Nieuw hulpmiddel verbetert robotgrepen voor productielijnen

Een team van de Universiteit van Washington heeft een nieuw hulpmiddel ontwikkeld dat een 3D-printbare passieve grijper kan ontwerpen en de beste baan kan berekenen om een object op te pakken. Deze nieuwe ontwikkeling kan helpen om assemblagelijnrobots te verbeteren.

Het systeem is getest op 22 verschillende objecten, waaronder een deurstopvormige wig, een tennibal en een boor, en het bleek succesvol te zijn voor 20 van de objecten. Twee van de objecten die succesvol werden opgepakt, waren de wig en een piramidevorm met een gebogen sleutelgat, die meestal moeilijk zijn voor meerdere soorten grijpers.

Het onderzoek zal op 11 augustus worden gepresenteerd op SIGGRAPH 2022.

Adriana Schulz is senior auteur en assistent-professor aan de Paul G. Allen School of Computer Science & Engineering van de Universiteit van Washington.

Maatwerk gereedschap voor productielijnen maken

“We produceren nog steeds de meeste van onze artikelen met assemblagelijnen, die echt geweldig zijn, maar ook heel star. De pandemie heeft ons laten zien dat we een manier moeten hebben om deze productielijnen gemakkelijk te kunnen hergebruiken,” zei Schulz. “Ons idee is om maatwerk gereedschap voor deze productielijnen te maken. Dat geeft ons een heel eenvoudige robot die één taak kan uitvoeren met een specifieke grijper. En als ik de taak verander, vervang ik gewoon de grijper.”

Objecten zijn traditioneel ontworpen om bij een specifieke grijper te passen, aangezien passieve grijpers niet kunnen worden aangepast om bij het object te passen dat ze oppakken.

Jeffrey Lipton is medeauteur en assistent-professor in de mechanische ingenieurswetenschap.

“De meest succesvolle passieve grijper ter wereld is de tang op een heftruck. Maar het nadeel is dat heftrucktangen alleen goed werken met specifieke vormen, zoals pallets, wat betekent dat alles wat je wilt grijpen op een pallet moet staan,” zei Lipton. “Hier zeggen we ‘OK, we willen de geometrie van de passieve grijper niet vooraf definiëren.’ In plaats daarvan willen we de geometrie van elk object nemen en een grijper ontwerpen.”

Er zijn veel verschillende mogelijkheden voor een grijper, en de vorm is meestal gekoppeld aan de baan die de robotarm neemt om het object op te pakken. Als een grijper verkeerd is ontworpen, bestaat het risico dat deze tegen het object botst als het probeert het op te pakken, wat het team probeerde op te lossen.

Milin Kodnongbua is de eerste auteur en was een undergraduate student aan de Allen School op het moment van het onderzoek.

“De punten waar de grijper contact maakt met het object zijn essentieel voor het behouden van de stabiliteit van het object in de greep. We noemen deze set punten de ‘greepconfiguratie’,” zei Kodnongbua. “Ook moet de grijper contact maken met het object op die gegeven punten, en de grijper moet een enkel vast object zijn dat de contactpunten met de robotarm verbindt. We kunnen zoeken naar een insertiebaan die aan deze eisen voldoet.”

Nieuwe grijper en baan ontwerpen

Om een nieuwe grijper en baan te ontwerpen, geeft het team eerst de computer een 3D-model van het object en de oriëntatie in de ruimte.

“Eerst genereert onze algoritme mogelijke greepconfiguraties en rangschikt ze op basis van stabiliteit en enkele andere metrieken,” zei Kodnongbua. “Vervolgens neemt het de beste optie en optimaliseert het om te zien of een insertiebaan mogelijk is. Als het geen enkele kan vinden, gaat het naar de volgende greepconfiguratie op de lijst en probeert het opnieuw de co-optimalisatie uit te voeren.”

De computer produceert twee sets instructies zodra het een goede match vindt. De eerste is voor een 3D-printer om de grijper te maken, en de tweede is met de baan voor de robotarm na het afdrukken en bevestigen van de grijper.

Het team heeft de nieuwe methode getest op verschillende objecten.

Ian Good is een andere medeauteur en een doctoraal student in de afdeling mechanische ingenieurswetenschap.

“We hebben ook objecten ontworpen die moeilijk zouden zijn voor traditionele grijprobot, zoals objecten met zeer ondiepe hoeken of objecten met interne grijping — waarbij je ze moet oppakken door middel van het invoegen van een sleutel,” zei Good.

Het team heeft 10 testopnames gedaan met 22 vormen. Voor 16 vormen slaagden alle 10 opnames. De meeste vormen hadden ten minste één succes, en twee niet.

Zelfs zonder enige menselijke interventie ontwikkelde het algoritme dezelfde grijpstrategieën voor soortgelijk gevormde objecten. Dit heeft de onderzoekers ertoe gebracht te geloven dat ze in staat zouden kunnen zijn om passieve grijpers te maken die een klasse objecten oppakken in plaats van een specifiek object.