مشكلة التقاط القطع من الصناديق
في مشهد تحديات الأتمتة الصناعية، يحتل التقاط القطع من الصناديق العميقة مكانة خاصة: فهو صعب، وله أهمية اقتصادية كبيرة، ويقاوم بإصرار الحلول البرمجية التي جعلت الأتمتة الروبوتية ناجحة في التطبيقات الأكثر تنظيماً. تبدو المهمة بسيطة - التقاط قطع ذات اتجاهات عشوائية من صندوق ووضعها بشكل صحيح للخطوة التالية في عملية التصنيع - لكنها تجمع عدة تحديات تقنية متميزة جعلت الحلول الآلية الموثوقة بعيدة المنال لعقود.
القطع داخل صندوق عميق تكون ذات اتجاهات عشوائية في الأبعاد الثلاثة. وقد تكون متشابكة أو مكدسة أو محجوبة جزئياً بقطع أخرى. كما تخلق جدران الصندوق قيوداً هندسية تحد من مسارات اقتراب الذراع الروبوتية. وتختلف أسطح القطع في الانعكاسية والشفافية الجزئية والملمس بطرق تعقّد الرؤية الآلية. أما الفعل المادي المتمثل في إمساك قطعة واستخراجها من كومة مضطربة فيتطلب تحكماً تكيفياً في القوة: تطبيق قوة كافية للإمساك بشكل موثوق دون إتلاف القطعة، مع التعامل مع التفاعلات الميكانيكية مع القطع المحيطة التي تتحرك مع إزالة العناصر.
بالنسبة للمصنعين الذين يديرون منشآت تعمل بعدة ورديات وبحجم كبير من القطع، تمثل هذه المشكلة عنق زجاجة كبيراً وتكلفة عمالية ملحوظة. يمكن للمشغلين البشريين التعامل مع bin picking بشكل حدسي، بالاعتماد على الإدراك البصري والتغذية الراجعة اللمسية التي يستخدمونها طبيعياً ومن دون برمجة صريحة. لكن تكلفة العمالة والتباين المرتبطين بالتقاط القطع يدوياً - خاصة في بيئات الإنتاج عالية التنوع حيث تكون مجموعة القطع كبيرة وتتغير باستمرار - يجعلان الأتمتة خياراً جذاباً إذا أمكن بلوغ مستوى الموثوقية المطلوب.
ما الذي يفعله Rapid Operator AI
يعالج Rapid Operator AI من Vention تحدي التقاط القطع من الصناديق عبر مزيج من الرؤية الآلية التكيفية، وسياسات الإمساك المتعلمة، والتحكم في الوقت الحقيقي بالتغذية الراجعة للقوة. يستخدم النظام كاميرات العمق والضوء المنظم لبناء تمثيل ثلاثي الأبعاد لمحتويات الصندوق، مع تحديد القطع الفردية واتجاهاتها داخل الكومة المضطربة. ويتم تنفيذ تقدير وضعية الإمساك - أي حساب زاوية الاقتراب المثلى، واتجاه الماسك، ونقاط التلامس اللازمة لإمساك ناجح - بواسطة نماذج شبكات عصبية مدربة على مجموعات بيانات كبيرة من صور القطع ومحاولات الإمساك الناجحة.
يعد مكون التعلم الآلي حاسماً في قدرة النظام على التكيف. وعلى خلاف أنظمة الرؤية الآلية القائمة على القوالب، التي تتطلب نماذج CAD دقيقة وتتعطل عندما تنحرف القطع عن الاتجاهات المتوقعة، يمكن لنماذج Rapid Operator AI العصبية أن تعمم من بيانات التدريب للتعامل مع أوضاع عرض جديدة وهندسات قطع جديدة مع إعادة تدريب محدودة نسبياً. وبالنسبة للمصنعين عاليي التنوع الذين يديرون عشرات أو مئات أرقام القطع المختلفة، فإن هذه القدرة على التعميم هي الفارق بين نظام مفيد عبر محفظة الإنتاج بأكملها ونظام يعمل مع عائلة قطع محددة لكنه يتطلب جهداً هندسياً كبيراً لتوسيعه إلى غيرها.
يعالج تكامل التغذية الراجعة للقوة التحدي الميكانيكي المتمثل في استخراج القطع من الصندوق دون إتلافها. يراقب النظام قوى الماسك في الوقت الحقيقي، ويكشف عندما تكون القطعة متشابكة أو عندما يكون مسار الاستخراج معوقاً، ثم يضبط مسار الروبوت وفقاً لذلك. تتيح حلقة التغذية الراجعة هذه للنظام التعامل مع الديناميكيات العشوائية لكومة القطع - الحركات المتسلسلة للقطع أثناء الإزالة - من دون أنماط الفشل الهشّة التي تبتلي أنظمة bin picking ذات الحلقة المفتوحة عندما ينحرف الواقع عن التكوين المتوقع.
