论文精选 | 数字孪生与可穿戴MR设备驱动的以人为本协同装配——以大型空间展开机构为例

 人类在制造环境中一直发挥着不可替代的作用。而在不同的历史时期，人的角色是不同的。工业革命不同时期操作员在制造业中的作用如图1所示。在工业革命之前，由于科学技术的原始水平，人类受到大量体力劳动的困扰。在工业1.0和工业2.0时期，人类从复杂的体力劳动中解放出来，开始用先进的机械提高生产效率。以信息技术为核心的工业3.0使人类摆脱了大量重复的计算和记忆，更加专注于创新、创造和技术更新。工业4.0是指利用信息物理系统（CPS）将生产中的供应、制造、销售等信息数字化、智能化，最终实现快速、有效和个性化的产品供应。在工业4.0时代，提出了“熄灯工厂”的概念，但这并不意味着没有任何人为干预。相反，人类的智能在其中更为明显，尤其是在个性化和定制化生产中。在工业4.0中，定制和个性化产品是一种最能满足个人客户需求的流行趋势，这可以通过云技术，人机协作，大数据，数字孪生和其他使能技术来实现。尽管工业4.0的这些先进技术对利润产生了实质性的积极影响，同时忽略了环境和社会指标，但快速工业化也会导致操作者健康和安全的恶化。为了改善这种情况，欧盟委员会最近发布了关于“工业5.0——迈向可持续、以人为本和有弹性的欧洲工业”的政策简报。根据Xu等人和Wang的文章，工业4.0更注重技术，而工业5.0则更注重价值驱动，以实际实施工业中的可用使能技术。工业5.0的核心价值观由三大支柱支持：以人为本、可持续性和韧性。为了平衡经济发展与解决社会问题，Jampan Cabinet提出了社会5.0的概念，这是工业5.0的延伸，以工业5.0为子部分。   

通过以上分析，显然，历次工业革命的目的是提高生产效率，降低包括体力劳动在内的人力强度。然而，这并不意味着人类将被排除在制造系统之外，而是人类将从复杂的体力和脑力劳动中解放出来，并在更关键的职位上发挥作用，例如创新、革命和高层决策。总之，科技发展始终以人为中心，为人类社会服务。

本文认为，以人为中心的装配最终目标是提高装配系统中各种要素的协同作用，减少对人类经验的依赖，提高系统的自我感知能力，从而将人类从复杂的体力和脑力劳动中解放出来。为了实现这一目标，基于HCPS构建了LSDM的HCAS。如图3所示，装配过程的HCPS协同作用包括信息系统与物理系统、人与物理系统、人与人、人与机器、装配过程与信息系统、预处理与后续过程等之间的协作。每个维度的简短描述如下：

信息系统&物理系统：在HCAS中，信息系统与物理系统的协作意味着信息系统具有自我感知物理系统变化的能力，反之，物理系统可以根据信息系统的指令进行相应的变化。

人&物理系统：同样，人类和物理系统之间的协作意味着人类可以感知物理系统的变化，而物理系统可以被人类改变。

人&信息系统：人与信息系统之间的协作可以定义为信息系统实时监控人类的状态信息和人类的指令，例如在装配场景中与真实操作员映射的数字人体模型。

 人类&人类：借助信息系统可以实现多人之间的协作，例如远程语音通信，装配过程的自适应分配以及紧急情况下的远程协助。

人&机器：在LSDM装配场景中，机器包括机器人和激光跟踪仪。人与机器之间的协作意味着人类可以在可穿戴设备的帮助下以更友好的方式控制机器，例如AR。

装配过程&信息系统：装配过程是指LSDM的装配步骤，装配过程与信息系统之间的协作被定义为信息系统可以自行检测装配的当前步骤，而不是人类将信息发送到信息系统。

预处理&后续过程：预处理和后续过程之间的协作侧重于LSDM的装配容差。更具体地说，后续过程的装配容差应基于预处理的装配状态。

在HCPS中，人、信息系统和物理系统协同工作，形成智能制造下的集成代理。其中，人类专注于学习和认知的脑力劳动，信息系统专注于复杂的计算和信息存储，物理系统的作用是提供动力源和准确的执行动作。随着工业大数据、人工智能（AI）等技术不断引入工业制造现场，人类的部分脑力劳动已经转移到信息系统，信息系统增加了基于新一代人工智能的学习和认知功能。它不仅具有更强的感知、决策和控制能力，而且具有学习、识别和产生知识的能力。各要素协同的HCPS可以从人、信息系统和物理系统三个方面体现其相互作用。

（1）人性化：一方面利用可穿戴设备采集操作员的生理数据，在信息系统中形成虚拟操作员的数字孪生模型。另一方面，人类智能被整合到制造过程的关键环节中，形成操作员、信息系统、物理系统的协同制造。

（2）信息系统：信息系统不仅可以引导物理系统完成一些操作，还可以代替操作员完成大量的计算和内存存储，从而将操作员从繁重的脑力劳动中解放出来。同时，通过可穿戴设备将操作员的学习和认知优势整合到信息系统中，弥补了高级智能的不足。

（3）物理系统：为制造提供必要的材料和能量的物理系统是直接执行生产行动的基础。先进的物理系统取代操作员执行繁琐、复杂的重复动作，减轻操作员的体力负荷，使操作员可以有更多的精力专注于为制造系统提供分析、优化、决策等更高智能。

总之，HCPS对于制造系统的最大价值是通过信息系统实现人与物理系统的深度融合。目标是在人、信息系统和物理系统之间形成无障碍的信息流，实现虚拟和真实场景的实时映射。为了实现这一目标，本文将DT与HCPS相结合，构建了一个装配HCAS框架，用于装配过程中各种元素的协作，如图4所示。

信息系统和人类都具有感知、分析、决策和执行的能力，以实现如图4所示的数据传输。但是，它们的侧重点不同：信息系统专注于数据存储和计算，同时具有一些智能认知功能，从而减少人类的大脑负荷。人类专注于需要高度灵活性的异常加工和装配操作，弥补了信息系统在认知上的不足。它们相互集成，形成智能装配系统。

如图4所示，在HCAS的HCPS中，信息系统中设计了三个数字孪生，包括装配过程、装配操作员和装配质量的数字孪生。本文基于5维模型构建了DTs[44]。

2.3.1.装配过程数字孪生

产品装配是指按照一定的技术要求组装零件，经调试、检验合格的过程。本文重点介绍零件的安装，装配过程可以通过零件的安装状态来表示。每完成一条装配指令，代表在产品上安装一个新零件，然后进入装配过程的新步骤。因此，它在装配体中形成了以零件为对象的持续更新的过程。

基于上述分析，为实现信息系统与物理系统的协同和虚实同步，构建了APDT。它的定义如下。

Assembly process（Apro）：它被定义为信息系统和物理系统中装配过程的虚拟-现实映射。在信息系统中，实时反映装配过程的数字模型与物理装配过程形成虚拟映射，包括时间和空间两个维度。时间维度是物理系统中装配步骤顺序执行顺序的实时映射。空间维度表示物理和虚拟模型的几何实体的实时映射。

根据上述定义，Apro可以表示为：

其中Astp表示当前的装配步骤，根据5维模型包括物理实体装配步骤（P_Astp）和虚拟实体装配步骤（V_Astp），可以用装配步骤编号表示。Aobj表示与当前装配步骤对应的几何图形。Aobj包含两个元素：“Part in process”和 “Part in process”。它们的定义如下：

Part in process（PIpro）：它是在当前装配步骤中根据装配过程的要求，要安装在产品上的零件的几何形状。可以根据装配过程中的装配步骤编号进行定义，如PIproi表示对应于装配步骤i 的零件的几何形状。为了实现装配过程的虚实映射，PIproi分为物理PIproi (P_ PIproi)和虚拟PIproi (V_ PIproi).

Part in process（AIpro）：表示当前装配步骤中所有装配零件的几何集 合，可用于表示产品装配任务的完成情况。对于组装步骤i，预期的AIpro可以表示为AIproi由物理AIproi (P_AIproi)和虚拟AIproi (P_AIproi)组成。

基于上述定义，APDT的构造如图5所示，其中红色虚线下方的相关元素是虚拟实体，蓝色实线下方的相关链接是物理实体。APDT 的本质是在装配过程的每一步实时映射物理实体和虚拟实体。其实施的关键技术是自适应装配过程传感，将在3.1节中详细介绍。

装配过程的感知是一种图像识别技术。目前很多学者关注深度学习和模板库匹配两种技术方式。深度学习方法需要构建大量的训练样本，模板库匹配也需要提前构建大规模的模板库。因此，这两种方法并不适合以定制化和小批量为特征的航天器制造。本文提出的基于实虚场景融合的装配过程实时感知方法，有效解决了上述两种方法的不足，无需事先做大量的准备工作。同时，减少了装配过程对操作人员经验的依赖，提高了HCPS的自我意识能力。

3.1.1.动态场景和数字模型配准

装配过程的动态场景和数字模型配准如图9所示。操作员佩戴智能头盔获取装配场景图像，同时记录头盔的空间位置。该空间位置作为虚拟环境中虚拟摄像机的姿态调整，使虚拟摄像机的姿态与智能头盔上的物理摄像机保持一致，并利用虚拟摄像机获取虚拟环境中数字模型的图像。对物理场景图像和虚拟模型图像进行二值化和轮廓提取后，进行模板匹配计算，然后输出计算结果，作为判断装配过程和异常情况的依据。

3.1.2.实景与虚场景融合

为了实现物理场景与虚拟场景的融合，提出一种实虚场景动态映射方法，如图10所示。物理场景包括标记、操作员、智能头盔（可穿戴设备）、物理摄像机和物理实体组件，其中标记用于构建物理全局坐标系，物理场景图像由智能头盔上的物理摄像机获取，物理摄像机的空间姿态由物理摄像机坐标系表示。而虚拟场景包括虚拟全局坐标系、虚拟摄像机和虚拟实体组件。与物理场景类似，虚拟场景图像由虚拟摄像机获取，虚拟摄像机的空间姿态由虚拟摄像机坐标系表示。这种方法的核心是保证物理和虚拟场景的同步。因此，调整标记的位置以确保虚拟和真实的全局坐标系一致。物理摄像机坐标系的值通过实时通信发送到信息系统，以调整虚拟摄像机坐标系的位置。这样就可以得到任意视角下物理实体对应的物理场景图像和虚拟场景图像，通过图像配准可以快速判断装配状态。无需像深度学习或模板注册方法的要求那样构建大量的训练模型或模板库。

图11 自适应装配过程传感的工作流程

装配任务分配是根据规则将任务分配给操作员。传统的任务分配方式依赖于团队负责人的经验，具有主观性、随机性和依赖性。而且它缺乏对操作员实际状态的考虑。在LSDM等个性化和定制产品的组装中，根据组长的经验进行任务分配方式有很多缺点。本文提出一种基于AODT和知识图谱（KG）的自适应装配任务分配方法。

3.2.1.KG的装配工艺要求和操作人员

通常，每个过程的难度是不同的，因此对操作人员的要求也是个性化的。例如，关键装配过程需要具有高经验和技能水平的操作人员，一些需要仪器辅助装配的过程需要操作许可证。操作员的实时精神和身体状态也会影响某些过程，尤其是那些需要精细操作的过程。针对上述挑战，提出了基于AODT和KG的自适应装配任务分配概念。其核心思想是根据装配操作员要求的KG和现场操作人员的KG，采用最大相似度实例匹配的方法，快速确定执行当前装配任务的最佳操作员。装配工艺要求的KG和基于AODT的操作员的KG如图12所示。

图12 用于装配任务分配的 KG 模型

如图12（a）所示，装配工艺要求的KG从七个维度表示，不包括与操作员DT相对应的Mod。因此，装配工艺要求的KG特征向量可以表示为：

其中下标字母s表示第s个过程，向量中每个分量的含义与AODT的对应元素一致。值得注意的是，ID_s在任务分配之前为null。任务分配的过程是确定哪个操作员将执行该过程，然后将操作员的ID分配给ID_s的R_s.

3.2.2.匹配度计算

任务分配的关键是装配工艺要求KG与操作员之间的匹配度，如图13所示。为了定量计算它们之间的匹配度，本文对R_s中部分分量的取值范围进行了如下标定:

图13 装配工艺要求KG和操作员KG之间的匹配度计算

此外，Per_s 表示操作者流程所需的设备操作权限，此分类的值以一串特定的设备名称表示，例如 LT、协作机器人等。Loc_s 由过程操作位置的空间坐标表示。根据现场操作员的操作员DT和KG，装配现场第i个操作员的特征向量表示为：

其中，除Modⁱ外，R_s中对应分量的值是相同的，Modⁱ描述如下:

装配工艺要求KG和算子KG匹配的本质是它们特征向量的相似性计算。设计的相似度计算公式如下：

        其中每一项的具体含义如下：

通过计算特征向量R之间的相似性s和所有算子特征向量在场上，取最大值作为最终匹配结果可以得到最优算子。但是，由于特征向量的每个分量在本文介绍的方法中都是离散化的，因此可以在实际计算中匹配几个最佳运算符。在这种情况下，通过比较Oprⁱ中的进程位置组件R_s与Locⁱ在几个最匹配的候选操作员中，选择最接近过程操作位置的操作员。至此，以操作员为中心的装配过程自适应分配已经完成。

LSDM的特点是高度定制和单件生产，这使得装配过程中容差的分配在很大程度上取决于工艺设计师的经验。实际生产需要在地面上进行多次部署测试和反复调整，以确保最终的空间服务性能，而这种生产模式严重制约了制造效率。本文提出了一种基于AQDT和GA的装配容差动态分配方法，该方法考虑了空间服务环境和已完成步骤的测量数据，可帮助工艺规划和现场操作员实时决策。它还可以减少对人类经验的依赖和地面测试的频率，以提高生产效率。

3.3.1.装配容差的动态分配流程

装配容差的动态分配流程如图14 所示。装配前，应根据产品的性能要求进行初始容差分配。对于LSDM，初始容差分配方案的约束是天线板的角度精度。之后，根据初始容差执行第一步骤的装配。分配的容差提供了一个精密的约束区域，实际装配误差需要在装配任务完成后准确测量。当前步骤的误差将直接影响后续步骤的容差。在传统的装配模式下，后续容差仍然根据初始区域实现。本文提出了一种根据实测装配误差动态调整后续容差的方法。这种方法的优点是，如果实际步骤的误差很小，可以在保证最终装配性能的前提下适当扩大后续容差的区域，从而降低装配难度。如果实际装配误差严重，为了保证最终装配性能，需要及时提高后续容差的精度要求。

3.3.2.考虑重力的装配误差传播模型

对于LSDM来说，空间服务环境和地面组装环境的最大区别是重力。重力不仅影响单个零件的变形，还影响地面装配环境中零件之间的相互作用。为了减少装配过程中重力的影响，对每个桁架铰链进行重力补偿。由于重力补偿技术水平的限制，几乎不可能实现全零重力模拟。当对每个桁架铰链进行重力补偿时，重力的主要影响表现在两个方面，桁架杆的变形和孔与轴之间的间隙。

如图15所示，桁架杆的长度在不同的环境中有所不同。桁架杆在重力作用下弯曲变形，但在重力消失后伸长。伸长率ΔL可通过微分方程获得：

        上式中的f(l) 可以表示为：

其中G是杆的重力，E是由碳纤维制成的桁架杆的弹性模量，I是杆的惯性矩。

针对孔轴间隙对装配质量的影响，通过装配过程中重力补偿后的力分析，发现各桁架铰链仅受沿重力方向的力的影响。因此，桁架铰链在不同环境中的状态如图16所示。接头有孔，接头根据是否为支撑分为支撑接头和支撑接头。孔与轴在理论状态下同心，但由于地面重力作用下的间隙，孔与轴之间存在垂直偏差。在空间失重的情况下，这种垂直偏差将被改变，关节将在一定的间隙内处于不确定状态。

图16 不同环境中的桁架铰链状态

除了重力影响因素外，装配误差模型还应考虑装配体实际位置与理论位置之间不可避免的偏差。因此，考虑位置误差、桁架杆长度变化和装配间隙的可展开机构的装配误差模型示意图如图17所示。

以可展开机构的天线板与卫星体之间的夹角作为装配质量约束的误差传播模型可以表示如下：

其中ξ是考虑装配位置误差、杆长变化和装配间隙的每个桁架铰链的综合偏差。

3.3.3.基于GA的容差动态分配

如图12所示，在完成之前的每个装配步骤后，需要重新分配后续容差。在本文中，GA用于容差重分配，其流程图如图18所示。

分配过程分为四个模块：初始化、适应度评估、遗传进化和耐受性更新。在初始化模块中，根据装配过程生成尺寸链，并根据误差传播模型和最终产品精度采用Monte Carlo方法分配容差方案。并对每个容差的特征信息进行编码，形成GA的初始种群；评估模块计算每条染色体的适宜性，即优胜劣汰，并根据终止条件决定是否终止迭代；遗传进化模块对种群中的每一条染色体进行选择、杂交和变异，以遗传和产生更多符合适应度函数的个体，实现种群的正向进化；在容差更新模块中，满足终止条件的演化周期终止迭代，输出最优容差分配方案指导装配，然后开始下一个循环的装配容差分配。

值得注意的是，该GA方法中的适应度函数同时考虑了误差传播模型和装配成本。本文设计的适应度函数如下：

其中θ_s是可展开机构天线板的角度精度要求，以及a₀到a₅是由 5 阶泰勒公式表示的容差变化引起的装配成本系数。

机器人的最大优点是能够精确调整零件的位置和姿势，并在LSDM组装过程中提供连续稳定的力控制。在本文中，机器人用于进行桁架铰链的组装，不仅需要精确定位，还需要实现重力补偿。

3.4.1.桁架铰链微重力装配人机协作流程

桁架铰链微重力组件的组成如图19所示。它包括协作机器人（Co-Robot），激光跟踪仪（LT），平台，龙门架，服务器和佩戴AR设备的操作员。安装在龙门架上的协作机器人和AR设备用于控制协作机器人和LT。

桁架铰链作为显著影响LSDM性能的部件，对定位有严格的精度要求。此外，根据第3.3节的分析，桁架铰链组件需要进行重力补偿。借助AR可穿戴设备，实现协作机器人、LT和操作员在桁架铰链微重力装配过程中的协作。协作装配过程的工作流程如图20所示。

图20 桁架铰链的微重力装配流程

3.4.2.基于AR的协作机器人装配路径规划

路径规划是机器人辅助装配的一个重要过程。通常有两种方法：离线模拟规划和在线教学规划。离线仿真方法更适合机器人独立工作的场合，并且要求工作场景与模拟场景一致。在线示教器路径规划方法具有高度的自由度，能够适应多变的现场环境，但受限于示教器的控制模式，其规划过程不太直观，在复杂环境中容易造成干扰和冲突。

本文提出了一种基于AR的机器人在线路径规划新方法。它可以通过AR设备直观地向操作员显示现场规划路径，可以更有效地避免碰撞和干扰。在LSDM的装配过程中，机器人路径规划应用于桁架铰链的抓取。标记用于构建虚拟系统与物理世界之间的位置关系，称为注册。以及使用协作机器人专用软件模拟机器人规划路径的UR-sim。创建了一个用于可视化机器人姿势的 Unity 项目。它通过TCP协议与UR-sim实时通信，并使用在UR-sim中模拟的机器人的6个关节角度来驱动虚拟机器人在AR环境中的运动。从而实现了基于AR的路径规划仿真。

HCAS从四个方面进行了验证，如图21所示。首先，构建AODT，其中可穿戴设备采集的动态数据包括脑电波信号、皮肤温度、心率、血压和位置坐标；然后，验证基于 AODT 和 APDT 的装配任务分配；第三，以LSDM的装配过程为对象，验证了基于AQDT的装配容差动态分配函数；最后，实现了基于AR和协作机器人的桁架铰链组件。

图21 验证 HCAS

根据第 2.3.2 节，AODT 从信息系统中的八个维度描述了算子，包括四个静态变量和四个动态变量。静态变量长时间保持不变。因此，算子静态属性的定义是通过在信息系统中赋值来实现的。动态变量Mod根据操作员的工作状态而变化。Mod的实时更新是通过在信息系统中设置逻辑变量来实现的。导致Mod更改的因素包括任务完成和操作员疲劳。

而Bfat，Pfat和Loc随时间变化。如图22所示的可穿戴设备用于收集操作员的脑电波数据以分析Bfat的程度。如图23所示设计的设备收集的皮肤温度，心率和血压数据用于分析Pfat的程度。

图22 脑电波数据采集装置

对于Bfat，与原始波分离的阿尔法波被用作大脑活动测量的关键变量。最大李雅普诺夫指数（LLE）、复杂度值（CV）和近似熵（AE）作为脑疲劳程度的标准。

为了提高精度，采用基于概率神经网络（PNN）的多数据融合进行Pfat测量。PNN的架构设计为输入层、隐藏层、求和层和输出层四层。精神运动警觉测试（PVT）用于PNN的样品校准。在每次PVT实验中，记录操作者的三个生理信号和相应的PVT分级分数，作为PNN的训练样本进行身体疲劳测量。

借助具有SLAM功能的AR设备，信息系统可以通过扫描字段标记完成注册后获取其实时坐标，并用于记录操作员的Loc。获得静态和动态数据后，可以在信息系统中描述AODT，如图24的（b）所示，该图24是在Unity 3D中开发的。

为了实现装配任务的分配，基于浏览器/客户端开发了一个任务分配子系统，如图25所示。服务器控制整体装配进度，可以选择操作员执行装配任务，并将装配任务分配给最合适的操作员。根据第 2.3.1 和 3.1 节，APDT 可以确定当前的组装步骤是否完成，从而在服务器中逐步驱动分配子系统的组装过程。第 2.3.2 节中描述的 AODT 和 3.2 节中描述的装配过程的 KG 用于驱动装配任务从服务器到操作员的分配，以实现以人为本的最优任务分配。

以人为本作为工业5.0的主要特征正受到越来越多的关注，特别是在手动装配领域。本文提出一种基于该模式的新型装配操作模式，并开发了用于LSDM的HCAS。在本节中，讨论了研究工作的关键见解以及与现有技术的比较。

本文开发的HCAS的最大贡献是借助可穿戴设备构建装配系统中各种元件的协同工作模式。操作员可以更好地集成到装配系统中，该系统以操作员为中心，并在工作过程中考虑他或她的健康状况。与最近Sophos-MS[72]和KNOW4I[73]等文献中报道的以人为本的方法或系统相比，本文的HCAS引入了数字孪生的概念，并构建了三个数字孪生模型，用于虚拟资源和真实资源之间的反射。相反，当前文献中的系统集成和评估方法等优点值得借鉴，以改进HCAS。

此外，本文还分析了LSDM组装中七个方面的协作。然而，目前的HCAS几乎不可能涵盖所有七项合作。它侧重于协作方面，包括信息系统与物理系统，人与信息系统，人与机器，装配过程与信息系统以及预处理与后续过程。未来，人与人、人与物理系统的合作将加入到HCAS中。

自我感知和自我决策是HCAS的亮点。自我感应体现在APDT和AODT中。自我决策包括自适应装配任务分配和动态装配容差分配两个方面。自感应使操作员与装配系统更紧密地集成。自我决策考虑操作员的福祉，并将他或她置于中心位置。与传统的深度学习和模板匹配自感方法相比，本文提出的方法不需要构建训练样本或模板库，在单件小批量生产方面具有显著优势。

HRC是工业5.0的重要研究类别。本文利用HRC基于AR实现桁架铰的微重力装配，实现抓取路径的在线规划，避免现场随机物体的干扰和碰撞。必须指出的是，一些先进的HRC技术，如主动HRC[59]，具有相互协作认知的能力，可以加入到HCAS中。虽然已经提出了主动HRC的概念，但要真正实施它，还需要做大量的研究工作。

HCAS是本文中LSDM组装过程的专用方法，并且专门为此设计了一些关键方法。例如，动态装配容差分配考虑空间环境，HRC用于具有重力补偿功能的装配。它们仅适用于卫星的LSDM组件。然而，其他关键方法，即自适应装配传感和装配任务分配可以应用于其他产品装配，如飞机和汽车。

本文介绍了HCAS的框架和LSDM的特殊功能。虽然该系统仍然是初级的，但它可以为许多手动装配提供以人为中心的协同操作模式。

 本文着眼于人与装配过程的交互，提出了一种新颖的协同装配系统，以改善装配现场人与资源的协作。构建了APDT、AODT和AQDT三个数字孪生模型，并在此基础上给出了系统的整体框架。此外，还详细讨论了框架中的四个关键方法，其相应的创新如下：

    （1）基于实虚场景融合的自适应装配过程感知.通过虚拟和真实场景的融合，实现装配过程的自适应感知。它增强了信息系统与物理系统之间的协作，减少了对操作员经验的依赖。

    （2）以操作员为中心的自适应装配任务分配。目前常见的任务分配是组长根据自己的经验分配任务，缺乏对操作员实时状态的考虑。该文提出一种基于装配工艺需求KG与操作人员KG匹配度计算的装配任务分配方法，综合考虑操作人员的实时状态，实现以人为中心的任务分配。

    （3）动态组件容差分配。与传统的提前分配容差方法相比，该文提出一种基于已完成步骤实测数据的动态容差分配方法。考虑LSDM地面装配环境与空间服务环境的差异，构建误差传播模型，利用GA动态分配后续容差。它还可以帮助操作员对后续过程的参数做出决策，从而有可能提高效率并减少维修频率。

    （4）基于AR的人机协作装配。本文利用协作机器人和AR装置在微重力下组装桁架铰链。设计了微重力装配的工艺流程，分析验证了基于AR装置的协作机器人路径规划仿真。与离线仿真方法相比，该方法可以避免场景中随机物体引起的运动干扰的发生。

综上所述，本文探讨了以人为中心的协作装配，并开发了一个原型系统。目前的工作仍然存在一些局限性。比如对人体身体疲劳和大脑疲劳的判断是原始的。桁架铰链微重力装配的HRC验证并未在实际装配场景中进行，尽管在实验室环境中已经进行了良好的验证。未来，该系统将随着医疗领域的发展向人类疲劳感知方向进一步迭代和更新。更重要的是，验证将继续使HCAS更加强大。