Skip to main content
Denne side vises ved hjælp af automatiseret oversættelse. Vil du have den vist på engelsk i stedet?
En robotgriber med sugekopper holder en lille papkasse, mens den justeres af en person.

Bindplukning: En reel udfordring for robotter

Ines Ugalde Diaz | Siemens Årets opfindere | Nybegynder

Der er opgaver, der er lette for mennesker, men virkelig vanskelige for robotter, og skraldespandplukning er en af disse opgaver. For eksempel skal robotter være i stand til at plukke en enkelt del ud af en skraldespand, der indeholder en usorteret, kaotisk arrangeret bunke af individuelle dele som en bunke pakker.

Ines Ugalde Diaz og hendes team i Berkeley (USA) har udviklet robotstyringssystemer i mere end seks år og har lavet over 40 opfindelser indtil videre. Ines blev hædret som Årets Opfinder 2024 i kategorien Newcomer for en bin-plukningsløsning, der fleksibelt kan modificeres til forskellige robotgribeværktøjer. Denne særlige opfindelse blev valgt, fordi den fungerer som frøet til den næste generation af Siemens SIMATIC Robot Pick AI. Pick AI har været vist på adskillige messer, herunder dette års Hannover-messe i Tyskland i foråret 2024.

Grib ved vakuum

A person is standing in front of a whiteboard covered with diagrams and handwritten notes related to 3D object recognition and ranking.

Mange robotter griber ved at skabe et vakuum. I slutningen af deres arm - hvad der kaldes endeeffektoren - anvender robotter en eller flere sugekopper til at udøve et vakuum på det objekt, der skal gribes. For at gøre dette skal sugekopperne lande på en optimalt, flad, glat og ikke-porøs overflade. Der er mange varianter af sugepuder i forskellige størrelser og former, med en rektangulær eller firkantet base og med en eller flere sugekopper.

„Vores nye opfindelse letter brugen af sugefribere i forskellige størrelser og arrangementer. Det er op til kunden at beslutte, hvad de vil have,“ siger Ines. „Det er faktisk et meget unikt aspekt af vores produkt, der adskiller os fra alle konkurrenterne.“

At se igennem kaoset

I kaoset i en skraldespand ligger de enkelte dele oven på hinanden i tilfældige rumlige orienteringer. Robotten skal først genkende strukturen i dette kaos: Den skal identificere, hvor en del begynder, og hvor den slutter og forstå, hvordan den er placeret for at finde et sted, hvor den kan få et godt greb. De nødvendige data - den aktuelle visning af boksen - leveres af et 3D-kamera. AI-algoritmer, der er trænet til at differentiere de enkelte objekter i disse billeder, lægger grunden til styring af robotarmen.

Forbedring af standardsoftware

Den tildelte opfindelse bygger på baggrund af sceneforståelse, især at skelne skraldespanden og de enkelte objekter. Dette kaldes normalt „instanssegmentering“, et standardproblem inden for maskinlæring og computersyn. Der er allerede mange foruddannede modeller til denne opgave, der har draget fordel af træning på millioner af eksempler. De er gode, men de er for generelle, og de laver fejl i bin-picking-scenarier. Ines og hendes gruppe forbedrede ydeevnen af disse standardløsninger til tilfredsstillende niveauer ved at give dem en ekstra træning i specifikke datasæt: for eksempel virkelige data fra eksisterende Pick AI-robotceller.

A person is working at a desk with two computer monitors displaying code and a robotic arm visible in the foreground.

Datadeling for bedre ydeevne

A hand is pointing at a computer screen showing a colorful digital image with a green checkmark indicating successful processing.

„Vores løsning er beregnet til at fungere på ethvert kundested, fordi vi trænede den på enorme datasæt fra både syntetiske og virkelige kilder,“ siger Ines. „Det klarer sig rigtig godt på kasser, flasker og poser, og også hvis delen kommer pakket ind i plastfolie. I princippet bør kunderne ikke se nogen driftsforringelse, men hvis de gør det, kan de lade modellerne lære af deres fejl. Dette er en del af vores strategi for produktet. Vi forbereder os på at indtage store datasæt fra robotflåder i Siemens cloud, som har evnen til at udnytte en fejlsag til at gøre vores produkt bedre - ikke kun for en kunde, men for alle kunder, der er enige om datadeling.“ Forbedringerne fører ikke kun til præstationsgevinster, men også til at afsløre nye brugssager. „Vi har vist, at vi med minimal indsats kan ændre softwaren til at påtage sig helt nye brugssager, herunder robotdepalletering,“ forklarer Ines. Pick AI er kernen i en nyligt implementeret robotdepalleteringscelle på et af Siemens produktive lagre i Erlangen, Tyskland. Takket være dataene skubber holdet grænserne for robotmanipulation.