面向机器人增材制造工艺规划的、以运动学为基础的智能体 AI

这篇 arXiv 论文提出 A-RAM 框架，将用户意图与零件文件转化为可追溯、可执行的机器人增材制造工艺规划。LLM 负责解读制造目标与约束，并生成受 schema 限制的请求，确定性 Planning Agent 据此实例化搜索流程，领域工具计算切片、摆放、逆运动学、轨迹时间、Joint-6 jerk 与挤出等量化证据。在六轴机械臂 AM 单元上，通过三个案例研究进行评估，所选方案相比最差候选集最多降低 53.5% 的最大 Joint-6 jerk，平均绝对 Joint-6 jerk 降低 48.3%。

现有切片工具、基于 LLM 的决策辅助与数字孪生系统，无法在执行前对切片决策、零件朝向和工作空间摆放等耦合变量做集成评估。该工作把 LLM 意图理解与确定性规划搜索和运动学量化工具连接起来，使机器人相关可行性在打印前即可被检验，而不再只在零件坐标系里判断方案优劣。

机械臂打印使工艺规划依赖具体机器人：切片器在零件坐标下看似有利的方案，可能因运动学实现方式而不可行或不利。A-RAM 将 LLM 用于目标与约束解读，输出 schema 约束请求，再由确定性 Planning Agent 执行搜索，领域工具提供可计算的定量证据，从而把语义推理与物理可行性评估分离并串联。

对机器人增材制造相关产品与研发，需要把零件朝向、工作空间摆放和运动学指标纳入同一规划流程，而非仅在切片软件中优化。团队可据此构建执行前的候选方案筛选环节，降低因机器人运动学导致的返工与试错成本，但证据仅覆盖六轴机械臂 AM 单元与有限案例。

• 在切片与机器人控制软件之间增加执行前候选方案评估模块，输出 Joint-6 jerk 等量化指标
• 为 LLM 规划请求设计 schema 约束层，使其只能触发预先验证过的搜索与工具调用
• 针对目标依赖的填充筛选和几何依赖的朝向-摆放选择，构建可复用的案例库与基准测试

• 该框架在六轴机械臂之外的机器人构型与材料挤出工艺上是否同样适用
• 53.5% 与 48.3% 的 jerk 降低幅度是在多少候选方案和何种零件几何下取得的
• 确定性 Planning Agent 的搜索空间与计算耗时是否满足实际生产节拍
• 论文未说明其与现有切片软件或数字孪生系统的集成方式与部署成本