Alat Baru Meningkatkan Kemampuan Gripper Robot untuk Manufaktur

Tim di Universitas Washington telah mengembangkan alat baru yang dapat merancang gripper pasif yang dapat dicetak 3D dan menghitung jalur terbaik untuk mengambil objek. Pengembangan baru ini dapat membantu meningkatkan kemampuan robot di jalur perakitan.

Sistem ini diuji pada 22 objek yang berbeda, termasuk bantalan pintu yang berbentuk seperti baji, bola tenis, dan bor, dan terbukti berhasil untuk 20 objek. Dua objek yang berhasil diambil adalah baji dan bentuk piramida dengan lubang kunci yang melengkung, yang biasanya sulit untuk beberapa jenis gripper.

Penelitian ini akan disajikan pada 11 Agustus di SIGGRAPH 2022.

Adriana Schulz adalah penulis senior dan asisten profesor di Sekolah Ilmu Komputer dan Teknik Universitas Washington.

Membuat Alat Khusus untuk Jalur Manufaktur

“Kita masih memproduksi sebagian besar barang dengan jalur perakitan, yang sangat baik tetapi juga sangat kaku. Pandemi menunjukkan kepada kita bahwa kita perlu memiliki cara untuk dengan mudah mengubah tujuan jalur produksi ini,” kata Schulz. “Ide kita adalah membuat alat khusus untuk jalur manufaktur ini. Itu memberi kita robot yang sangat sederhana yang dapat melakukan satu tugas dengan gripper khusus. Dan ketika saya mengubah tugas, saya hanya mengganti gripper.”

Objek secara tradisional dirancang untuk sesuai dengan gripper khusus karena gripper pasif tidak dapat disesuaikan untuk memenuhi objek yang diambil.

Jeffrey Lipton adalah co-penulis dan asisten profesor teknik mesin di Universitas Washington.

“Gripper pasif paling sukses di dunia adalah penjepit pada forklift. Tetapi komprominya adalah bahwa penjepit forklift hanya bekerja baik dengan bentuk tertentu, seperti palet, yang berarti apa pun yang ingin Anda pegang harus berada di atas palet,” kata Lipton. “Di sini kita mengatakan ‘OK, kita tidak ingin mendefinisikan geometri gripper pasif.’ Sebaliknya, kita ingin mengambil geometri objek apa pun dan merancang gripper.”

Terdapat banyak kemungkinan untuk gripper, dan bentuknya biasanya terkait dengan jalur yang diambil oleh lengan robot untuk mengambil objek. Ketika gripper dirancang secara tidak benar, itu berisiko bertabrakan dengan objek saat mencoba mengambilnya, yang tim ini coba selesaikan.

Milin Kodnongbua adalah penulis utama dan mahasiswa sarjana di Sekolah Allen saat penelitian dilakukan.

“Titik-titik di mana gripper membuat kontak dengan objek sangat penting untuk mempertahankan stabilitas objek dalam genggaman. Kami menyebut set titik ini ‘konfigurasi genggaman,'” kata Kodnongbua. “Juga, gripper harus membuat kontak dengan objek pada titik-titik yang diberikan, dan gripper harus menjadi satu objek padat yang menghubungkan titik kontak ke lengan robot. Kami dapat mencari jalur penyisipan yang memenuhi persyaratan ini.”

Merancang Gripper dan Trajektori Baru

Untuk merancang gripper dan trajektori baru, tim pertama kali memberikan komputer dengan model 3D objek dan orientasinya di ruang.

“Pertama, algoritma kami menghasilkan konfigurasi genggaman yang mungkin dan menilainya berdasarkan stabilitas dan beberapa metrik lain,” kata Kodnongbua. “Kemudian itu mengambil opsi terbaik dan melakukan ko-optimisasi untuk menemukan apakah jalur penyisipan yang mungkin. Jika tidak dapat menemukannya, maka itu pergi ke konfigurasi genggaman berikutnya dalam daftar dan mencoba melakukan ko-optimisasi lagi.”

Komputer mengeluarkan dua set instruksi sekali itu menemukan kesesuaian yang baik. Yang pertama adalah untuk pencetakan 3D gripper, dan yang kedua adalah dengan trajektori untuk lengan robot setelah pencetakan dan pemasangan gripper.

Tim menguji metode baru pada berbagai objek.

Ian Good adalah co-penulis lain dan mahasiswa doktoral di departemen teknik mesin.

“Kami juga merancang objek yang akan menjadi tantangan bagi robot genggaman tradisional, seperti objek dengan sudut yang sangat dangkal atau objek dengan genggaman internal — di mana Anda harus mengambilnya dengan penyisipan kunci,” kata Good.

Tim melakukan 10 pengujian pengambilan dengan 22 bentuk. Untuk 16 bentuk, semua 10 pengambilan berhasil. Sebagian besar bentuk memiliki setidaknya satu keberhasilan, dan dua tidak.

Bahkan tanpa intervensi manusia, algoritma mengembangkan strategi genggaman yang sama untuk objek dengan bentuk yang serupa. Ini telah menyebabkan peneliti percaya bahwa mereka dapat membuat gripper pasif yang mengambil kelas objek daripada objek khusus.