Robotische doorbraak gemaakt door Manufacturing Technology Centre

Automatiseringsexperts van The Manufacturing Technology Center hebben een doorbraak bereikt in een onbekend object robotica plukken...

De nieuwste doorbraak gemaakt door automatiseringsexperts van The Manufacturing Technology Center (MTC), betekent dat robotica objecten kan verwerken zonder CAD-gegevens of ontworpen grepen om snellere implementatie van robotoplossingen mogelijk te maken.

“Dit project toont de vastberadenheid van MTC om academische ontwikkelingen toe te passen met het potentieel om robotica in de productie te transformeren. De overdraagbaarheid van deze techniek om nieuwe objecten te kiezen, stelt MTC in staat snel te testen met onderdelen van de klant en advies te geven over implementatiestrategieën”, aldus Mark Robson, Senior Research Engineer, Robotics, MTC.

Het project

Bin picking, een veelvoorkomende taak in industrieën waar een enkel object moet worden gescheiden van een ongestructureerde bulkinvoer.

Met traditionele methoden gebruiken fabrieken CAD-gegevens naast dure sensoren om afzonderlijke onderdelen nauwkeurig te identificeren, en om een ​​reeks vooraf ontworpen grepen te testen op haalbaarheid.

Om tijd en kosten te besparen, heeft de MTC zijn 'state of the art'-techniek voor bin-picking gedemonstreerd. De techniek maakt gebruik van een getraind model om de beste positie te vinden om een ​​vacuümbeker te plaatsen, en kan worden getraind met gesimuleerde gegevens om de noodzaak van arbeidsintensieve handmatige gegevensverzameling en etikettering te verminderen.

"MTC Robotics Engineers bewijzen dat ontwerp en ontwikkeling gedematerialiseerd kunnen worden door kostenefficiënte intelligente oplossingen te creëren om operaties te automatiseren waar vooraf bepaalde programmering minder haalbaar is", voegt Dr. Alejandra Matamoros, Technology Manager, MTC toe.

De uitkomst

De projecttechniek is door MTC getest op een reeks objecten, waaronder metalen onderdelen, fruit- en cosmeticacontainers.

Getraind met maand Handmatig gelabelde data en gesimuleerde datum, de techniek presteerde goed met respectievelijk 92% en 94% succesvolle picking.

"Prestaties van het model getraind op puur gesimuleerde gegevens toonden aan dat deze aanpak een goede oplossing is om de last van het verzamelen van gegevens voor specifieke gebruiksgevallen te verminderen", aldus MTC, eraan toevoegend dat "uitstekende prestaties op items die niet in de trainingsgegevens voorkomen, aantoonden dat de methode goed gegeneraliseerd naar alle items.”

Voor meer informatie over productieonderwerpen, bekijk de nieuwste editie van

Volg ons op en .

Afbeeldingsbron