Nova Ferramenta Melhora Garras Robóticas para Linhas de Montagem

Uma equipe da Universidade de Washington desenvolveu uma nova ferramenta que pode projetar uma garra passiva impressa em 3D e calcular o melhor caminho para pegar um objeto. O novo desenvolvimento pode ajudar a melhorar os robôs de linhas de montagem.

O sistema foi testado em 22 objetos diferentes, incluindo um cuneo em forma de porta, uma bola de tênis e uma broca, e provou ser bem-sucedido para 20 dos objetos. Dois dos objetos que foram pegados com sucesso foram o cuneo e uma forma de pirâmide com uma fechadura curva, que normalmente são difíceis para vários tipos de garras.

A pesquisa será apresentada em 11 de agosto no SIGGRAPH 2022.

Adriana Schulz é autora sênior e professora assistente da Universidade de Washington na Escola de Ciência e Engenharia de Computação Paul G. Allen.

Criando Ferramentas Personalizadas para Linhas de Montagem

“Ainda produzimos a maioria dos nossos itens com linhas de montagem, que são muito boas, mas também muito rígidas. A pandemia nos mostrou que precisamos ter uma maneira fácil de repurpar essas linhas de produção”, disse Schulz. “Nossa ideia é criar ferramentas personalizadas para essas linhas de montagem. Isso nos dá um robô muito simples que pode fazer uma tarefa com uma garra específica. E então, quando mudo a tarefa, apenas substituo a garra.”

Os objetos tradicionalmente foram projetados para combinar com uma garra específica, pois as garras passivas não podem se adaptar para se ajustar ao objeto que está sendo pegado.

Jeffrey Lipton é coautor e professor assistente de engenharia mecânica da Universidade de Washington.

“A garra passiva mais bem-sucedida do mundo são as pinças de um empilhadeira. Mas o trade-off é que as pinças de empilhadeira funcionam bem apenas com formas específicas, como paletes, o que significa que qualquer coisa que você queira segurar precisa estar em um palete”, disse Lipton. “Aqui estamos dizendo ‘OK, não queremos pré-definir a geometria da garra passiva.’ Em vez disso, queremos pegar a geometria de qualquer objeto e projetar uma garra.”

Há muitas possibilidades diferentes para uma garra, e sua forma geralmente está relacionada ao caminho que o braço do robô segue para pegar o objeto. Quando uma garra é projetada incorretamente, ela corre o risco de colidir com o objeto ao tentar pegá-lo, o que a equipe se propôs a resolver.

Milin Kodnongbua é autor principal e era um estudante de graduação da Universidade de Washington na Escola de Ciência e Engenharia de Computação Paul G. Allen no momento da pesquisa.

“Os pontos onde a garra entra em contato com o objeto são essenciais para manter a estabilidade do objeto na garra. Chamamos isso de ‘configuração de garra'”, disse Kodnongbua. “Além disso, a garra deve entrar em contato com o objeto nos pontos dados, e a garra deve ser um objeto sólido que conecta os pontos de contato ao braço do robô. Podemos procurar uma trajetória de inserção que atenda a esses requisitos.”

Projetando Nova Garra e Trajetória

Para projetar uma nova garra e trajetória, a equipe primeiro fornece ao computador um modelo 3D do objeto e sua orientação no espaço.

“Primeiro, nosso algoritmo gera configurações de garra possíveis e as classifica com base na estabilidade e em outras métricas”, disse Kodnongbua. “Em seguida, ele pega a melhor opção e otimiza para encontrar se uma trajetória de inserção é possível. Se não puder encontrar uma, então vai para a próxima configuração de garra na lista e tenta fazer a otimização novamente.”

O computador produz dois conjuntos de instruções quando encontra uma boa correspondência. O primeiro é para uma impressora 3D criar a garra, e o segundo é com a trajetória para o braço do robô seguir após a impressão e fixação da garra.

A equipe testou o novo método em vários objetos.

Ian Good é outro coautor e um estudante de doutorado da Universidade de Washington no departamento de engenharia mecânica.

“Também projetamos objetos que seriam desafiadores para robôs de garra tradicionais, como objetos com ângulos muito rasos ou objetos com garra interna — onde você precisa pegá-los com a inserção de uma chave”, disse Good.

A equipe realizou 10 testes de levantamento com 22 formas. Para 16 formas, todos os 10 levantamentos foram bem-sucedidos. A maioria das formas teve pelo menos um sucesso, e duas não tiveram.

Mesmo sem intervenção humana, o algoritmo desenvolveu as mesmas estratégias de garra para objetos com formas semelhantes. Isso levou os pesquisadores a acreditar que poderiam criar garras passivas que pegam uma classe de objetos em vez de um objeto específico.