人员和设备占用空间以及降低安装技术的要求。

(2)制药设备自动化是指在没有人参与的情况下，制药设备通过自动检测、信息处理、分析判断，自动调节完成预期的工艺。制药设备自动化能够极大地提升制药设备的产能和生产效率。

(3)制药设备智能化是指在计算机网络、物联网、人工智能和大数据等技术的参与支持下，制药设备能够自主完成对应工艺的制药，其中以智能机器人为主的制药设备正在被越来越多的制药公司采用。

同时，为响应2020年9月中国在第75届联合国大会中提出的2030年前“碳达峰”、2060年前“碳中和”的目标，医药生产在快速、高效发展的同时，也朝着绿色的趋势发展。通过加快医药生产线的绿色改造升级、推进资源高效循环利用、积极构建绿色制造体系，建立以智能机器人为基础，结合大数据、人工智能等新兴技术，实现药品从原料到存储运输的柔性化、定制化、智能化生产，促进药品生产向高效、绿色的方向发展。

随着智能机器人在医药生产中应用的不断增多，在关键技术方面不断突破，医药生产效率与质量得到了显著提高。尤其是在面对2020年初的新冠肺炎时，以智能机器人为基础的医药生产方式的产能及效率能够在一定时间条件下满足需求，没有出现长时间的物资匮乏现象，但同时也暴露出了一定的问题，智能机器人在医药生产的实际应用中仍然存在不足。受到制药设备发展趋势的影响，未来面向医药生产的智能机器人主要朝着如下3个方面发展，如图7所示。

(1)实时性、可靠性 虽然神经网络的发展使得质量检测取得了突破性进展，但目前质量检测实时性仍有不足，尤其是在基于高光谱图像的检测技术方面，由于高光谱图像数据信息量大，检测速度相对较慢，可以结合云计算等技术进行进一步的完善提高。同时质量检测的检测对象单一，检测内容有限，无法满足医药市场的需求。“多模态”、“多模型”、“多任务”在医学成像[62-63]、人脸识别[64-65]、智能交通[66]等领域取得了良好的效果，因此可以整合深度学习中的“多模态”、“多模型”和“多任务”，提高医疗质量检测的水平。

(2)自主性、灵活性 目前配药制药机器人在灵活性和决策能力方面还有所欠缺，主要表现在感知能力较弱。在实际医药生产中，由于生产环境复杂多变，大多数机器人只是在结构化环境中执行各类简单的、确定性的任务。因此，一方面需要加大对新型传感器的研究，使机器人能够结合多源信息感知技术更好地感知环境，自主做出最优的决策;另一方面需要进一步对人工智能、类脑机器学习[67]等方面进行研究，提高智能机器人的自主决策能力。

(3)交互性、协作性 在复杂的医药研发和生产环境下，单一机器人难以完成作业，通常需要人机配合、多机器人协同作业来提高配药制药的灵活性，但目前智能机器人交互能力较差，难以理解医药人员的意图和预测医药研究人员的行为，在配药制药过程中易与研究人员发生碰撞，无法有效地配合作业，且存在着一定的安全隐患。因此，未来需要对共融机器人进行进一步的研究，增强机器人与环境、人类、机器人的交互能力，提高智能机器人的协作和感知解释环境的能力。

4 结束语

医药安全是重大的民生和公共安全问题，事关人民生命安全和国家繁荣稳定。智能机器人能够极大地提高医药生产的效率与质量，对医药行业有重大意义。本文对医药生产中智能机器人在配药制药、灌装密封、质量检测、智能搬运等方面的应用进行了概述，并指出了目前所面临的问题与挑战，同时基于此对相应的关键技术进行了综述与分析，最后结合国家相关政策对面向医药生产的智能机器人的未来发展趋势进行了展望。相信未来，在研究学者与制药企业的共同努力下，智能机器人在实时可靠性、自主灵活性、交互协作性方面能够得到进一步的提高，满足实际需求，从而使得医药智能机器人在生产效率与质量上实现新的突破，极大提升医药生产水平。