stub Nytt verktøy forbedrer robotgripere for produksjon - Unite.AI
Kontakt med oss

Robotics

Nytt verktøy forbedrer robotgripere for produksjon

oppdatert on
Bilde: University of Washington

Et team ved University of Washington har utviklet et nytt verktøy som kan designe en 3D-utskrivbar passiv griper og beregne den beste veien for å plukke opp et objekt. Den nye utviklingen kan bidra til å forbedre samlebåndsroboter. 

Systemet ble testet på 22 forskjellige objekter, inkludert en dørstopperformet kile, en tennisball og en drill, og det viste seg å være vellykket for 20 av objektene. To av gjenstandene som ble plukket opp var kilen og en pyramideform med et buet nøkkelhull, som vanligvis er vanskelige for flere typer gripere. 

De forskning skal presenteres 11. august på SIGGRAPH 2022. 

Adriana Schulz er seniorforfatter og UW-assistentprofessor ved Paul G. Allen School of Computer Science & Engineering. 

Opprette tilpasset verktøy for produksjonslinjer

"Vi produserer fortsatt de fleste av varene våre med samlebånd, som er virkelig flotte, men også veldig stive. Pandemien viste oss at vi må ha en måte å enkelt bruke disse produksjonslinjene på, sier Schulz. «Vår idé er å lage tilpasset verktøy for disse produksjonslinjene. Det gir oss en veldig enkel robot som kan gjøre én oppgave med en bestemt griper. Og når jeg endrer oppgaven, bytter jeg bare griperen.»

Objekter har tradisjonelt blitt designet for å matche en spesifikk griper siden passive gripere ikke kan justere for å passe til objektet de plukker opp.

Jeffrey Lipton er medforfatter og UW assisterende professor i maskinteknikk. 

"Den mest vellykkede passive griperen i verden er tangen på en gaffeltruck. Men avveiningen er at gaffeltang kun fungerer bra med spesifikke former, for eksempel paller, noe som betyr at alt du ønsker å gripe må være på en pall,” sa Lipton. "Her sier vi "OK, vi ønsker ikke å forhåndsdefinere geometrien til den passive griperen." I stedet ønsker vi å ta geometrien til ethvert objekt og designe en griper.»

Det er mange forskjellige muligheter for en griper, og formen er vanligvis knyttet til banen robotarmen tar for å plukke opp gjenstanden. Når en griper er utformet feil, risikerer den å krasje inn i gjenstanden når den forsøker å plukke den opp, noe teamet forsøkte å løse. 

Milin Kodnongbua er hovedforfatter og var en UW-student ved Allen School på tidspunktet for forskningen. 

“Punktene der griperen kommer i kontakt med objektet er avgjørende for å opprettholde objektets stabilitet i grepet. Vi kaller dette settet med punkter 'grepskonfigurasjonen'», sa Kodnongbual. Griperen må også kontakte objektet på de gitte punktene, og griperen må være en enkelt solid gjenstand som forbinder kontaktpunktene med robotarmen. Vi kan søke etter en innsatsbane som tilfredsstiller disse kravene."

UW-teamet lager tilpassede gripere for å hjelpe maskiner med å plukke opp flere ting

Design av ny griper og bane

For å designe en ny griper og bane, gir teamet først datamaskinen en 3D-modell av objektet og dets orientering i rommet. 

"Først genererer algoritmen vår mulige grepskonfigurasjoner og rangerer dem basert på stabilitet og noen andre beregninger," sa Kodnongbua. "Da tar det det beste alternativet og samoptimerer for å finne ut om en innsettingsbane er mulig. Hvis den ikke finner en, går den til neste grepkonfigurasjon på listen og prøver å gjøre samoptimaliseringen på nytt."

Datamaskinen sender ut to sett med instruksjoner når den finner en god match. Den første er for en 3D-printer for å lage griperen, og den andre er med banen for robotarmen som følger utskriften og festingen av griperen. 

Teamet testet den nye metoden på ulike objekter.

Ian Good er en annen medforfatter og en UW doktorgradsstudent i maskiningeniøravdelingen. 

"Vi designet også objekter som ville være utfordrende for tradisjonelle griperoboter, for eksempel objekter med svært grunne vinkler eller objekter med innvendig grep - hvor du må plukke dem opp ved å sette inn en nøkkel," sa Good. 

Teamet utførte 10 testpickuper med 22 former. For 16 former lyktes alle 10 pickupene. De fleste former hadde minst én suksess, og to gjorde det ikke.

Selv uten menneskelig innblanding utviklet algoritmen de samme gripende strategiene for lignende formede objekter. Dette har fått forskerne til å tro at de kunne være i stand til å lage passive gripere som fanger opp en klasse med objekter i stedet for et spesifikt objekt. 

Alex McFarland er en AI-journalist og skribent som utforsker den siste utviklingen innen kunstig intelligens. Han har samarbeidet med en rekke AI-startups og publikasjoner over hele verden.