Skip to main content

Bin picking: valódi kihívás a robotok számára

Ines Ugalde Diaz | Siemens Év feltalálói | Újonc

Vannak olyan feladatok, amelyek az emberek számára könnyűek, a robotok számára viszont rendkívül nehezek, és ezek közé tartozik a bin picking is. A robotoknak például képesnek kell lenniük arra, hogy egyetlen alkatrészt emeljenek ki egy olyan tárolóból, amely egyedi alkatrészek rendezetlen, kaotikusan elhelyezkedő halmát tartalmazza, például egy csomaghalmot.

Ines Ugalde Diaz és csapata a kaliforniai Berkeleyben (USA) már több mint hat éve fejleszt robotvezérlési rendszereket, és eddig több mint 40 találmányt hoztak létre. Inest a 2024-es Év Feltalálója díjjal tüntették ki a Newcomer kategóriában egy olyan bin-picking megoldásért, amely rugalmasan módosítható különböző robotmegfogó eszközökhöz. Ezt a konkrét találmányt azért választották ki, mert ez szolgál a Siemens SIMATIC Robot Pick AI következő generációjának alapjaként. A Pick AI számos szakkiállításon szerepelt, többek között a 2024 tavaszán megrendezett hannoveri vásáron Németországban.

Megfogás vákuummal

Egy személy egy fehér tábla előtt áll, amelyet 3D objektumfelismeréssel és rangsorolással kapcsolatos diagramok és kézzel írt jegyzetek borítanak.

Sok robot vákuum létrehozásával fog meg tárgyakat. A kar végén – az úgynevezett végszerszámon – a robotok egy vagy több tapadókorongot alkalmaznak, hogy vákuumot hozzanak létre a megfogandó tárgyon. Ehhez a tapadókorongoknak optimálisan sík, sima és nem porózus felületen kell érintkezniük. A tapadókorongoknak számos változata létezik, különböző méretben és formában, téglalap vagy négyzet alakú alappal, valamint egy vagy több tapadókoronggal.

„Új találmányunk megkönnyíti a különböző méretű és elrendezésű vákuumos megfogók használatát. Az ügyfél döntheti el, mit szeretne” – mondja Ines. „Valójában ez termékünk egy nagyon egyedi jellemzője, amely megkülönböztet bennünket minden versenytárstól.”

Rendet teremteni a káoszban

A tárolóban uralkodó káoszban az egyes alkatrészek véletlenszerű térbeli helyzetben, egymáson fekve helyezkednek el. A robotnak először fel kell ismernie a struktúrát ebben a káoszban: azonosítania kell, hol kezdődik és hol végződik egy alkatrész, és meg kell értenie, hogyan helyezkedik el, hogy találjon egy pontot, ahol megfelelően meg tudja fogni. A szükséges adatokat – a tároló aktuális képét – egy 3D kamera szolgáltatja. Az ezekben a képekben az egyes objektumok megkülönböztetésére betanított AI-algoritmusok teremtik meg a robotkar vezérlésének alapját.

A szabványos szoftver továbbfejlesztése

A díjazott találmány a jelenetértelmezés alapjaira épül, különösen a tároló és az egyes objektumok megkülönböztetésére. Ezt általában „instance segmentation”-nek nevezik, amely a gépi tanulás és a számítógépes látás egyik szabványos problémája. Erre a feladatra már számos előre betanított modell létezik, amelyek több millió példán végzett tanításból profitáltak. Ezek jók, de túlságosan általánosak, és hibáznak a bin-picking forgatókönyvekben. Ines és csoportja úgy javította ezeknek a szabványos megoldásoknak a teljesítményét kielégítő szintre, hogy további betanítást végeztek rajtuk specifikus adathalmazokkal: például meglévő Pick AI robotcellákból származó valós adatokkal.

Egy személy íróasztalnál dolgozik, két számítógépmonitoron kód látható, az előtérben pedig egy robotkar.

Adatmegosztás a jobb teljesítmény érdekében

Egy kéz egy számítógép képernyőjére mutat, amelyen színes digitális kép látható, zöld pipával jelezve a sikeres feldolgozást.

„Megoldásunkat úgy terveztük, hogy bármely ügyfél telephelyén működjön, mivel kiterjedt adathalmazokon tanítottuk be, mind szintetikus, mind valós forrásokból” – mondja Ines. „Kifejezetten jól működik dobozokon, palackokon és tasakokon, valamint akkor is, ha az alkatrész műanyag fóliába van csomagolva. Elvileg az ügyfeleknek nem kellene működési teljesítményromlást tapasztalniuk, de ha mégis, lehetővé tehetik, hogy a modellek tanuljanak a hibáikból. Ez termékstratégiánk része. Arra készülünk, hogy robotflottákból származó nagy léptékű adathalmazokat fogadjunk be a Siemens felhőjébe, amely képes egy hibás esetet felhasználni termékünk javítására – nem csupán egy ügyfél, hanem minden olyan ügyfél számára, aki hozzájárul az adatmegosztáshoz.” A fejlesztések nemcsak teljesítménynövekedéshez vezetnek, hanem új felhasználási eseteket is feltárnak. „Megmutattuk, hogy minimális ráfordítással képesek vagyunk a szoftvert teljesen új felhasználási esetekhez igazítani, beleértve a robotizált depalettázást is” – magyarázza Ines. A Pick AI egy újonnan bevezetett robotizált depalettázó cella központi eleme a Siemens egyik erlangeni, németországi termelő raktárában. Az adatoknak köszönhetően a csapat a robotizált manipuláció határait feszegeti.