Cách giúp robot trong dây chuyền lắp ráp sang số và nhặt hầu hết mọi thứ
Ảnh: Đại học Washington
Vào đầu đại dịch COVID-19, các công ty sản xuất xe hơi như Ford đã nhanh chóng chuyển trọng tâm sản xuất từ ô tô sang mặt nạ và quạt thông gió.
Để thực hiện chuyển đổi này, các công ty này đã dựa vào những người làm việc trong một dây chuyền lắp ráp. Sẽ là quá thách thức đối với một robot để thực hiện quá trình chuyển đổi này vì robot bị ràng buộc với các nhiệm vụ thông thường của chúng.
Về mặt lý thuyết, một robot có thể nhặt hầu hết mọi thứ nếu bộ gắp của nó có thể được hoán đổi cho mỗi nhiệm vụ. Để giảm chi phí, những cái kẹp này có thể bị động, nghĩa là những cái kẹp gắp đồ vật mà không thay đổi hình dạng, tương tự như cách hoạt động của cái kẹp trên xe nâng.
Một nhóm nghiên cứu của Đại học Washington đã tạo ra một công cụ mới có thể thiết kế một bộ gắp thụ động có thể in 3D và tính toán đường đi tốt nhất để nhặt một vật thể. Nhóm nghiên cứu đã thử nghiệm hệ thống này trên một bộ 22 vật thể — bao gồm một chú thỏ in 3D, một cái nêm hình cánh cửa, một quả bóng tennis và một chiếc máy khoan. Các bộ gắp và đường dẫn được thiết kế đã thành công cho 20 đối tượng. Hai trong số đó là hình nêm và hình kim tự tháp với lỗ khóa cong. Cả hai hình dạng đều là thách thức đối với nhiều loại kẹp gắp.
Nhóm sẽ trình bày những phát hiện này vào ngày 11 tháng 8 tại SIGGRAPH 2022.
"Chúng tôi vẫn sản xuất hầu hết các mặt hàng của mình bằng dây chuyền lắp ráp, thực sự tuyệt vời nhưng cũng rất cứng nhắc. Đại dịch đã cho chúng tôi thấy rằng chúng tôi cần có cách để dễ dàng tái sử dụng các dây chuyền sản xuất này", Adriana Schulz, trợ lý giáo sư của UW cho biết. tại Trường Khoa học & Kỹ thuật Máy tính Paul G. Allen. "Ý tưởng của chúng tôi là tạo ra công cụ tùy chỉnh cho các dây chuyền sản xuất này. Điều đó mang lại cho chúng tôi một robot rất đơn giản có thể thực hiện một nhiệm vụ với một bộ gắp cụ thể. Và sau đó khi tôi thay đổi nhiệm vụ, tôi chỉ cần thay thế bộ kẹp."
Dụng cụ gắp thụ động không thể điều chỉnh để vừa với đối tượng mà chúng đang nhặt, vì vậy, theo truyền thống, các đối tượng được thiết kế để phù hợp với một bộ kẹp cụ thể.
"Kẹp kẹp thụ động thành công nhất trên thế giới là kẹp trên xe nâng. Nhưng điểm cân bằng là kẹp kẹp của xe nâng chỉ hoạt động tốt với các hình dạng cụ thể, chẳng hạn như pallet, có nghĩa là bất cứ thứ gì bạn muốn kẹp đều cần phải ở trên pallet". đồng tác giả Jeffrey Lipton, trợ lý giáo sư kỹ thuật cơ khí của UW. "Ở đây chúng tôi đang nói 'Được rồi, chúng tôi không muốn xác định trước hình dạng của bộ kẹp thụ động.' Thay vào đó, chúng tôi muốn lấy hình học của bất kỳ đối tượng nào và thiết kế một cái kẹp. "
Đối với bất kỳ vật thể nhất định nào, có rất nhiều khả năng cho bộ kẹp của nó trông như thế nào. Ngoài ra, hình dạng của cái gắp được liên kết với con đường mà cánh tay robot thực hiện để gắp vật thể. Nếu được thiết kế không chính xác, một bộ kẹp có thể đâm vào đối tượng trên đường nhặt nó lên. Để giải quyết thách thức này, các nhà nghiên cứu đã có một số hiểu biết chính.
Tác giả chính Milin Kodnongbua, người đã hoàn thành nghiên cứu này với tư cách là sinh viên đại học của UW, cho biết: "Các điểm mà bộ kẹp tiếp xúc với đối tượng là cần thiết để duy trì sự ổn định của đối tượng khi cầm nắm. trong Trường Allen. "Ngoài ra, bộ kẹp phải tiếp xúc với vật thể tại những điểm đã cho đó và bộ kẹp phải là một vật thể rắn duy nhất kết nối các điểm tiếp xúc với cánh tay robot. Chúng tôi có thể tìm kiếm quỹ đạo chèn thỏa mãn các yêu cầu này."
Khi thiết kế một bộ kẹp và quỹ đạo mới, nhóm bắt đầu bằng cách cung cấp cho máy tính mô hình 3D của đối tượng và hướng của nó trong không gian — chẳng hạn như cách nó sẽ được trình bày trên băng chuyền.
"Đầu tiên, thuật toán của chúng tôi tạo ra các cấu hình nắm bắt có thể có và xếp hạng chúng dựa trên độ ổn định và một số chỉ số khác", Kodnongbua nói. "Sau đó, nó sẽ đưa ra tùy chọn tốt nhất và đồng tối ưu hóa để tìm xem có thể thực hiện một quỹ đạo chèn hay không. Nếu không thể tìm thấy một quỹ đạo, thì nó sẽ chuyển đến cấu hình nắm bắt tiếp theo trong danh sách và cố gắng thực hiện lại đồng tối ưu hóa."
Khi máy tính đã tìm thấy một điểm phù hợp, nó sẽ xuất ra hai bộ hướng dẫn: một bộ dành cho máy in 3D để tạo bộ kẹp và một bộ có quỹ đạo cho cánh tay rô-bốt sau khi bộ kẹp được in và gắn vào.
Nhóm nghiên cứu đã chọn nhiều đối tượng khác nhau để kiểm tra sức mạnh của phương pháp, bao gồm một số đối tượng từ tập dữ liệu của các đối tượng là tiêu chuẩn để kiểm tra khả năng thực hiện các tác vụ thao tác của robot.
"Chúng tôi cũng thiết kế các vật thể sẽ là thách thức đối với robot cầm nắm truyền thống, chẳng hạn như vật thể có góc rất nông hoặc vật thể có khả năng nắm bên trong — nơi bạn phải nhặt chúng bằng cách cắm chìa khóa", đồng tác giả Ian Good, một Nghiên cứu sinh tiến sĩ của UW trong khoa kỹ thuật cơ khí.
Các nhà nghiên cứu đã thực hiện 10 lần thử nghiệm với 22 hình dạng. Đối với 16 hình dạng, tất cả 10 lần lấy đều thành công. Trong khi hầu hết các hình dạng đều có ít nhất một lần đón thành công, hai thì không. Những lỗi này là do sự cố với mô hình 3D của các đối tượng được cung cấp cho máy tính. Đối với một cái - một cái bát - mô hình mô tả các thành của cái bát mỏng hơn chúng. Đối với người khác — một đối tượng trông giống như một chiếc cốc có tay cầm hình quả trứng — mô hình không có hướng chính xác.
Thuật toán đã phát triển các chiến lược nắm bắt giống nhau cho các đối tượng có hình dạng tương tự, ngay cả khi không có bất kỳ sự can thiệp nào của con người. Các nhà nghiên cứu hy vọng rằng điều này có nghĩa là họ sẽ có thể tạo ra bộ gắp thụ động có thể nhặt một lớp vật thể, thay vì phải có một bộ gắp duy nhất cho từng đối tượng.
Một hạn chế của phương pháp này là không thể thiết kế bộ kẹp thụ động để gắp tất cả các vật thể. Mặc dù việc nhặt các đồ vật có chiều rộng khác nhau hoặc có cạnh nhô ra dễ dàng hơn, nhưng các đồ vật có bề mặt nhẵn đồng nhất, chẳng hạn như chai nước hoặc hộp, rất khó cầm nắm mà không có bất kỳ bộ phận chuyển động nào.
Tuy nhiên, các nhà nghiên cứu được khuyến khích thấy thuật toán hoạt động tốt như vậy, đặc biệt là với một số hình dạng khó hơn, chẳng hạn như một cột có lỗ khóa ở trên cùng.
"Con đường mà thuật toán của chúng tôi nghĩ ra cho cái đó là một gia tốc nhanh xuống nơi nó thực sự gần đối tượng. Nó trông giống như nó sẽ đập vào đối tượng, và tôi nghĩ," Ồ không. Điều gì sẽ xảy ra nếu chúng tôi không hiệu chỉnh nó đúng? " Đó là khoảnh khắc đáng kinh ngạc này, một chuyến tàu lượn siêu tốc của cảm xúc. "
Yu Lou, người đã hoàn thành nghiên cứu này khi còn là sinh viên thạc sĩ tại Trường Allen, cũng là đồng tác giả của bài báo này.
