Ρομποτική και φυσική AI

Νέα Εργαλειοθήκη Βελτιώνει τους Χειριστές Ρομποτ για Γραμμές Παραγωγής

mm
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google

Μια ομάδα στο Πανεπιστήμιο του Ουάσινγκτον έχει αναπτύξει ένα νέο εργαλείο που μπορεί να σχεδιάσει έναν 3D-εκτυπώσιμο παθητικό χειριστή και να υπολογίσει την καλύτερη διαδρομή για να πιάσει ένα αντικείμενο. Η νέα ανάπτυξη μπορεί να βοηθήσει στην βελτίωση των ρομποτ σε γραμμές συναρμολόγησης.

Το σύστημα δοκιμάστηκε σε 22 διαφορετικά αντικείμενα, συμπεριλαμβανομένου ενός κωνικού αντικειμένου και ενός τενίστη, και αποδείχθηκε επιτυχημένο για 20 από τα αντικείμενα. Δύο από τα αντικείμενα που πιάστηκαν επιτυχώς ήταν το κωνικό αντικείμενο και ένα πυραμίδων σχήμα με καμπύλο κλειδί, τα οποία συνήθως είναι δύσκολα για διάφορους τύπους χειριστών.

Η ερευνά πρόκειται να παρουσιαστεί στις 11 Αυγούστου στο SIGGRAPH 2022.

Η Adriana Schulz είναι senior συγγραφέας και βοηθός καθηγητής στο Πανεπιστήμιο του Ουάσινγκτον.

Δημιουργία Προσαρμοσμένων Εργαλείων για Γραμμές Παραγωγής

“Ακόμη παράγουμε τα περισσότερα από τα προϊόντα μας με γραμμές συναρμολόγησης, οι οποίες είναι πραγματικά καλές αλλά και πολύ αυστηρές. Η πανδημία μας έδειξε ότι χρειαζόμαστε έναν τρόπο να επαναχρησιμοποιήσουμε αυτές τις γραμμές παραγωγής,” είπε η Schulz. “Η ιδέα μας είναι να δημιουργήσουμε προσαρμοσμένα εργαλεία για αυτές τις γραμμές παραγωγής. Αυτό μας δίνει ένα πολύ απλό ρομπότ που μπορεί να κάνει μια εργασία με einen συγκεκριμένο χειριστή. Και όταν αλλάξω την εργασία, απλώς αντικαθιστώ τον χειριστή.”

Τα αντικείμενα έχουν παραδοσιακά σχεδιαστεί για να ταιριάζουν σε einen συγκεκριμένο χειριστή, поскольку οι παθητικοί χειριστές δεν μπορούν να προσαρμοστούν για να ταιριάζουν στο αντικείμενο που πιάνουν.

Ο Jeffrey Lipton είναι συν-συγγραφέας και βοηθός καθηγητής μηχανικής στο Πανεπιστήμιο του Ουάσινγκτον.

“Ο πιο επιτυχημένος παθητικός χειριστής στον κόσμο είναι τα δαχτυλίδια σε einen φορτωτή. Αλλά η ανταλλαγή είναι ότι τα δαχτυλίδια του φορτωτή λειτουργούν μόνο καλά με συγκεκριμένα σχήματα, όπως παλέτες, που σημαίνει ότι οποιοδήποτε αντικείμενο θέλετε να πιάσετε πρέπει να είναι σε μια παλέτα,” είπε ο Lipton. “Εδώ λέμε ‘OK, δεν θέλουμε να προκαθορίσουμε τη γεωμετρία του παθητικού χειριστή.’ Αντίθετα, θέλουμε να πάρουμε τη γεωμετρία οποιουδήποτε αντικειμένου και να σχεδιάσουμε einen χειριστή.”

Υπάρχουν πολλές διαφορετικές δυνατότητες για einen χειριστή, και το σχήμα του συνήθως συνδέεται με τη διαδρομή που ακολουθεί το ρομπότ για να πιάσει το αντικείμενο. Όταν ένας χειριστής σχεδιάζεται λανθασμένα, κινδυνεύει να συγκρουστεί με το αντικείμενο όταν προσπαθεί να το πιάσει, το οποίο η ομάδα προσπάθησε να λύσει.

Ο Milin Kodnongbua είναι ο κύριος συγγραφέας και ήταν φοιτητής στο Πανεπιστήμιο του Ουάσινγκτον κατά την время της έρευνας.

“Τα σημεία όπου ο χειριστής έρχεται σε επαφή με το αντικείμενο είναι απαραίτητα για τη διατήρηση της σταθερότητας του αντικειμένου στην πίεση,” είπε ο Kodnongbua. “Επίσης, ο χειριστής πρέπει να έρχεται σε επαφή με το αντικείμενο στα δεδομένα σημεία, και ο χειριστής πρέπει να είναι ένα seul στερεό αντικείμενο που συνδέει τα σημεία επαφής με το ρομπότ. Μπορούμε να ψάξουμε για eine εισαγωγική διαδρομή που ικανοποιεί αυτές τις απαιτήσεις.”

Σχεδιασμός Νέου Χειριστή και Διαδρομής

Για να σχεδιάσουμε einen νέο χειριστή και διαδρομή, η ομάδα πρώτα παρέχει στον υπολογιστή ένα 3D μοντέλο του αντικειμένου και της τοποθέτησής του στο χώρο.

“Πρώτα, ο αλγόριθμος μας γεννάει δυνατές ρυθμίσεις πίεσης και τις βαθμολογεί με βάση τη σταθερότητα και κάποιους άλλους μετρητές,” είπε ο Kodnongbua. “Στη συνέχεια, παίρνει την καλύτερη επιλογή και συν-βελτιστοποιεί για να βρει αν μια εισαγωγική διαδρομή είναι δυνατή. Αν δεν μπορεί να βρει μια, τότε πάει στην επόμενη ρύθμιση πίεσης στη λίστα και προσπαθεί να κάνει την συν-βελτιστοποίηση ξανά.”

Ο υπολογιστής εξοδεύει δύο σετ οδηγιών όταν βρει eine καλή αντιστοιχία. Το πρώτο είναι για einen 3D εκτυπωτή για να δημιουργήσει τον χειριστή, και το δεύτερο είναι με τη διαδρομή για το ρομπότ να ακολουθήσει μετά την εκτύπωση και την τοποθέτηση του χειριστή.

Η ομάδα δοκιμάστηκε τη νέα μέθοδο σε διάφορα αντικείμενα.

Ο Ian Good είναι άλλος συν-συγγραφέας και διδακτορικός φοιτητής στο τμήμα μηχανικής του Πανεπιστημίου του Ουάσινγκτον.

“Σχεδιάσαμε επίσης αντικείμενα που θα ήταν δύσκολα για παραδοσιακούς ρομποτ πίεσης, όπως αντικείμενα με πολύ ρηχούς γωνίες ή αντικείμενα με εσωτερική πίεση — όπου πρέπει να πιάσετε με την εισαγωγή ενός κλειδιού,” είπε ο Good.

Η ομάδα εκτέλεσε 10 δοκιμαστικές πιέσεις με 22 σχήματα. Για 16 σχήματα, όλες οι 10 πιέσεις πέτυχαν. Τα περισσότερα σχήματα είχαν τουλάχιστον μια επιτυχία, και δύο δεν είχαν.

Ακόμη και χωρίς καμία ανθρώπινη παρέμβαση, ο αλγόριθμος ανέπτυξε τις ίδιες στρατηγικές πίεσης για tương tự σχήματα. Αυτό έχει οδηγήσει τους ερευνητές να πιστεύουν ότι θα μπορούσαν να δημιουργήσουν παθητικούς χειριστές που πιάνουν eine κατηγορία αντικειμένων αντί για ένα συγκεκριμένο αντικείμενο.

Ο Alex McFarland είναι δημοσιογράφος και συγγραφέας του AI που εξερευνά τις τελευταίες εξελίξεις στην τεχνητή νοημοσύνη. Έχει συνεργαστεί με πολλές startups και εκδόσεις του AI σε όλο τον κόσμο.