رویکردی متفاوت به برداشتن قطعات از سبد با ربات
برداشتن قطعات از سبد در صنعت به‌طور سنتی به دوربین‌های سه‌بعدی ثابت، نقاط ازپیش‌تعیین‌شده برای گرفتن، کالیبراسیون دقیق و موقعیت‌های نسبتاً کنترل‌شده سبدها وابسته بوده است. این روش‌ها در کاربردهای ساختاریافته می‌توانند عملکرد خوبی داشته باشند، اما زمانی که قطعات به‌صورت تصادفی قرار گرفته باشند، بخشی از آن‌ها پوشیده باشد یا موقعیت خود سبد تغییر کند، عملکردشان ممکن است کمتر قابل‌پیش‌بینی شود.
Inbolt با نصب مستقیم یک دوربین بینایی سه‌بعدی روی بازوی ربات، رویکرد متفاوتی را در پیش می‌گیرد. ربات به‌جای تکیه بر نمایی ثابت از فضای کاری، می‌تواند سامانه بینایی خود را همراه با ابزار انتهایی جابه‌جا کند و درک خود از قطعه کار را به‌طور پیوسته به‌روزرسانی کند.
از دیدگاه من، این معماری اهمیت ویژه‌ای دارد، زیرا دوربین به‌جای آنکه یک ابزار حسگر جداگانه باقی بماند، به بخشی از سامانه حرکتی ربات تبدیل می‌شود. این موضوع نحوه واکنش ربات به تغییرات فضای کاری فیزیکی را تغییر می‌دهد.
بینایی روی بازو برای محیط‌های بدون ساختار
سامانه Inbolt از مدل‌های اختصاصی هوش مصنوعی همراه با بینایی سه‌بعدی بلادرنگ برای شناسایی فرصت‌های مناسب گرفتن استفاده می‌کند. سامانه به یک نقطه ازپیش‌تعیین‌شده برای گرفتن وابسته نیست. این سامانه می‌تواند سطوح مختلف و قابل‌دسترسی را ارزیابی کند و نحوه نزدیک شدن ربات به قطعه را تعیین کند.
این قابلیت زمانی مفید است که قطعات روی یکدیگر قرار گرفته باشند، بچرخند یا در هر چرخه سطوح متفاوتی از آن‌ها نمایان شود. به‌جای آنکه هر جهت‌گیری ممکن به‌صورت صریح برنامه‌ریزی شود، سامانه بینایی صحنه فعلی را ارزیابی کرده و راهبرد مناسب گرفتن را ایجاد می‌کند.
طبق عملکرد گزارش‌شده در تولید، زمان پردازش برای هر بار برداشتن قطعه کمتر از ۱ ثانیه است و نرخ موفقیت برداشتن قطعات در محیط‌های واقعی تولیدی به ۹۵٪ می‌رسد.
عملکرد حلقه‌بسته در سه مرحله
این راهکار به‌جای آنکه برداشتن قطعه را مجموعه‌ای از حرکات برنامه‌ریزی‌شده و مجزا در نظر بگیرد، از فرایند پیوسته ادراک و اصلاح پیروی می‌کند.
۱. شناسایی سطح قابل‌گرفتن
سامانه بینایی سه‌بعدی قطعات چیده‌شده به‌صورت تصادفی را تحلیل کرده و ناحیه‌ای قابل‌دسترسی برای گرفتن شناسایی می‌کند. ربات می‌تواند بر اساس هندسه قابل‌مشاهده قطعه، روش‌های مختلفی را برای گرفتن انتخاب کند.
۲. تعیین موقعیت قطعه پس از گرفتن
پس از آنکه ربات قطعه را می‌گیرد، سامانه بینایی می‌تواند دوباره شیء را تحلیل کرده و موقعیت و جهت‌گیری واقعی آن را تعیین کند. این کار پس از برداشتن اولیه، اطلاعات بیشتری فراهم می‌کند.
۳. اصلاح حرکت جای‌گذاری
هنگامی که ربات به سمت مقصد حرکت می‌کند، هوش مصنوعی می‌تواند مسیر حرکت را بر اساس موقعیت به‌روزشده شیء به‌طور پیوسته اصلاح کند. این قابلیت تعیین موقعیت قطعه در دست به جبران تغییرات ایجادشده هنگام گرفتن کمک می‌کند.
به نظر من، این معماری حلقه‌بسته یکی از مهم‌ترین جنبه‌های فنی سامانه است. برداشتن موفق قطعه لزوماً پایان مسئله ادراک نیست؛ بررسی قطعه پس از گرفتن، فرصت دیگری برای اصلاح موقعیت پیش از جای‌گذاری در اختیار ربات قرار می‌دهد.
کاهش زیرساخت ثابت بینایی
یک سلول معمولی برداشتن قطعات از سبد ممکن است به دوربین‌های ثابتی نیاز داشته باشد که بالای ناحیه کاری یا اطراف آن نصب شده‌اند. چنین نصب‌هایی می‌توانند نیازهای بیشتری در زمینه نصب مکانیکی، کالیبراسیون، کابل‌کشی و پیکربندی ایجاد کنند.
با نصب یک دوربین روی بازوی ربات، همان سامانه بینایی می‌تواند بین موقعیت‌های مختلف مشاهده جابه‌جا شود. این کار می‌تواند میزان سخت‌افزار اختصاصی بینایی موردنیاز را در کاربردهایی که شامل چند سبد یا چیدمان‌های متغیر ایستگاه کاری هستند، کاهش دهد.
این معماری همچنین وابستگی سامانه بینایی به یک زاویه دید ثابت را کمتر می‌کند. این قابلیت زمانی مفید است که ربات باید در طول فرایند برداشتن، قطعه را از زوایای مختلف بررسی کند.
ملاحظات عملکرد و تولید
طبق اعلام Inbolt، این سامانه در بیش از پنج کارخانه مستقر شده و در این سایت‌های تولیدی به زمان آماده‌به‌کاری و توان عملیاتی بالایی دست یافته است. این شرکت نرخ موفقیت برداشتن قطعات را تا ۹۵٪ و میانگین زمان پردازش را کمتر از یک ثانیه برای هر بار برداشتن گزارش می‌کند.
این ارقام باید مختص کاربرد در نظر گرفته شوند، نه مشخصات عملکردی عمومی. نتایج واقعی به عواملی مانند هندسه قطعه، ویژگی‌های سطح، میزان بارگیری سبد، پیکربندی ربات، طراحی گیره، نورپردازی، الزامات چرخه و میزان پوشیدگی قطعه بستگی خواهد داشت.
برای مهندسان صنعتی، این تمایز اهمیت دارد. عملکرد بینایی در نهایت باید در برابر عملکرد کامل سلول رباتیک ارزیابی شود، نه فقط الگوریتم بینایی.
هوش مصنوعی و تخمین وضعیت سه‌بعدی
این سامانه روی سخت‌افزار NVIDIA اجرا می‌شود و از مدل‌های هدایت ربات مبتنی بر هوش مصنوعی Inbolt برای تخمین وضعیت و اصلاح مسیر در زمان واقعی استفاده می‌کند.
هدف فنی صرفاً شناسایی یک شیء نیست. سامانه باید تعیین کند شیء کجاست، چه جهتی دارد، آیا گرفتن آن از نظر فیزیکی امکان‌پذیر است و ربات پس از برداشتن قطعه چگونه باید حرکت کند.
به همین دلیل، ترکیب ادراک سه‌بعدی، تخمین وضعیت، حرکت ربات و کنترل بازخوردی از تشخیص تصویر به‌تنهایی مهم‌تر است.
مواردی که این معماری می‌تواند ارزش ایجاد کند
این رویکرد برای کاربردهایی مناسب است که استانداردسازی نحوه ارائه قطعات دشوار است. نمونه‌ها شامل قطعاتی هستند که به‌صورت تصادفی بارگیری شده‌اند، سبدهایی که ممکن است جابه‌جا شوند، جهت‌گیری‌های متغیر قطعات و محیط‌های تولیدی که در آن‌ها باید چندین هندسه قطعه مدیریت شود.
یکی دیگر از مزیت‌های بالقوه، استقرار در چند ایستگاه است. اگر بتوان یک ربات و معماری بینایی یکسان را برای سبدها و خانواده‌های مختلف قطعات پیکربندی کرد، تیم‌های مهندسی ممکن است بتوانند میزان زیرساخت اختصاصی بینایی موردنیاز برای هر ایستگاه کاری را کاهش دهند.
بنابراین، از دیدگاه اتوماسیون، جالب‌ترین مزیت صرفاً برداشتن سریع‌تر قطعات نیست. مسئله مهم‌تر، امکان کاهش میزان تلاش مکانیکی و برنامه‌نویسی موردنیاز برای حفظ عملکرد هنگام تغییر محیط فیزیکی است.
دیدگاه مهندسی
توسعه بینایی سه‌بعدی روی بازو نشان‌دهنده تغییر گسترده‌تری در رباتیک صنعتی است: ادراک با حرکت ربات یکپارچه‌تر می‌شود.
اتوماسیون سنتی اغلب تلاش می‌کند با استفاده از فیکسچرها، موقعیت‌های ثابت دوربین، ارائه کنترل‌شده قطعات و مسیرهای ازپیش‌تعیین‌شده، تغییرپذیری را حذف کند. بینایی مبتنی بر هوش مصنوعی رویکردی مخالف دارد و به ربات اجازه می‌دهد تغییرات بیشتری را مشاهده کرده و از طریق نرم‌افزار و بازخورد، آن‌ها را جبران کند.
این موضوع نیاز به طراحی مکانیکی مناسب، انتخاب گیره، برنامه‌نویسی ربات یا مهندسی فرایند را از بین نمی‌برد. بلکه محل مدیریت بخشی از پیچیدگی را تغییر می‌دهد. در کاربردهایی که نحوه ارائه قطعات واقعاً متغیر است، انتقال بخشی از این پیچیدگی از محدودیت‌های مکانیکی به ادراک بلادرنگ و کنترل حرکت می‌تواند یک مصالحه مهندسی عملی باشد.
نتیجه‌گیری
راهکار Inbolt برای برداشتن قطعات از سبد نشان می‌دهد که چگونه می‌توان بینایی سه‌بعدی روی بازو و هوش مصنوعی را با کنترل حلقه‌بسته ربات برای کاربردهای کمتر ساختاریافته جابه‌جایی مواد ترکیب کرد. زمان پردازش گزارش‌شده کمتر از یک ثانیه، نرخ موفقیت برداشتن قطعات تا ۹۵٪ و استقرار در چندین کارخانه، نشان‌دهنده تمرکز بر استفاده تولیدی، نه صرفاً نمایش‌های آزمایشگاهی، است.
مفهوم فنی اصلی، تعامل پیوسته میان ادراک و حرکت ربات است: سامانه گرفتن موجود را مشاهده می‌کند، قطعه را پس از گرفتن بررسی می‌کند و در صورت نیاز مسیر جای‌گذاری را اصلاح می‌کند. این رویکرد می‌تواند جایگزینی سازگارتر برای معماری‌های برداشتن قطعات از سبد فراهم کند که وابستگی زیادی به دوربین‌های ثابت و شرایط ازپیش‌تعیین‌شده گرفتن دارند.
