Движение в движении:
Последние новости и события

Сотрудничающие роботы (коботы) появились относительно недавно и имеют широкие перспективы на будущее. 

Сегодня связь между промышленностью и интернетом становится все более тесной, и интеллектуальная промышленность становится следующей тенденцией в индустрии. В планах Китая «Сделано в 2025» и Германии «Индустрия 4.0» роботы являются неотъемлемой частью создания сильной производственной страны. На начальном этапе роботы контролировались как простые производственные инструменты, но теперь они развиваются в направлении многосенсорных способностей, автономного принятия решений и эффективного общения и интеллектуального сотрудничества с людьми. В то же время рабочее пространство и диапазон роботов постоянно расширяются, и они все чаще входят в неструктурированные условия человеческого производства и жизни. Интеграция роботов и людей станет фундаментальной особенностью следующего поколения роботов. Интеграция человека и робота означает, что люди и роботы сосуществуют в одном естественном пространстве, тесно координируя свои действия. При условии обеспечения безопасности человека роботы могут автономно улучшать свои навыки и достигать естественного взаимодействия с людьми. Для работников роботы больше не являются просто производственными инструментами, а становятся помощниками, и поэтому коллаборативные роботы часто называют «Cobots».

Основные проблемы традиционных промышленных роботов включают:

① Развертывание традиционных роботов обходится дорого. Промышленные роботы, созданные для выполнения повторяющихся задач, зависят от высокой точности повторного позиционирования и фиксированной внешней среды. Конфигурация, программирование, обслуживание и проектирование фиксированной внешней среды для роботов влекут за собой значительные затраты.

② Традиционные роботы не могут удовлетворить потребности малых и средних предприятий (МСП). Традиционные промышленные роботы в первую очередь разрабатываются для крупных производственных предприятий, таких как производители автомобилей, где продукты стандартизированы, а производственная линия не требует значительных изменений в течение продолжительного времени, что фактически исключает необходимость в перепрограммировании или перенастройке. В отличие от этого, МСП обычно характеризуются маленькими объемами партий, индивидуализацией и короткими производственными циклами, что требует быстрой эксплуатации роботов и их простоты в управлении.

③ Традиционные роботы не могут удовлетворить новые требования развивающегося рынка сотрудничества. Традиционные промышленные роботы были разработаны для высокой точности и скорости выполнения задач, а безопасность при нахождении людей в одном рабочем пространстве не была главной заботой этих роботов, которые обычно просто использовали ограждения для изоляции роботов от людей. Однако, с ростом затрат на рабочую силу, отрасли, которые ранее реже использовали роботов, такие как 3C (компьютеры, связь и потребительская электроника), медицина и пищевая промышленность, также начали искать решения для автоматизации. Характеристика работы этих отраслей включает обработку разнообразной продукции и требует высокой гибкости и ловкости от операторов, чего традиционные роботы не могут обеспечить. В ответ на эти особенности возникли коллаборативные роботы, которые демонстрируют растущую тенденцию. Коллаборативные роботы могут работать вместе с людьми, причем люди отвечают за задачи, требующие большей гибкости и ловкости, в то время как роботы выполняют рутинную работу. Они также обладают безопасными функциями, которые позволяют сотрудничество без необходимости ограждений для обеспечения безопасности между людьми и роботами.

Благодаря своей безопасности, простоте использования и открытости,Collaborative robots имеют широкий спектр применений как в промышленной, так и в непроизводственной сферах. Они могут не только удовлетворять потребности развивающейся отрасли малой электроники в миниатюризации и точности, выполняя такие задачи, как обработка материалов и проверка продукции, но и применяться в коммерческих (непромышленных) областях, таких как сборка в логистике складов, хирургическая помощь в медицинской сфере и массажные процедуры, работая рядом с людьми в коэксистирующей среде.

Методы обучения и преподавания, направленные на снижение сложности использования коллаборативных роботов

Для обеспечения реализации функций коллаборативных роботов необходимо планировать траекторию движения робота. В настоящее время планирование траектории робота имеет высокие профессиональные барьеры для среднестатистических пользователей, что ограничивает широкое внедрение коллаборативных роботов. Чтобы решить эту проблему, метод «обучения с помощью демонстрации» предлагает простой и прямой способ планирования траектории: машина «наблюдает» за демонстрацией движений человека, а затем комбинирует это с соответствующими методами машинного обучения для моделирования и обучения, тем самым приобретая способность выполнять соответствующие задачи, значительно снижая затраты на обучение и использование для пользователей.

Метод обучения требует нескольких процессов. Перед обучением различным роботизированным системам необходимо выбрать подходящие методы сбора данных для записи обучающих данных. На стадии обучения, из-за несоответствия в размерах и возможностях движения между людьми и роботами, некоторым системам необходимо решить проблему соответствия человека и робота в обучающих данных. Затем моделирование обучающих данных с целью получения модели движения, адаптирующейся к различным сценариям, становится основным фокусом метода обучения. Наконец, метод обучения должен решить, как использовать изученную модель для генерации траекторий движения, адаптирующихся к новым сценариям задач.

В этом процессе получение высокоточных данных о движениях имеет решающее значение. Методы получения данных преподавания-обучения можно разделить на две основные категории: первая категория — это метод картографирования, который включает в себя захват данных о движении человека с помощью систем захвата движений, оптических сенсоров, перчаток с датчиками и других сенсоров, а затем картографирование этих данных на действия робота. Этот метод является простым, интуитивно понятным и обеспечивает плавные траектории движения, обычно используется для роботизированных систем, имеющих похожие структуры с человеческим телом. Вторая категория — это метод без картографирования, который включает в себя непосредственное управление роботизированной рукой (с haptic teaching) или управление роботизированной рукой с помощью консоли обучения или джойстика (обучение дистанционным управлением) для записи информации о движении в суставах. Этот метод исключает необходимость в картографировании между преподавателем и роботом, но генерирует менее плавные траектории.

Системы оптического захвата движения с высокой точностью и низкой задержкой соответствуют требованиям обучения.

В процессе обучения и преподавания метод захвата человеческих движений через картографирование часто выбирается для сценариев, требующих высокой точности в движениях человекоподобных роботов. Этот метод обеспечивает более точные данные для обучения и преподавания, фиксируя движения тела.

Например, в некоторых отраслях, требующих высокой точности в операциях с коллаборативными роботами (таких как сборка некоторых прецизионных компонентов или помощь при операциях в медицинской отрасли), необходимо точное моделирование человеческого движения. Должны быть выбраны соответствующие методы машинного обучения и стратегии выполнения, чтобы роботы могли выполнять заданные задачи. Это требует получения данных о траекториях движений человека с высокой точностью.

Система оптического трекинга движения NOKOV в 3D имеет субмиллиметровую точность и характеризуется высокой точностью и низкой задержкой. Она широко используется для получения данных обучения и преподавания для коллаборативных роботов. Оптическая система трекинга движения в основном состоит из аппаратных компонентов, таких как инфракрасные камеры захвата движения и программные компьютерные системы. В процессе захвата движения несколько камер испускают инфракрасные лучи и непрерывно захватывают изображения меток на высокой скорости. Траектории движения меток рассчитываются на основе непрерывных изображений, и соответствующие данные передаются на компьютер. Затем компьютер обрабатывает соответствующие градационные изображения, чтобы получить информацию о пространственных координатах и другие данные с высокой точностью.

NOKOV приложение для обучения с использованием захвата движений и демонстрации действий

NOKOV установил глубокое сотрудничество с несколькими университетами, предоставляя высокоточное захватывающее движение для коллаборативных роботов в различных отраслях.

Харбинский институт технологии (Шэньчжэнь) Школа мехатронной инженерии и автоматизации - 3C сборочные роботы

Команда, возглавляемая профессором Лу Юнцзянем из Харбинского технологического института, предложила метод обучения для коллаборативных роботов по сборке 3C компонент. Этот метод использует систему захвата движения, охватывающую область 1м * 1м, при этом шесть инфракрасных оптических камер захвата движения NOKOV фиксируют данные на скорости 340 кадров в секунду. Камеры записывают данные о движениях инфракрасно-рефлективных маркеров, прикрепленных к рукам оператора, что позволяет получать трехмерные пространственные позиции рук и пальцев. Оптическая система захвата движения может работать в типичной промышленной среде, не мешая нормальной сборочной работе оператора и не требуя избыточного пространства и плотного распределения оборудования. После получения учебных данных система использует серию методов предварительной обработки данных для получения плавных траекторий сборочного движения из нескольких демонстраций. Наконец, применяется алгоритм обучения стратегий, чтобы вывести стратегии для робота, позволяющие регенерировать траектории сборочного движения, что позволяет роботу выполнять сборочные задачи с произвольных начальных позиций и ориентаций.

Школа передовых технологий производства, Университет почты и телекоммуникаций Чунцина - Медицинские роботы изучают техники шитья

Команда под руководством профессора Ян Дэвэя из Чунцинского университета связи и телекоммуникаций предложила метод моделирования медицинского робота для шовной техники, основанный на демонстрации, декомпозиции и моделировании однородных швов.

Метод моделирования унифицированной строчки делится на следующие четыре шага:

① Врач демонстрирует операцию по наложению швов

② Направления исследований, проводимые с использованием платформы Robotarium, включают управление формацией, планирование маршрута, биовдохновленное управление роями, предотвращение столкновений и многое другое.

③ Установите параметрическую модель для начальных и конечных состояний примитивов действия, используемых для сшивания.

④ Метод динамических движущихся примитивов (DMP) используется для моделирования динамических подс процессов действий по наложению швов. Параметрическая модель динамического процесса примитивов наложения швов, а также параметры состояния начала и окончания примитивов наложения швов составляют библиотеку навыков наложения швов.

Эксперимент использовал семь оптических камер захвата движения NOKOV для измерения и отслеживания всего процесса хирургического шва. Объектами захвата были два хирургических зажима, каждый из которых имел три прикрепленных маркера. Система захвата движения фиксировала пространственные координаты маркеров, чтобы вычислить непрерывную траекторию движения зажимов (включая позицию и позу), при этом данные о траектории с высокой точностью (на уровне субмиллиметра) использовались для декомпозиции процедуры. Система захвата движения NOKOV характеризуется высокой точностью и низкой задержкой. ПосколькуCollaborative robots становятся все более актуальными в приложениях, ожидается, что система захвата движения NOKOV также будет играть большую роль.