ビンピッキングの課題
産業オートメーションの課題の状況において、深いビンピッキングは特別な位置を占めています。それは難しく、経済的に重要であり、より構造化されたアプリケーションでロボット自動化を成功させてきたプログラム的なソリューションに頑固に対抗してきました。タスクは単純に聞こえます——ビンからランダムに方向付けされた部品をピックアップし、製造プロセスの次のステップのために正しく配置します——しかし、それはいくつかの異なる技術的課題を組み合わせており、一緒になって、数十年間、信頼できる自動化ソリューションを実現困難にしてきました。
深いビン内の部品はランダムに3次元で方向付けられています。それらは絡まっている、積み重なっている、または他の部品に部分的に隠されている場合があります。ビンの壁はロボットアームのアプローチを制限する幾何学的制約を作成します。部品の表面は反射率、透光性、およびテクスチャが変わり、機械ビジョンを複雑にします。そして、ジャンブルされた山から部品を握り、抽出する物理的な行為には、適応型力制御が必要です。部品を傷つけずに確実に握るのに十分な力を適用しながら、部品が削除されるにつれて変わる周囲の部品との機械的相互作用をナビゲートすることが必要です。
マルチシフト運用施設で高い部品ボリュームを扱う製造業者にとって、この課題は重大なボトルネックと労働コストを示しています。人間の操作者はビンピッキングを直感的に処理できます。視覚知覚と触覚フィードバックを使用して、明示的なプログラミングなしに自然に適用されます。しかし、ビンピッキングに関連する労働コストと可変性——特に部品ポートフォリオが大きく、常に変化している高ミックス生産環境で——自動化を魅力的にします。信頼性の基準が達成される場合。
急速オペレーターAIは何をするのか
Ventionの急速オペレーターAIは、適応型機械ビジョン、学習されたグラスピング方針、およびリアルタイム力フィードバック制御の組み合わせを通じてビンピッキング課題に対処します。このシステムは深度カメラと構造光を使用して、ビンコンテンツの3次元表現を構築し、ジャンブルされた山の中で個々の部品とその方向を識別します。グラスピングポーズ推定——成功したグラスプのための最適なアプローチ角度、グリッパー方向、および接触点の計算——は、部品画像と成功したグラスプの試みの大規模なデータセットで訓練されたニューラルネットワークモデルによって処理されます。
機械学習コンポーネントはシステムの適応性に重要です。正確なCADモデルを必要とし、部品が予想される方向から逸脱するときに破綻するテンプレートベースの機械ビジョンシステムとは異なり、急速オペレーターAIのニューラルモデルは訓練データから一般化でき、限定的な再トレーニングで新しい部品形状と新しいプレゼンテーションを処理できます。数十または数百の異なる部品番号を実行する高ミックス製造業者にとって、この一般化機能はシステムが生産ポートフォリオ全体で有用であるものと、特定の部品ファミリーに対しては機能するが、他のものに拡張するには重大なエンジニアリングの努力を必要とするものとの違いです。
力フィードバック統合は、ビンから部品を傷なく抽出する機械的課題に対処します。システムはグリッパー力をリアルタイムで監視し、部品が絡まっているか、抽出パスが障害物かどうかを検出し、それに応じてロボットの軌跡を調整します。このフィードバックループにより、システムはビン山の確率的な力学を処理できます——部品が削除されるにつれて部品のカスケード運動——現実世界が予想される設定から逸脱するときに、オープンループビンピッキングシステムを悩ませる脆弱な障害モードなし。
