Griff in die Kiste mittels künstlicher Intelligenz und Bildverarbeitung

  • Die Software setzt auch auf Deep-Learning- und Machine-Learning-Methoden, um zu entscheiden, welches Teil der Roboter als nächstes aus der Kiste entnimmt. (Quelle: Capsen Robotics)Die Software setzt auch auf Deep-Learning- und Machine-Learning-Methoden, um zu entscheiden, welches Teil der Roboter als nächstes aus der Kiste entnimmt. (Quelle: Capsen Robotics)
  • Die Software setzt auch auf Deep-Learning- und Machine-Learning-Methoden, um zu entscheiden, welches Teil der Roboter als nächstes aus der Kiste entnimmt. (Quelle: Capsen Robotics)
  • Das System verarbeitet schon das nächste Bild und plant den Weg des Roboters für das nächste Objekt, während der Roboter selbst noch mit dem Greifen und der Platzierung des vorherigen beschäftigt ist. (Quelle: Capsen Robotics)

Wenn es um das Herausnehmen eines einzelnen Objektes aus einem chaotischen, in eine Kiste geschütteten Haufen von Objekten geht, scheiterten bislang viele Automatisierungslösungen – oder sind so langsam, dass man geneigt ist, das Teil selbst per Hand aus der Kiste zu nehmen. Ein US-amerikanischen Unternehmen hat nun ein Robotersystem entwickelt, das Schüttgut aus einem Behälter entnehmen kann – selbst wenn die einzelnen Teile ineinander verhakt sind.

Der Griff in die Kiste („Bin-Picking“) – also das Entnehmen von Objekten aus einem Behälter mit einem Roboterarm – ist die ultimative Herausforderung in der Robotik, wenn die Objekte ungeordnet in einer Kiste liegen. Es erfordert viele komplexe Schritte wie das Erfassen der Objekte mit einer Kamera und der Analyse dieser Daten mit einem Bildverarbeitungssystem.
Da in einem chaotischen Stapel mehrere Objekte zufällig übereinander liegen, muss entschieden werden, welches Objekt am einfachsten zu greifen ist – keine leichte Aufgabe, weil die Teile nur teilweise sichtbar sind. Wenn die Teile zusätzlich noch ineinander verheddert sind, ist es noch komplizierter, ein einzelnes Objekt zu greifen, weil es unendlich viele Möglichkeiten gibt. Oft sind dann komplexe Bewegungsabläufe nötig, um das Werkteil von den anderen Objekten zu befreien. Verschiedene Drehungen des Objekts und ggf. wiederholtes Ablegen des Werkstücks und Wiederaufnehmen an einem anderen Greifpunkt bzw. aus einem anderen Greifwinkel werden so lange ausgeführt, bis der Greifarm wirklich nur noch ein einzelnes Werkstück in der richtigen Orientierung hält.
Es ist allerdings nicht immer möglich, chaotische Objektstapel durch Schütteln oder mithilfe von Magneten etc. in eine bestimmte Ausrichtung zu bringen, um sie mit dem Roboterarm optimal greifen zu können. Hier setzt Capsen Robotics aus Pittsburgh in den USA an.

3D-Vision-Software inklusive Robotersteuerung

Die von dem Unternehmen entwickelte 3D-Vision-Software, inklusive Bewegungsplanung und -steuerung des Roboterarms, ermöglicht ein präzises und schnelles Handling von kleinen, miteinander verhedderten Objekten. Es erstellt ein 3D-Modell der Objekte in der Kiste in wenigen Minuten und ermöglicht es dem Roboter, sich schnell an neue Aufgaben und Objekte anzupassen.

Capsen Robotics CEO Jared Glovers Doktorarbeit am MIT über die Erkennung von chaotisch liegenden 3D-Objekten in 3D-Bildern war die Grundlage für die Unternehmensgründung vor fünf Jahren. Daraus entstand die heutige Software-Plattform mit eigenen 3D-Vision-Algorithmen. Das Besondere daran ist die Kombination der leistungsfähigsten, klassischen, geometrischen CAD-Matching-Techniken mit maschinellen Lernmethoden (Machine Learning). Das Ergebnis ist eine hohe Erkennungsgenauigkeit über eine breite Palette von Objektformen, -größen, -oberflächen und -materialien hinweg. Das Unternehmen verwendet die gleichen 3D-Vision-Algorithmen auch zum Erkennen von Boxen, von winzigen Muttern, Bolzen und Schrauben. Capsens entwickelte generische Programmierbibliothek „Multimatrix“ basiert auf Berechnungen von Matrize-Sätzen.

„Bin Picking“ von Haken und Federn

Die in Pittsburgh ansässige ACE Wire Spring stellt eine Vielzahl von Produkten aus Draht her, einschließlich Haken und Federn. Dabei handelt es sich um einen hochkomplexen Integrationsprozess bestehend aus einem Metallhaken (aus Draht gebogen) und einer installierten Federanordnung. Bislang wurde das Werkstück von Menschen manuell produziert. Ziel war es, wesentliche Teile des Produktionsprozesses durch den Einsatz von Robotern zu automatisieren.

Der gesamte Fertigungsprozess besteht aus etwa zehn Einzelschritten – vom Biegen des Drahtes zu einem Haken, dem Ablegen des Hakens auf einer Halterung, dem erneuten Greifen des Hakens zum Einlegen in eine Presse, die Bearbeitung des Hakens und die Ablage als Schüttgut in einen Behälter. Allen Beteiligten war klar, dass das Greifen eines einzelnen Hakens aus einem chaotischen Stapel in einer Kiste sehr kompliziert werden kann – denn Haken, die zufällig in eine Kiste geschüttet werden, verheddern sich natürlich miteinander wie Spaghetti auf einem Teller.

Parallelisierung spart wertvolle Zeit

Die Capsen Pic Software ist mit Cuda optimiert (jene Programmiersprache, die NVidia in seinen Grafikkarten verwendet). Typische mathematische Berechnungen und deren Optimierung werden dabei durch eine Graphics Processing Unit (GPU) etwa hundertmal schneller durchgeführt, als es mit herkömmlichen Prozessoren möglich wäre. So verarbeitet das Capsen-System schon das nächste Bild und plant den Weg des Roboters für das nächste Objekt, während der Roboter selbst noch mit dem Greifen und der Platzierung des vorherigen beschäftigt ist. Durch dieses Parallelisieren spart das System viel Zeit.
Aber die besten Algorithmen helfen wenig ohne die passende Hardware und vor allem den richtigen Greifer. Der Precise PAVS6 war der kollaborative Roboter der Wahl für das Projekt bei ACE Wire Spring. Standardgreifer entsprachen den Anforderungen des Projekts aber nicht. Capsen löste das Problem mit einem Standard-SMC-Parallelgreifermotor und kundenspezifischer Greiffinger, die die Haken auf zwei Arten aufnehmen können. „Wir mussten etwa 20 Fingerdesigns ausprobieren, um die passende Lösung zu finden und sie dann an die Bedürfnisse des Projektes anpassen. Mit Hilfe von digitalem I/O wurde die Verbindung zwischen Computer und den Ein- und Ausgängen des Greiferarms, inklusive Sensoren und Magneten, realisiert. Schließlich haben wir alle Komponenten zu einem Gesamtsystem integriert", sagt Glover. Ein fester Griff der ACE-Haken ist nicht nur für das Aufnehmen und Entwirren der Teile entscheidend. Da der im Greifer verbleibende Haken nicht unbedingt sofort auf der richtigen Seite gehalten wird, setzt der Greifer den Haken auf eine eigens dafür konstruierte Zapfenvorrichtung ab. In dieser Position kann der Roboter den Haken an den richtigen Greifpunkten aufnehmen und in eine Presse einsetzen. Dort wird ein Ende des Hakens abgeflacht, bevor er in den nächsten Behälter fällt.
Nachdem die Hakenenden abgeflacht sind, werden sie in einer Kiste zu einer anderen Station gebracht, wo ein Mitarbeiter eine Perle auf das Ende des abgeflachten Hakens legt, die mit einer Feder verpresst wird. Das Endprodukt ist eine Haken- und Federbaugruppe, die sich für viele Zwecke eignet, zum Beispiel in Traktoranhängern und Garagentoröffnern.

Autor(en)

Kontaktieren

CapSen Robotics
4638 Centre Avenue
15213 Pittsburgh, Pennsylvania
USA
Telefon: +1 412-389-8625

Jetzt registrieren!

Die neusten Informationen direkt per Newsletter.

To prevent automated spam submissions leave this field empty.