MTC Boekt Doorbraak in Autonome Object Pikken voor Robotica

Automatiseringsexperts bij The Manufacturing Technology Centre hebben een doorbraak geboekt in onbekend object pikken robotica...

De laatste doorbraak gemaakt door automatiseringsexperts bij The Manufacturing Technology Centre (MTC), betekent dat robotica objecten kan hanteren zonder de noodzaak voor CAD data of ontworpen grepen om snellere implementatie van robotische oplossingen te mogelijk maken.

"Dit project demonstreert MTC's determinatie om academische ontwikkelingen met potentieel om robotica in productie te transformeren te adopteren. De overdraagbaarheid van deze techniek om nieuwe objecten te pikken zal MTC in staat stellen om snel te testen met klantonderdelen en adviseuren over implementatiestrategieën," commentarieerde Mark Robson, Senior Research Engineer, Robotica, MTC.

Het project

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

Met traditionele methoden gebruiken fabrieken CAD data naast hoge-kost sensoren om individuele onderdelen nauwkeurig te identificeren, alsook het testen van een reeks vooraf-geëngineerde grepen voor haalbaarheid.

Om tijd en kosten te verminderen heeft de MTC zijn 'state of the art' techniek voor bin picking gedemonstreerd. De techniek gebruikt een getraind model om de beste positie te vinden om een vacuümkop te plaatsen, en kan getraind worden met gesimuleerde data om de behoefte aan arbeidsintensieve handmatige dataverzameling en labelen te verminderen.

"MTC Robotica Ingenieurs bewijzen dat ontwerp en ontwikkeling gedematerialiseerd kunnen worden in de creatie van kostenefficiënte intelligente oplossingen om operaties te automatiseren waar vooraf geprogrammeerde programmering minder haalbaar is," voegde Dr. Alejandra Matamoros, Technology Manager, MTC toe.

Het resultaat

De projecttechniek werd getest door MTC op een reeks objecten inclusief metalen componenten, fruit, en cosmetica containers.

Getraind met maand handmatig gelabelde data en gesimuleerde data, presteerde de techniek goed met 92% en 94% succesvol pikken respectievelijk.

"Prestaties van het model getraind op puur gesimuleerde data toonden aan dat deze benadering een goede oplossing is om de last van dataverzameling voor specifieke use cases te verminderen," stelde MTC, toevoegend dat "uitstekende prestaties op items niet aanwezig in de trainingsdata toonden aan dat de methode goed generaliseert naar willekeurige items."

Voor meer informatie over productieonderwerpen - bekijk het recentste nummer van

Volg ons op en .

Afbeeldingsbron