Uusi työkalu parantaa valmistusrobottien tarttujia

Washingtonin yliopiston tiimi on kehittänyt uuden työkalun, joka voi suunnitella 3D-tulostettavan passiivisen tarttujan ja laskea parhaan polun esineen nostamiseen. Uusi kehitys voi auttaa parantamaan kokoonpanolinjojen roboteja.

Järjestelmää testattiin 22:lla eri esineellä, mukaan lukien ovikiilan muotoinen kiila, tennispallo ja porakone, ja se osoittautui onnistuneeksi 20 esineellä. Kaksi esinettä, jotka otettiin ylös onnistuneesti, olivat kiila ja pyramidinmuotoinen esine, jossa oli kaareva avainreikä, jotka ovat yleensä vaikeita useille tyypin tarttujille.

Tutkimus on tarkoitus esittää 11. elokuuta SIGGRAPH 2022 -tapaamisessa.

Adriana Schulz on tutkimuksen vanhempi vastuukirjoittaja ja Washingtonin yliopiston apulaisprofessori Paul G. Allenin tietojenkäsittelytieteen ja tekniikan koulussa.

Valmistuslinjojen Mukautettujen Työkalujen Luominen

“Me valmistamme edelleen useimmat tuotteemme kokoonpanolinjoilla, jotka ovat hyviä, mutta myös erittäin joustamattomia. Pandemia osoitti, että meidän on oltava helppo tapa uudelleenohjata nämä tuotantolinjat”, Schulz sanoi. “Meidän ideamme on luoda mukautettuja työkaluja näille valmistuslinjoille. Se antaa meille erittäin yksinkertaisen robotin, joka voi suorittaa yhden tehtävän tietyn tarttujan kanssa. Ja kun vaihdan tehtävää, vain korvaan tarttujan.”

Esineet on perinteisesti suunniteltu vastaamaan tiettyä tarttujaa, koska passiiviset tarttujat eivät voi sopeutua esineen muotoon.

Jeffrey Lipton on yksi kirjoittajista ja Washingtonin yliopiston konetekniikan apulaisprofessori.

“Maailman menestynein passiivinen tarttuja on trukin haarukka. Mutta vastineena on, että trukin haarukka toimii hyvin vain tiettyjen muotojen kanssa, kuten kuormalavoilla, mikä tarkoittaa, että mitä tahansa haluat pidellä, sen on oltava kuormalavalla”, Lipton sanoi. “Tässä me sanomme ‘OK, emme halua määritellä passiivisen tarttujan geometriaa ennalta.’ Sen sijaan haluamme ottaa minkä tahansa esineen geometrian ja suunnitella tarttujan.”

On olemassa monia eri mahdollisuuksia tarttujalle, ja sen muoto on yleensä kytköksissä polkuun, jota robotti käyttää esineen nostamiseen. Kun tarttuja on suunniteltu väärin, se on vaarassa törmätä esineeseen yrittäessään nostaa sitä, mikä on ongelma, jonka tiimi pyrki ratkaisemaan.

Milin Kodnongbua on tutkimuksen pääkirjoittaja ja oli tutkimuksen aikaan Washingtonin yliopiston Allen Schoolin perustutkinto-opiskelija.

“Pisteet, joissa tarttuja koskettaa esinettä, ovat olennaisia sen vakaudelle otteessa. Kutsumme tätä pistejoukkoa tartuntakonfiguraatioksi”, Kodnongbua sanoi. “Lisäksi tarttujan on kosketettava esinettä näissä pisteissä, ja tarttujan on oltava yksittäinen kiinteä kappale, joka yhdistää kosketuspisteet robottiin. Voimme etsiä sisäänajo-polun, joka toteuttaa nämä vaatimukset.”

Uuden Tarttujan ja Traektorian Suunnittelu

Uuden tarttujan ja traektorian suunnittelemiseksi tiimi antaa tietokoneelle 3D-mallin esineestä ja sen suuntauksesta avaruudessa.

“Ensinnäkin algoritmi generoi mahdollisia otteiden määrityksiä ja arvioi niitä vakauden ja muiden mittareiden perusteella”, Kodnongbua sanoi. “Sitten se ottaa parhaan vaihtoehdon ja tekee yhteisoptimoinnin löytääkseen, onko sisäänajo-polku mahdollinen. Jos se ei löydä yhtä, se siirtyy seuraavaan otteiden määritykseen listalla ja yrittää uudelleen yhteisoptimointia.”

Tietokone antaa kaksi ohjeistusta, kun se löytää hyvän vastineen. Ensimmäinen on 3D-tulostimen käyttöön tarttujan luomiseen, ja toinen on robottiarmille seuraamaan polkua tulostuksen ja tarttujan kiinnittämisen jälkeen.

Tiimi testasi uutta menetelmää eri esineillä.

Ian Good on yksi kirjoittajista ja Washingtonin yliopiston konetekniikan tohtoriopiskelija.

“Suunnittelimme myös esineitä, jotka olisivat haasteellisia perinteisille otteiden roboteille, kuten esineitä, joilla on erittäin matalat kulmat tai sisäinen ote — jossa esine nostetaan työntämällä siihen avaimen kaltainen osa”, Good sanoi.

Tiimi suoritti 10 testi-ottoa 22:lla muodolla. 16:lla muodolla kaikki 10 ottoa onnistuivat. Useimmat muodot olivat onnistuneita vähintään kerran, ja kaksi ei onnistunut.

Ilman ihmisen väliintuloa algoritmi kehitti samat otteiden strategiat samankaltaisille esineille. Tämä on johtanut tutkijat uskomaan, että he voivat luoda passiivisia pidimiä, jotka nostavat esineiden luokan sen sijaan, että ne nostavat yksittäisiä esineitä.