面向复杂狭窄结构检测清除的超冗余度机器人研究进展

薛雷,邓江沁,李子清,刘超,吕美凤,谷国迎*

(1.上海飞机制造有限公司,上海 201324; 2.上海交通大学机械与动力工程学院,上海 200240)

大型复杂深腔构件是航空航天、核电、船舶等领域装备的核心部件,此类构件内部包含大量复杂狭窄结构,在制造与装配这些复杂狭窄结构的过程中,容易产生切屑、螺钉、螺母等多余物影响高端设备安全运行。因此,定期进入这些复杂狭窄结构进行多余物检测与清除对维持其安全运行至关重要。然而,这些复杂狭窄结构具有复杂、狭窄、弱光/无光、封闭、多障碍物等特点,给复杂狭窄结构的安装、检测和多余物清除工作带来了巨大的挑战。受限于较低的自由度数和灵巧性,传统的工业机器人无法进入这些复杂狭窄结构,超冗余度机器人由于其具有大长径比和运动灵活和自由度多等特性[1-3],能模仿蛇的形态及运动形式进入狭小受限空间开展作业,被应用于航空航天[4-5]、核工业[6]、医疗设备[7-8]等领域,受到学术界及工业界的广泛关注。

“超冗余”一词最早由Chirikjian等[9]提出,是指具有非常多的或者无限自由度的冗余机器人,这些机器人在形态上类似“蛇”[10]、“象鼻”[11]、“章鱼触手”[12]和“触角”[13]。超冗余度机器人由于具有冗余自由度的特性,传统的工业机器人的研究方法不可直接应用,给其结构设计、运动学模型、控制方法、运动规划等方面带了严峻的挑战。现首先介绍超冗余度机器人的结构研究,从结构设计的方面对超冗余度机器人进行分类,然后从运动学模型、控制方法、运动规划等方面对中外超冗余度机器人相关研究进行综述,最后对超冗余度机器人研究进行总结和展望。

1 超冗余度机器人的结构设计

超冗余度机器人相关的研究已经近半个世纪,在此过程中,其逐渐演化出两种不同的结构类型,由具有柔性的连续体段实现弯曲变形的连续体机器人和通过刚性铰接关节连接并实现类蛇形弯曲的多节串联机器人。

1.1 连续体机器人

连续体机器人通常由具有柔性的连续体段组成,其运动由构成连续体段材料本身的柔性变形来实现。连续体机器人具有多种类型,按照驱动方式的不同可大致分为内置驱动与外置驱动两种类型。外置驱动的连续体机器人通常使用后置的传动装置为前端细长的连续体段材料提供驱动力,内置驱动的则通常利用气压或形状记忆合金(shape memory alloys,SMA)产生驱动力。连续体机器人可以按照驱动方式的不同分为以下4种类型。

(1)绳驱动连续体机器人:绳驱动连续体机器人主体结构通常带有一根中央杆(backbone),具体形式为一根单独的具有一定弹性变形能力的杆[14]。中央杆上通常带有供驱动绳通过和固定的圆形间隔片,后置的驱动装置通过拉紧放松绳相互协同作用的方式使得细长的连续体实现一定的弯曲变形,如图1所示。

图1 绳驱动连续体机器人[14-15]

(2)同心管连续体机器人:同心管连续体机器人的主体结构通常由几根预先弯曲成固定曲率的镍钛合金管以嵌套的形式组成,其外侧嵌套的管刚度强于内侧嵌套的管,当内侧嵌套的管发生轴向收缩时,将会在外侧管的作用下发生弹性变形,整体呈现出近似外侧管预先弯曲的形状。机器人整体的三维空间运动则通过相对旋转和伸缩来实现[16],如图2所示,由于其结构简单,其直径可以达到毫末甚至亚毫米级,在手术机器人领域中得到了广泛应用[17]。

图2 同心管连续体机器人[18]

(3)气动连续体机器人:气动连续体机器人本体结构不仅仅使用充气腔室构成具有弹性的中央杆,也将充气腔室作为驱动器来使用[19-20]。如图3所示,该类机器人运动功能的实现源于可充气腔体,通过不同充气程度的形状变化实现三维空间运动,其中多个充气腔室可以沿着弯曲中轴线四周进行排布,在和外界环境发生碰撞时可实现柔顺屈服,具有较高的安全性能。

图3 气动连续体机器人[20-21]

(4)形状记忆合金连续体机器人:基于形状记忆合金(SMA)的连续体机器人通常采用多杆形式,其中中央杆为一根单独的具有弹性变形能力的杆,SMA作为机器人的副杆和驱动器,通过施加一定的外部作用实现SMA的变形,从而驱动机器人实现空间的三维运动[22],如图4所示。

虽然无限自由度的连续变形能力给连续体机器人带来了许多优势,如可保证与外部环境接触时的自适应性、运动灵巧性等特点,但是由于连续体机器人依赖柔性材料变形的特点产生运动,导致相对较低的运动刚度、负载能力和精度,从而在一定程度上限制了连续体机器人在航空航天检修、核电设施维护等复杂工业环境下的应用。

1.2 多节串联超冗余度机器人

多节串联形式的超冗余度机器人本体结构通常是由万向关节连接的若干段刚性臂体串联而成,通过增加万向关节和刚性臂体的数量来增加运动自由度,进而实现三维空间的灵巧运动。根据驱动装置的位置可以将多节串联超冗余度机器人分为关节内置驱动和后置驱动两种类型。

(1)关节内置驱动:与传统的工业机器人类似,通过在关节处安装电机等驱动器对各个关节转角进行直接控制,以使机械臂本体达到目标位姿。该类机械臂技术相对传统,发展较早。1995年,美国宇航局喷气推进实验室(jet propulsion laboratory,JPL)开发了一款关节驱动超冗余度机械臂[24],共有6节12个自由度。挪威科学和工业研究基金会研发的Anna Konda机器人具有11节完全相同的臂体单元,由10个具有2自由度的万向关节连接而成,关节处使用直线驱动器驱动,如图5(a)所示。卡内基梅隆大学研发的一款应用于地震灾后搜救的蛇形机器人U-snake原型样机如图5(b)所示,该机器人同样采用关节内置驱动的方式,使用模块化的关节串联而成,16模块关节构成的蛇形机器人长约1 m,直径约50 mm,机器人的末端包含一个摄像头和LED灯,能够实现在各种地形上的三维运动和探测[25]。

关节内置驱动的方式具有控制简单、驱动力大等优势,但在超冗余度机械臂的结构设计时,关节处安装的驱动器会增大臂体直径和重量,在一定程度上影响机器人的控制精度和运动性能。此外,安装有精密电子元器件的机械臂体难以应用于辐射、高温高压等不良环境。

(2)后置驱动:目前,后置驱动的多节串联超冗余度机器人基本上均采用绳驱动的驱动方式。如图6(a)所示,OC Robotics公司为法国空中客车公司专门研制了一款用于机翼腔内作业的绳驱动超冗余度机器人[27]。如图6(b)所示,上海交通大学的谷国迎教授团队设计了一款具有24个臂体自由度的超冗余度机器人[28],由蛇形机械臂、驱动机构和底座运动平台组成,其驱动机构同样为后置设计。

图6 驱动后置超冗余度机器人[27-28]

后置驱动的结构设计具有臂体轻量化、大长径比和对特殊环境的适应性等优点,被众多学者所青睐。例如后置驱动可以保证纯机构的臂体部分进入诸如水下[1,29]或存在电磁干扰[30]的环境执行相应的作业任务。

为提高超冗余度机器人进入狭窄受限空间的作业能力,超冗余机器人的末端可设计相应的执行器进行探测清除等作业。早在1994年,超冗余度机器人末端设计搭载了末端机械手,该机械手可以携带工具或检查设备穿过孔到达核反应堆中的工作位置[31]。随着研究的深入,末端执行器的功能更加丰富多样,如图7所示[27],从左到右分别具有视觉检测、密封剂涂敷、锁紧螺栓等功能的末端执行器。

图7 驱动后置超冗余度机器人[27]

此外,还有在末端搭载高压水枪和变焦镜头配合进行清洁作业的超冗余机器人[32],但在机器人末端搭载具有多余物清除功能的末端执行器还鲜有报道,主要难点在于精确的运动引导控制和设计可靠的自适应小型化末端执行器。

不同结构设计的超冗余度机器人有着各自的优缺点。连续体超冗余度机器人的优点是直径小、柔性强,缺点是精度低、灵巧性差,更多应用在医学领域或者小型设备的维修与检测。多节串联超冗余度机器人的优点是精度高、灵巧性高、刚度大,缺点是直径大、柔性小,更多应用在飞机油箱、核电站等大型装备的复杂狭窄结构的检测和清除。而后置驱动的多节串联超冗余度机器人长径比更大,且在探测和作业过程中不需要接触工件,因而取得了更为广泛的应用。

2 超冗余度机器人的运动学建模

超冗余度机器人的运动学建模是对超冗余度机器人进行运动控制的关键,是超冗余度机器人学术研究的重点之一。大部分超冗余度机器人具有串联结构,所以可以采用传统的工业串联机械臂的运动学建模方法对超冗余度机器人进行运动学建模,主要的方法包括以下3种。

(1)D-H坐标建模法:D-H坐标建模法是如今机器人领域应用最广的运动学建模方法之一,该方法用来描述串联式链路上连杆和关节的坐标关系[33]。D-H参数法表示机器人的基本思想在于:在开链机构的每个连杆上都建立坐标系,再通过确定相邻坐标系之间的相对位移关系建立正向运动学方程,进而表示机器人。按照D-H指定的规则进行建模,就可以得到各运动关节的坐标系与工具坐标系下坐标的变换关系,一般用矩阵进行表示。Craig[34]提出了一种改进的D-H参数法,在建立关节坐标系时将坐标系固结于该连杆的近端而不是远端,从而使D-H运动学模型更容易被直观地理解。为了便于区分,这种方法被称为改进D-H(Modified D-H),而之前的方法被称为标准D-H(Standard D-H)。Walker等[11]使用D-H参数法建立了象鼻超冗余度机器人的运动学模型,Anjum等[35]使用D-H参数法建立了9自由度超冗余度机器人的运动学模型。Fang等[3]用改进D-H参数法建立了24自由度的后置驱动绳驱动超冗余机器人的运动学模型。D-H坐标建模法参数意义直观,容易理解和推导,在超冗余机器人领域取得了广泛应用,但用于其坐标系之间串联、坐标点离散的特点,D-H坐标建模法只适用于多节串联超冗余度机器人的运动学建模,而不适用于连续体机器人运动学建模。

(2)指数积(product of exponentials,POE)建模法:POE建模法通过指数积的形式建立了运动旋量与刚体运动矩阵的映射关系。关节轴线处的运动旋量产生关节的运动,再将旋量通过指数映射就可以得到机器人的运动模型[36]。相较于D-H坐标建模法,POE建模方法的优点有:表达形式紧凑,拥有李群的理论基础,易于几何可视化,计算效率高[37]等。此外,POE建模法在机器人的运动规划、正逆运动学分析和参数标定等方面也有着很好的应用。Tang等[3]用POE建模法建立了后置驱动超冗余度机器人的运动学模型,Zhao等[38]将用POE建模法建立了连续体超冗余度机器人的运动学模型。Ju等[39]用POE建模法建立了绳驱动超冗余度机器人的运动学模型。POE建模法虽然计算效率比D-H坐标建模法更高,但是仍然保留了D-H坐标建模法串联和离散的特点,只适用于多节串联超冗余度机器人的运动学建模,用于连续体机器人运动学建模的效果不佳。

(3)恒曲率建模法:D-H坐标建模法和POE建模法适用于刚柔耦合、串并联混合的超冗余机器人,是由于这类机器人主要用金属制造,建模方法与传统机器人类似。但对于用柔性材料制作的连续体超冗余度机器人,这两种方法就不适用了。为此,文献[40-42]提出了恒曲率模型来解决连续体超冗余度机器人的建模问题。恒曲率建模法的核心思想是:单节连续体机器人在驱动器的作用下产生的变形类似于圆弧。Gravagne等[43]利用欧拉-伯努利梁理论证明了梁一端施加一个恒定力矩时,其变形符合恒定曲率结论,这项研究是恒曲率建模法的理论基础。Tonapi等[44]利用恒曲率模型建立了绳驱动连续体机器人的运动学模型。Li等[45-46]使用恒曲率建模法建立了绳驱动多节串联超冗余度机器人的运动学模型。Caasenbrood等[47]将恒曲率建模法与黏弹性、超弹性理论相结合,建立了超弹性软机器人的运动学模型。恒曲率建模法既可以用于连续体机器人的运动学建模,又可以用于多节串联超冗余度机器人的运动学建模,具有更好的通用性,但当驱动绳或驱动杆的弹性变形、弯曲变形相互耦合时,恒曲率建模法的精度会明显下降。

除了上述3种方法,针对串并联混合的金属制作的超冗余度机器人,还有S模型法[48]、CPC[49]模型法等建模方法,而针对连续变形的柔性超冗余度机器人,还有连续骨架法[50]、变曲率模型法[51]等方法。随着建模方法的不断改进,超冗余度机器人的运动学模型精度也越来越高,而且具有了更强的普适性,为超冗余度机器人的科学研究奠定了基础。

3 超冗余度机器人的控制方法

在受限空间中进行探测对超冗余度机器人的运动精度要求较高,因此需要研究超冗余度机器人的控制方法以提高超冗余度机器人的运动精度。超冗余度机器人的控制方法可以分为开环控制和闭环控制。

开环控制的主要思想是基于对机器人建立的运动学模型计算驱动器的驱动量,从而控制机器人达到指定位姿。为了提高控制精度,有一些开环算法使用了运动学标定等方法降低了机器人在机械制造与装配中产生的静态误差[52]。另外,可以通过更细致的建模方法和特定的算法来降低机器人的绳孔间隙、绳孔摩擦、绳索变形等动态误差。针对绳孔间隙产生的误差,可以使用切比雪夫多项式拟合不同姿态下驱动绳长度的大量数据集来进行补偿[53],也可以使用Dijkstra算法来进行直接计算[54]。针对绳索变形和绳孔摩擦产生的误差,可以通过动力学建模进行计算[55]。机器人在运动过程中速度不连续、不平滑也会造成机器人的运动精度降低,针对此问题,可将一般用于机床控制的两级规划方法应用到绳驱动超冗余度机器人上[56],以达到运动过程机器人的关节角度值、速度、加速度变化连续的目的,从而提升控制精度。

闭环控制主要通过传感器反馈的信息对机器人进行闭环控制。应用比较广泛的方法有如下3种。

(1)关节角度闭环控制法:关节角度闭环控制法是指通过超冗余度机器人上的关节角度传感器反馈的各关节实时角度变化来进行闭环控制的方法。该方法的主要思想是通过角度传感器测量超冗余度机器人在运动过程中的实际角度值与目标角度值之间的误差,再以减小该误差为目标设计闭环控制器,提高机器人各个关节的角度运动精度,从而提升机器人的运动精度。直接把超冗余度机器人的运动学模型和基于目标角度与实际角度误差的PID(proportional integral derivative)控制器相结合是实现关节角度闭环控制的最直接的方法之一[57]。通过关节角度信息可以设计基于预测的前馈补偿器和多节拉紧-放松闭环控制器,从而实现超冗余度机器人自动回零初始化的功能,并显著提升机器人的运动精度[28,58]。基于分层驱动原理,可以实现超冗余度机器人的多关节角度同步运动[59]。由于关节角度闭环控制法可以精确控制各个关节的运动角度,所以非常适合多节串联的超冗余度机器人的运动控制,通过控制每一节的关节转角的精度,可以显著提升机器人的总体运动精度。

(2)末端视觉闭环控制法:末端视觉闭环控制法是指通过超冗余度机器人末端的摄像头采集的视觉反馈信息来实现机器人的闭环控制。基于双目视觉与识别算法,超冗余度机器人可以获得待检测物体的相对坐标[60]。在一些特定任务中(例如清除多余物任务),超冗余度机器人末端需要运动至目标点进行作业,从而需要对机器人末端进行闭环控制,保证机器人的作业精度[61]。末端运动控制的主要方法有两种:第一种是以当前机器人末端位置为起点,多余物位置为终点进行实时路径规划,不断更新路直接控制径从而引导机器人接近多余物;第二种是对机器人最后的若干个关节进行PID控制,使得机器人末端可以始终朝着最短或者最合适的方向向多余物靠近。此外,这种方法还可以应用于超冗余度机器人的无标定视觉伺服技术中,以提高机器人的运动精度[62]。末端视觉闭环控制法适用于所有需要进行末端作业的超冗余度机器人,具有较好的通用性,但由其控制系统的输入只来自于末端相机,所以只能对机器人末端的运动精度进行提升,而对于前面的臂体段的运动精度提升效果较小。

(3)力传感器闭环控制法:力传感器闭环控制法是指通过在超冗余度机器人的驱动器上布置力传感器来进行力学闭环控制的方法。该方法的思路是通过力传感器测量出机器人驱动绳上的实时张力,再根据超冗余度机器人的动力学模型推导出机器人运动的位置、速度和加速度,然后将机器人的这些运动参数与期望的参数之间的误差作为控制目标进行闭环控制,从而提升机器人的运动精度。通过推导机器人精确的运动学模型和速度雅可比矩阵与力雅可比矩阵,可以对机器人的控制系统进行张力优化[55]。通过对机器人建立简化的动力学模型,可以设计基于递归动力学与绳驱动力—电机扭矩关系推导的前馈扭矩控制策略,从而提高机器人的运动精度[63]。通过二次规划的方法可以对超冗余度机器人的驱动绳上的张力进行优化,提高机器人的轨迹追踪误差[64]。力传感器闭环控制法是基于动力学的,但目前超冗余度机器人多应用于低速运动的场景,运动过程可以近似为准静态过程,所以该方法对于机器人的整体精度的提升效果一般。另一方面,由于该方法分析了机器人的受力情况,对于机器人的健康监测和需要考虑受力的末端作业是不可或缺的。

为了满足各种复杂受限空间中的作业需求,对超冗余度机器人运动精度的要求的不断提高,有关超冗余度机器人的开环控制法和闭环控制法的研究也在不断进步。在实际应用中,使用开环控制法和闭环控制法相互融合的控制方案越来越多,闭环控制法中也逐渐开始研究将角度传感器、视觉传感器、力传感器的信息相互融合进行控制的方法。

4 超冗余度机器人的运动规划

冗余自由度的特性使得超冗余度机器人具有在复杂受限空间中完成避障作业的能力。但是,冗余自由度带来的逆运动学多解、求解效率低等问题导致传统工业机器人的方法不再适用。此外,受限空间中障碍物众多,环境复杂,超冗余度机器人在这种环境下进行运动规划是一个很大的挑战。目前超冗余度机器人的运动规划主要以离线规划为主,分为以下两种。

(1)基于曲线的运动规划:基于曲线的规划方法是指使用一条时变的曲线来表示机械臂在各个时刻的目标位姿并控制机械臂拟合该曲线的形状,因此在运动规划的过程中,只需要规划出任意时刻的曲线姿态,进一步通过拟合曲线形状即可间接完成对机械臂的运动规划。曲线的数学表征参数通常远小于超冗余度机械臂的自由度,因此使用该方法可以大幅降低规划的复杂度[9,65]。

该方法通过使用一些简单的时变理论曲线来表征机械臂在各个时刻的位置和形态,从而实现机器人的运动规划。但在狭窄深腔环境中使用简单的理论曲线表征无碰撞的路径较为困难,因此该方法更多被运用在受限程度较低或空旷环境下进行运动规划。

(2)基于末端跟随的运动规划:针对超冗余度机器人细长的臂体结构和灵活的运动能力提出了一种专用的基于末端跟随的运动规划算法[66]。目前基于末端跟随的运动规划算法基本上都是按照预先规划好的一条目标路径进行末端跟随运动,故该方法可以划分为路径规划和路径跟随运动两个部分。

路径规划可以视作如何在狭窄受限环境内获取一条从起点到目标点的无碰撞路径曲线的问题,常见的路径规划方法有遗传算法[67]、蚁群算法[68]、栅格地图法[69]、人工势场法[70]、基于采样的方法[71]等。上述方法虽然均可以完成路径规划的基本要求,但是其规划出的路径由于少有考虑关节角度限制、总长度限制、末端位姿限制等因素往往不能直接应用于超冗余度机器人。为解决该问题,基于快速拓展随机树(rapidly-exploring random tree,RRT)算法,上海交通大学的谷国迎教授团队针对末端跟随运动研究了专门的路径规划算法[72-73]。该类算法规划出的路径不仅可以满足狭窄深腔环境的避障要求,也具有路径的可跟随性和不等长臂体的适应性。

在规划出了具体的目标路径后,如何实现机器人对预规划好的路径的跟随运动也至关重要。早在1999年,一种针对超冗余度机器人的路径跟随算法[61]就被提出,该算法由于其大幅度降低了运动规划计算复杂度被广泛应用。该算法应用于超冗余度机器人的路径跟随,有3种方式用来评估路径跟随的性能:①机器人的本体关节是否与路径相切[74],该方式由于需要保证跟随过程中臂体始终与目标路径相切,需要获得目标路径的空间解析表达曲线,而表达曲线往往难以获得,计算效率较低;②将机器人本体关节离散化,量化机器人的关节和目标路径之间的欧几里德距离[75-76],这种方式由于离散点过多,计算量较大,会使它评估的性能恶化;③机器人的关节中心和路径之间的欧几里德距离[77],这种方式由于其仅匹配关节中心和目标路径,计算量较小,被众多学者所青睐,但目标路径的离散化会降低计算效率,离散误差会使它跟随目标路径的性能恶化。因此,Tang等[78]提出了预测查找方法以提高计算效率,并提出了插值补偿算法[78]以减少离散误差,如图8所示。

r(λ)为规划的路径曲线;M(In)为路径曲线离散点集;Ci(t)为t时刻的第i个关节的位置信息;Ci为圆心;Ci、MIn为半径为Li的圆与直线;CiMIn+1和路径曲线分别相交于点A,E和B处;点F在线段CiMIn+1上并满足约束条件‖CiF‖=‖CiMIn‖=Li;点G在直线CiB上;且EG与FMIn平行

相较基于曲线的运动规划方法,基于末端跟随的方法是控制机械臂在运动过程中持续沿着一条固定路径曲线运动,机器人本体扫过的空间体积大幅减少,适用于超冗余度机械臂在复杂狭窄受限环境中的避障运动。如图9[72-73]所示,通过使用基于末端跟随的运动规划算法,控制超冗余度机器人安全进入复杂狭窄结构,通过在机器人末端搭载相应的视觉系统和末端执行器,可以实现狭窄深腔环境的探测和多余物清除等作业。然而,离线的运动规划算法无法保证实时规划出无碰撞的路径,并且对环境的先验信息依赖较高,难以应用在环境未知的受限空间,在线运动规划成为运动规划研究的一个方向。目前,针对超冗余度机器人的在线运动规划并不多见。较为新颖的一种方法为Martin-Barrio等[79]提出的基于混合现实的遥操作控制方法。该方法通过三维重建并结合虚拟现实(virtual reality,VR)设备与机器人模型进行直接交互,并按照交互结果给机器人发送相应的运动指令。

5 结论与展望

对中外超冗余度机器人的结构设计、运动学建模、控制方法和运动规划等方面的研究进行了分析。目前对超冗余度机器人的研究已取得了一定的研究成果,但超冗余度机器人在不同的复杂受限空间中开展作业时仍面临着诸多问题,未来的工作需要从不同角度对超冗余度机器人进行深入研究。

在结构设计方面,多节串联超冗余度机器人后置驱动的结构设计是一种有效可靠的设计形式。在该设计形式的基础上,降低结构设计产生的运动误差,并对超冗余度机器人臂体单元进行小型化、轻量化设计,进一步提高机器人的可靠性和灵活性;在超冗余度机器人末端设计集成化的末端执行器,提高超冗余度机器人进入狭窄深腔环境的作业能力。

在运动学建模方面,应该针对超冗余度机器人的特点,研究标定方法和绳孔误差,形成更为准确的运动学模型,从而降低超冗余度机器人的建模误差,提升机器人的运动精度。

在控制方法方面,开环控制法需要研究和考虑更多的因素从而降低控制误差,闭环控制法需要增加传感器的数量,并对传感器的测量结果进行融合,从而对超冗余度机器人进行全方位全过程的控制。

在运动规划方面,离线运动规划能够通过环境的先验信息规划出有效的目标路径,但由于其无法保证实时规划出无碰撞的目标路径,从而降低了超冗余度机器人的环境探测能力,在线运动规划的需求则对规划方法的实时性提出了挑战。

在末端执行器方面,狭窄深腔环境下的多余物探测清除作业对末端执行器的设计提出了更高的要求,需要设计具有视觉探测、有效抓取等功能的集成化末端执行器,提高超冗余度机器人的作业能力。

在工程实践中,超冗余度机器人的设计方法将更加集成化、标准化,面对不同的复杂环境将具备定制化的解决方案,从而应对各种复杂环境对超冗余度机器人作业提出的要求。