Skip to main content

Bin-picking: een echte uitdaging voor robots

Ines Ugalde Diaz | Siemens-uitvinders van het jaar | Nieuwkomer

Er zijn taken die gemakkelijk zijn voor mensen, maar heel moeilijk voor robots, en bin-picking is een van die taken. Robots moeten bijvoorbeeld een enkel onderdeel kunnen pakken uit een bak die een ongesorteerde, chaotisch geordende stapel afzonderlijke onderdelen bevat, zoals een stapel pakketten.

Ines Ugalde Diaz en haar team in Berkeley (VS) ontwikkelen al meer dan zes jaar robotbesturingssystemen en hebben tot nu toe meer dan 40 uitvindingen gedaan. Ines werd uitgeroepen tot uitvinder van het jaar 2024 in de categorie Nieuwkomers voor een oplossing voor bin-picking die flexibel kan worden aangepast voor verschillende grijpgereedschappen voor robots. Voor deze specifieke uitvinding werd gekozen omdat deze de basis vormt voor de volgende generatie Siemens SIMATIC Robot Pick AI. Pick AI is op tal van beurzen te zien geweest, waaronder de Hannover beurs van dit jaar in Duitsland in het voorjaar van 2024.

Vastgrijpen met vacuüm

Er staat iemand voor een whiteboard vol diagrammen en handgeschreven notities met betrekking tot de herkenning en rangschikking van 3D-objecten.

Veel robots grijpen door een vacuüm te creëren. Aan het uiteinde van hun arm – de zogenaamde eindeffector – gebruiken robots een of meer zuignappen om een vacuüm uit te oefenen op het te grijpen voorwerp. Hiervoor moeten de zuignappen op een optimaal, vlak, glad en niet-poreus oppervlak terechtkomen. Er zijn veel varianten van zuignappen in verschillende maten en vormen, met een rechthoekige of vierkante basis en met een of meer zuignappen.

”Onze nieuwe uitvinding maakt het gebruik van zuiggrijpers in verschillende afmetingen en opstellingen mogelijk. Het is aan de klant om te beslissen wat hij wil”, aldus Ines. “Dat is eigenlijk een heel uniek aspect van ons product dat ons onderscheidt van alle concurrenten.”

De chaos doorzien

In de chaos van een bak liggen de afzonderlijke onderdelen op elkaar in willekeurige ruimtelijke oriëntaties. De robot moet eerst de structuur in deze chaos herkennen: hij moet identificeren waar een onderdeel begint en eindigt en begrijpen hoe het is gepositioneerd om een plek te vinden waar het een goede grip kan krijgen. De benodigde gegevens – de huidige weergave van de doos – worden geleverd door een 3D-camera. AI-algoritmen die zijn getraind om de afzonderlijke objecten in deze beelden te onderscheiden, vormen de basis voor het besturen van de robotarm.

Verbetering van standaardsoftware

De bekroonde uitvinding bouwt voort op het begrijpen van scènes, waarbij met name onderscheid wordt gemaakt tussen de prullenbak en de afzonderlijke voorwerpen. Dit wordt doorgaans aangeduid als ”instance segmentation“, een veelvoorkomend probleem binnen machine learning en computervisie. Er bestaan al talrijke vooraf getrainde modellen voor deze taak, die zijn getraind op basis van miljoenen voorbeelden. Ze zijn goed, maar te algemeen, en ze maken fouten bij bin-picking-scenario’s. Ines en haar team hebben de prestaties van deze standaardoplossingen tot een bevredigend niveau verbeterd door ze extra te trainen op specifieke datasets: bijvoorbeeld praktijkgegevens van bestaande Pick AI-robotcellen.

Iemand werkt aan een bureau met twee computerschermen waarop code wordt weergegeven en een robotarm zichtbaar op de voorgrond.

Gegevens delen voor betere prestaties

Een hand wijst naar een computerscherm en toont een kleurrijk digitaal beeld met een groen vinkje dat aangeeft dat de verwerking is geslaagd.

"Onze oplossing is bedoeld om op elke klantlocatie te werken, omdat we het hebben getraind op enorme datasets uit zowel synthetische als praktijkbronnen", zegt Ines. "Het presteert uitstekend bij dozen, flessen en zakken, en ook als het onderdeel in plastic folie is verpakt. In principe zouden klanten geen prestatieverlies moeten merken, maar als dat toch het geval is, kunnen ze de modellen laten leren van hun fouten. Dit maakt deel uit van onze productstrategie. We bereiden ons voor om grootschalige datasets van robotvloten in de Siemens-cloud op te nemen, die de mogelijkheid biedt om een foutgeval te benutten om ons product te verbeteren – niet alleen voor één klant, maar voor alle klanten die instemmen met het delen van gegevens.” De verbeteringen leiden niet alleen tot prestatiewinst, maar ook tot het blootleggen van nieuwe usecases. “We hebben aangetoond dat we met minimale inspanning de software kunnen aanpassen voor volledig nieuwe toepassingen, waaronder het ontpalletiseren door robots,” legt Ines uit. Pick AI vormt de kern van een nieuw geïmplementeerde robotcel voor het ontpalletiseren in een van de productieve magazijnen van Siemens in Erlangen, Duitsland. Dankzij de data verlegt het team de grenzen van robotmanipulatie.