Новый инструмент улучшает роботизированные захваты для производственных линий

Команда из Университета Вашингтона разработала новый инструмент, который может проектировать 3D-печатный пассивный захват и рассчитывать лучший путь для подъема объекта. Это новое развитие может помочь улучшить роботов на производственных линиях.

Система была протестирована на 22 различных объектах, включая клин в форме дверного упора, теннисный мяч и дрель, и она оказалась успешной для 20 объектов. Два объекта, которые были успешно подняты, были клин и пирамидальная форма с изогнутым ключевым отверстием, которые обычно трудны для различных типов захватов.

Исследование должно быть представлено 11 августа на SIGGRAPH 2022.

Адриана Шульц – старший автор и помощник профессора в школе компьютерных наук и инженерии имени Пола Г. Аллена.

Создание индивидуального инструментария для производственных линий

“Мы все еще производим большинство наших изделий на производственных линиях, которые очень хороши, но также очень жесткие. Пандемия показала нам, что нам нужно иметь возможность легко перепрофилировать эти производственные линии”, – сказала Шульц. “Наша идея – создать индивидуальный инструментарий для этих производственных линий. Это дает нам очень простого робота, который может выполнять одну задачу с помощью специального захвата. И когда я меняю задачу, я просто заменяю захват.”

Объекты традиционно проектировались для соответствия конкретному захвату, поскольку пассивные захваты не могут регулироваться для соответствия объекту, который они поднимают.

Джеффри Липтон – соавтор и помощник профессора механической инженерии.

“Самый успешный пассивный захват в мире – это щипцы на вилочном погрузчике. Но компромисс заключается в том, что щипцы вилочного погрузчика работают хорошо только с определенными формами, такими как поддоны, что означает, что любой объект, который вы хотите захватить, должен быть на поддоне”, – сказал Липтон. “Здесь мы говорим: ‘Хорошо, мы не хотим предварительно определять геометрию пассивного захвата.’ Вместо этого мы хотим взять геометрию любого объекта и спроектировать захват.”

Существует много возможностей для захвата, и его форма обычно связана с путем, по которому робот-погрузчик поднимает объект. Когда захват спроектирован неправильно, он рискует столкнуться с объектом при попытке поднять его, что команда попыталась решить.

Милин Коднонбुआ – ведущий автор и был студентом Университета Вашингтона в школе Аллена в момент исследования.

“Точки, где захват соприкасается с объектом, имеют решающее значение для поддержания стабильности объекта в захвате. Мы называем это набором точек ‘конфигурацией захвата'”, – сказал Коднонбुआ. “Кроме того, захват должен соприкасаться с объектом в этих заданных точках, и захват должен быть единым твердым объектом, соединяющим точки соприкосновения с роботом-погрузчиком. Мы можем искать вставочный путь, который удовлетворяет этим требованиям.”

Проектирование нового захвата и траектории

Чтобы спроектировать новый захват и траекторию, команда сначала предоставляет компьютеру 3D-модель объекта и его ориентацию в пространстве.

“Сначала наш алгоритм генерирует возможные конфигурации захвата и ранжирует их по стабильности и некоторым другим метрикам”, – сказал Коднонбुआ. “Затем он берет лучший вариант и кооптимизирует, чтобы найти, возможен ли вставочный путь. Если он не может найти его, то он переходит к следующей конфигурации захвата в списке и пытается сделать кооптимизацию снова.”

Компьютер выводит два набора инструкций, как только он находит хорошее совпадение. Первый – для 3D-принтера, чтобы создать захват, и второй – с траекторией для робота-погрузчика после печати и крепления захвата.

Команда протестировала новый метод на различных объектах.

Иэн Гуд – еще один соавтор и докторант в отделении механической инженерии.

“Мы также спроектировали объекты, которые будут сложными для традиционных роботов-захватов, таких как объекты с очень мелкими углами или объекты с внутренним захватом – где вы должны поднять их с помощью вставки ключа”, – сказал Гуд.

Команда выполнила 10 тестовых подъемов с 22 формами. Для 16 форм все 10 подъемов были успешными. Большинство форм имели хотя бы один успех, и две не имели.

Даже без какого-либо вмешательства человека алгоритм разработал одни и те же стратегии захвата для подобных объектов. Это привело исследователей к мысли, что они могут создать пассивные захваты, которые поднимают класс объектов, а не конкретный объект.