Un enfoque diferente para la selección robótica de piezas en contenedores
La selección industrial de piezas en contenedores ha dependido tradicionalmente de cámaras 3D fijas, puntos de agarre predefinidos, una calibración detallada y posiciones de contenedor relativamente controladas. Estos métodos pueden funcionar bien en aplicaciones estructuradas, pero su rendimiento puede volverse menos predecible cuando las piezas están orientadas aleatoriamente, parcialmente ocultas o cuando el propio contenedor cambia de posición.
Inbolt adopta un enfoque diferente al colocar una cámara de visión 3D directamente en el brazo robótico. En lugar de depender de una vista fija del espacio de trabajo, el robot puede mover su sistema de visión con el efector final y actualizar continuamente su comprensión de la pieza.
En mi opinión, esta arquitectura es especialmente importante porque la cámara pasa a formar parte del sistema de movimiento del robot, en lugar de permanecer como un dispositivo de detección independiente. Esto cambia la forma en que el robot puede responder a las variaciones del espacio de trabajo físico.
Visión en el brazo para entornos no estructurados
El sistema Inbolt utiliza modelos de IA propios junto con visión 3D en tiempo real para identificar oportunidades de agarre adecuadas. El sistema no depende de un único punto de agarre predefinido. Puede evaluar distintas superficies accesibles y determinar cómo puede aproximarse el robot al componente.
Esto resulta útil cuando los componentes se superponen, giran o muestran superficies diferentes de un ciclo a otro. En lugar de exigir que cada orientación posible se programe explícitamente, el sistema de visión evalúa la escena actual y genera una estrategia de agarre adecuada.
El rendimiento de producción informado es de menos de 1 segundo de tiempo de procesamiento por selección, con tasas de éxito de selección de hasta el 95 % en entornos de fabricación reales.
Funcionamiento de circuito cerrado en tres pasos
La solución sigue un proceso continuo de percepción y corrección, en lugar de tratar la selección como una secuencia de movimientos programados aislados.
1. Identificar una superficie que se pueda agarrar
El sistema de visión 3D analiza los componentes dispuestos aleatoriamente e identifica un área accesible para el agarre. El robot puede seleccionar distintos enfoques de agarre según la geometría visible de la pieza.
2. Localizar la pieza después del agarre
Después de que el robot sujeta el componente, el sistema de visión puede analizar nuevamente el objeto y determinar su posición y orientación reales. Esto proporciona información adicional después de la selección inicial.
3. Corregir el movimiento de colocación
Mientras el robot se desplaza hacia el destino, la IA puede perfeccionar continuamente la trayectoria basándose en la posición actualizada del objeto. Esta capacidad de localización durante la sujeción ayuda a compensar las variaciones introducidas durante el agarre.
En mi opinión, esta arquitectura de circuito cerrado es uno de los aspectos técnicos más importantes del sistema. Una selección exitosa no necesariamente representa el final del problema de percepción; verificar la pieza después del agarre brinda al robot otra oportunidad para corregir el posicionamiento antes de colocarla.
Reducción de la infraestructura de visión fija
Una celda convencional de selección de piezas en contenedores puede requerir cámaras fijas colocadas encima o alrededor del área de trabajo. Estas instalaciones pueden introducir requisitos adicionales de montaje mecánico, calibración, cableado y configuración.
Con una cámara montada en el brazo robótico, el mismo sistema de visión puede desplazarse entre distintas posiciones de observación. Esto puede reducir la cantidad de hardware de visión específico necesario para aplicaciones que implican varios contenedores o diseños cambiantes de las estaciones de trabajo.
La arquitectura también hace que el sistema de visión dependa menos de un único punto de vista fijo. Esto puede resultar útil cuando el robot necesita inspeccionar un componente desde distintos ángulos durante el proceso de selección.
Consideraciones de rendimiento y producción
Según Inbolt, el sistema se ha implementado en más de cinco fábricas y ha alcanzado una alta disponibilidad y productividad en estos centros de producción. La empresa informa de tasas de éxito de selección de hasta el 95 % y tiempos medios de procesamiento inferiores a un segundo por selección.
Estas cifras deben considerarse específicas de cada aplicación, no como especificaciones universales de rendimiento. Los resultados reales dependerán de factores como la geometría del componente, las características de la superficie, la carga del contenedor, la configuración del robot, el diseño de la pinza, la iluminación, los requisitos de ciclo y el grado de ocultación de las piezas.
Para los ingenieros industriales, esta distinción es importante. En última instancia, el rendimiento de la visión debe evaluarse en relación con la celda robótica completa, no solo con el algoritmo de visión.
IA y estimación de la pose 3D
El sistema funciona con hardware de NVIDIA y utiliza los modelos de guiado robótico basados en IA de Inbolt para la estimación de la pose y la corrección de la trayectoria en tiempo real.
El objetivo técnico no es simplemente reconocer un objeto. El sistema debe determinar dónde está el objeto, cómo está orientado, si el agarre es físicamente accesible y cómo debe moverse el robot después de recoger la pieza.
Esto hace que la combinación de percepción 3D, estimación de la pose, movimiento robótico y control de realimentación sea más importante que el reconocimiento de imágenes por sí solo.
Dónde puede aportar valor esta arquitectura
El enfoque se adapta bien a aplicaciones en las que resulta difícil estandarizar la presentación de las piezas. Algunos ejemplos son los componentes cargados aleatoriamente, los contenedores que pueden desplazarse, las orientaciones variables de las piezas y los entornos de producción en los que deben manipularse múltiples geometrías.
Otra posible ventaja es la implementación en varias estaciones. Si la misma arquitectura robótica y de visión puede configurarse para distintos contenedores y familias de piezas, los equipos de ingeniería podrían reducir la cantidad de infraestructura de visión específica necesaria para cada estación de trabajo.
Desde la perspectiva de la automatización, el beneficio más interesante no es simplemente una selección más rápida. Es la posibilidad de reducir la cantidad de esfuerzo mecánico y de programación necesario para mantener el rendimiento cuando cambia el entorno físico.
Perspectiva de ingeniería
El desarrollo de la visión 3D montada en el brazo refleja un cambio más amplio en la robótica industrial: la percepción se está integrando cada vez más estrechamente con el movimiento del robot.
La automatización tradicional suele intentar eliminar la variabilidad mediante utillajes, posiciones fijas de las cámaras, una presentación controlada de las piezas y trayectorias predefinidas. La visión basada en IA adopta el enfoque opuesto al permitir que el robot observe una mayor variación y la compense mediante software y realimentación.
Esto no elimina la necesidad de un diseño mecánico sólido, una selección adecuada de la pinza, programación robótica o ingeniería de procesos. En cambio, cambia el lugar donde se gestiona parte de la complejidad. Para aplicaciones con una presentación de piezas realmente variable, trasladar parte de esa complejidad de las restricciones mecánicas a la percepción y el control del movimiento en tiempo real puede ser una solución de ingeniería práctica.
Conclusión
La solución de Inbolt para la selección de piezas en contenedores demuestra cómo la visión 3D montada en el brazo y la IA pueden combinarse con el control robótico de circuito cerrado para aplicaciones menos estructuradas de manipulación de materiales. Su tiempo de procesamiento informado, inferior a un segundo, su tasa de éxito de selección de hasta el 95 % y su implementación en varias fábricas indican un enfoque centrado en el uso productivo, más que en demostraciones de laboratorio.
El concepto técnico clave es la interacción continua entre la percepción y el movimiento del robot: el sistema observa el agarre disponible, verifica el componente después de sujetarlo y ajusta la trayectoria de colocación según sea necesario. Este enfoque puede ofrecer una alternativa más adaptable a las arquitecturas de selección en contenedores que dependen en gran medida de cámaras fijas y condiciones de agarre predefinidas.
