Künstliche Intelligenz für das Greifen unbekannter Bauteile

Intelligenter Griff

Künstliche Intelligenz für das Greifen unbekannter Bauteile

Moderne Lösungen für das Robotergreifen umfassen Machine-Learning-Methoden, die auch das sichere Greifen unbekannter Werkstücke mit variablen Geometrien ermöglichen. Dies ermöglicht Robotern, Objekte zu erkennen, zu lokalisieren und schließlich zu greifen.

Bild 1 | Semantisches Interface zum flexiblen Greifen durch Objekterkennung (links) und KI-gestützter Greifpunkterkennung (unten rechts) (Bild: GESTALT Robotics GmbH)

Bild 1 | Semantisches Interface zum flexiblen Greifen durch Objekterkennung (links) und KI-gestützter Greifpunkterkennung (unten rechts) (Bild: GESTALT Robotics GmbH)

Moderne Industrieroboter erweitern mithilfe von Sensorik und Künstlicher Intelligenz (KI) ihr Anwendungsspektrum. Fernab von statisch programmierten Anwendungen, die sich nicht ohne manuelle (Re-)Programmierung veränderten Anforderungen anpassen, ergeben sich speziell durch moderne Bildverarbeitung in Kombination mit Machine-Learning-Verfahren neue Möglichkeiten. Die resultierenden Applikationslösungen passen sich automatisch an veränderte Werkstückgeometrien und Ablagepositionen an und lassen sich über intuitive Bedienoberflächen in wenigen Schritten erweitern. Somit entstehen flexible Produktionssysteme, die dem industriellen Bedarf hinsichtlich kleiner Losgrößen und Produktindividualisierung genügen sowie dem Fachkräftemangel begegnen. Moderne Lösungen für das Robotergreifen umfassen Machine-Learning-Methoden, die auch das sichere Greifen unbekannter Werkstücke mit variablen Geometrien ermöglichen. Dies ermöglicht Industrierobotern, Objekte zu erkennen, zu lokalisieren und schließlich zu greifen. Es werden hierfür keine kostspieligen Sensorsysteme, CAD-Modelle oder andere Informationen benötigt. Gestalt Robotics bietet die Entwicklung von passgenaue Softwaremodulen (Skills) zum flexiblen Robotergreifern unter Berücksichtigung verschiedener Sensor- und Greifprinzipien, z.B. mechanische Finger- und Backengreifer, sowie Saug- und Magnetgreifer. Neben freiliegenden Objekten lassen sich mit Visual-Servoing-Technologien auch Objekte in Bewegung greifen. Zudem lässt sich flexibles Bin Picking in entsprechenden Skills umsetzen.

Adaptives Greifen mit CNNs

Die eingesetzten KI-Modulen zum adaptiven Greifen basieren auf neuronalen Netzwerken unter Verwendung von 2,5D-Kamerabildern. Auf Basis vortrainierter Netze lassen sich spezifische Skills für das sichere Greifen individueller Bauteilgruppen erstellen, z.B. Behälter oder Schrauben. Ohne Vorwissen über die Positionierung und die genauen Maße der Bauteile sind die neuronalen Netze in der Lage automatisch sichere Greifposen für den Roboter zu bestimmen. Spezifische Greifprinzipien sowie individuelle Greifparameter, wie z.B. der Hub, werden beim Training der Netzwerke berücksichtigt. Mit Hilfe von selbst entwickelten Werkzeugen und Standards ermöglicht Gestalt Robotics den Einsatz von KI im industriellen Umfeld. Zur Sicherung der Nachvollziehbarkeit wurde gemeinsam mit Partnern die DIN SPEC 92001-1 definiert. Diese verfolgt das Ziel, die Qualität von KI-Methoden anhand eines einheitlichen Konzepts zu sichern. Relevante Qualitätsaspekte werden über den gesamten Lebenszyklus von KI-Modellen hinweg ganzheitlich betrachtet und miteinander in Verbindung gebracht.

Seiten: 1 2Auf einer Seite lesen

Themen:

| Fachartikel

Ausgabe:

inVISION 6 2019
www.gestalt-robotics.com

Das könnte Sie auch Interessieren

Bild: Rauscher GmbH
Bild: Rauscher GmbH
CPU-Entlastung

CPU-Entlastung

Mit der Netzwerkkarte GevIQ löst Matrox Imaging (Vertrieb Rauscher) die aktuellen technischen Nachteile von Highend-GigE-Vision-Systemen. Die grundlegende Idee ist, die CPU durch eine zusätzliche Karte – ähnlich wie bei einem Framegrabber – zu entlasten und das De-Paketizing der Bilder ohne CPU-Einsatz vorzunehmen.