Робототехника для производства

Исследователи из ME изучают, как робототехника и искусственный интеллект могут помочь повысить безопасность производственных рабочих, стандартизировать процессы и многое другое.

Автор: Лира ФонтейнФото: Деннис Уайз / Вашингтонский университет Изображение вверху: Исследователи из ME используют робота с 2D-стереокамерой и параллельным захватом (показанным выше), оснащенным датчиками давления. Они разработали алгоритм, который может определять, когда объекты выскальзывают из захвата.

Работая вместе с отраслевыми партнерами, исследователи ME изучают способы повышения безопасности производственных рабочих, автоматизации проверок и расширения возможностей роботов взаимодействовать с окружающими объектами.

В Лаборатории мехатроники, автоматизации и систем управления Университета Вашингтона (MACS Lab) исследователи изучают, как машины и процессы автоматизации могут положительно влиять на жизнь людей. Лабораторию возглавляет Сюй Чен, профессор-исследователь в области машиностроения, почетный Брайан Т. Макминн.

«Искусственный интеллект открывает значительные новые возможности», — говорит Чен. «Возможность роботов интеллектуально манипулировать объектами может помочь работникам выполнять производственные задачи. Я очень рад решать проблемы в этой области».

В Центре перспективных исследований Boeing доцент медицинского факультета Критика Манохар разрабатывает алгоритмы для прогнозирования и управления сложными динамическими системами, которые представляют собой непредсказуемые ситуации, условия которых меняются с течением времени. Ее работа включает оптимизацию датчиков для принятия решений в авиастроении.

«ИИ и машинное обучение очень эффективны в этой области, поскольку инженерные процессы строго регламентированы», — говорит она. «Ваши летные испытания должны быть чрезвычайно точными. Для правильной работы крыло самолета должно находиться в строгом диапазоне размеров. Модели искусственного интеллекта, примененные к этим очень хорошо контролируемым процессам, могут гораздо легче изучить закономерности. Они смогут найти переменные, влияющие на дефекты этих деталей».

Манохар нравится, как ее работа применяется к реальным производственным процессам, например, к прогнозированию зазоров между прокладками в самолетах.

«Я вижу, как это применяется и как это влияет на реальные инженерные решения», — говорит она. «Вы можете увидеть это в настоящем крыле».

Как научить роботов захватывать объекты и определять, когда они скользят? Новый проект в лаборатории MACS объединяет визуальную и тактильную обратную связь в промышленных роботах, которые выполняют задачи вместе с людьми. Предыдущие исследования предлагали только визуальные или только тактильные алгоритмы обратной связи для захвата объектов. Этот проект, финансируемый UW + Amazon Science Hub, имитирует то, как люди используют зрение и осязание для захвата объектов.

Исследователи, в том числе ME Ph.D. Студент Сяохай Ху и магистранты Апра Венкатеш и Гуйлян Чжэн – используют в своих экспериментах робота с 2D-стереокамерой и параллельным захватом, оснащенным датчиками давления. Они разработали алгоритм, который обнаруживает, когда объект выскальзывает из роботизированного захвата более чем в 99% случаев.

Команда проверила свой подход на 10 распространенных предметах, включая губку, коробку, теннисный мяч и отвертку. Они также продемонстрировали, как достают книгу из полки с предметами.

«Этот процесс кажется интуитивным, но на самом деле он довольно динамичен и сложен для захватывающих роботов», — говорит Чен. «Роботизированное хватание — это сложная задача, которая включает в себя сложные проблемы восприятия, планирование и выполнение точных взаимодействий, а также использование передовых рассуждений. В наших демо-версиях трение также меняется в ходе процесса».

Обнаружение и предотвращение выскальзывания объектов из роботизированного захвата может оказаться полезным для роботов, которые работают вместе с работниками в таких средах, как склады или производственные помещения. Например, захват с возможностью обнаружения скольжения может удерживать и перемещать тяжелые предметы, такие как детали машин или автомобильные компоненты, поднимать хрупкие предметы, не повреждая их, сортировать такие предметы, как упаковки, и обращаться с мокрыми или скользкими предметами, такими как продукты.

Теперь, когда они лучше понимают суть захвата и могут определять, когда объекты соскальзывают, команда надеется увеличить силу захвата и изменить место захвата объекта, чтобы предотвратить его падение.