Alat Baru Meningkatkan Penggenggam Robot untuk Manufaktur

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

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

Penelitian ini akan disajikan pada 11 Agustus di SIGGRAPH 2022.

Adriana Schulz adalah penulis senior dan asisten profesor di Sekolah Ilmu Komputer dan Teknik Paul G. Allen.

Membuat Alat Khusus untuk Jalur Manufaktur

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

Objek telah dirancang secara tradisional untuk sesuai dengan penggenggam tertentu karena penggenggam pasif tidak dapat disesuaikan untuk memenuhi objek yang diambil.

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

“Penggenggam pasif paling sukses di dunia adalah penjepit pada forklift. Tetapi konsekuensinya adalah penjepit forklift hanya bekerja baik dengan bentuk tertentu, seperti palet, yang berarti apa pun yang ingin digenggam harus berada di palet,” kata Lipton. “Di sini kami mengatakan ‘OK, kami tidak ingin mendefinisikan geometri penggenggam pasif.’ Sebaliknya, kami ingin mengambil geometri objek apa pun dan merancang penggenggam.”

Terdapat banyak kemungkinan yang berbeda untuk penggenggam, dan bentuknya biasanya terkait dengan jalur yang diambil oleh lengan robot untuk mengambil objek. Ketika penggenggam dirancang salah, risikonya adalah tabrakan dengan objek saat mencoba mengambilnya, yang tim coba selesaikan.

Milin Kodnongbua adalah penulis utama dan saat itu merupakan mahasiswa sarjana di Sekolah Allen.

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

Merancang Penggenggam dan Trajectory Baru

Untuk merancang penggenggam dan trajectory 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 memungkinkan. Jika tidak dapat menemukannya, maka itu pergi ke konfigurasi genggaman berikutnya dalam daftar dan mencoba melakukan ko-optimisasi lagi.”

Komputer mengeluarkan dua set instruksi setelah menemukan kesesuaian yang baik. Yang pertama adalah untuk pencetak 3D untuk membuat penggenggam, dan yang kedua adalah dengan trajectory untuk lengan robot setelah pencetakan dan pemasangan penggenggam.

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 menantang untuk 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 serupa. Ini telah menyebabkan peneliti percaya bahwa mereka dapat membuat penggenggam pasif yang mengambil kelas objek daripada objek tertentu.