АКТУАЛЬНЫЕ ТЕНДЕНЦИИ В РАЗВИТИИ ПРОМЫШЛЕННОЙ РОБОТОТЕХНИКИ

АННОТАЦИЯ

В статье рассматриваются современные тенденции в применении промышленных роботов в различных отраслях производства. Анализируются ключевые инновации, такие как интеграция искусственного интеллекта, использование современных датчиков, создание интерфейсов для взаимодействия человека с роботом. Рассматриваются перспективы и проблемы дальнейшего развития и влияние этих технологий на будущее промышленного сектора.

Ключевые слова: промышленный робот, обучение с подкреплением, аддитивное производство, цифровой двойник.

Промышленные роботы играют ключевую роль в современной автоматизации, обеспечивая высокую производительность, точность и эффективность на производственных линиях. Согласно [1] он определяется как «автоматически управляемый, перепрограммируемый, многоцелевой манипулятор, программируемый по трем или более осям для использования в приложениях промышленной автоматизации».

С ростом требований к гибкости, скорости и качеству производства, внедрение робототехники стало необходимым элементом для поддержания конкурентоспособности предприятий. В последние годы наблюдается ряд значительных тенденций, формирующих будущее этой отрасли.

Одной из таких тенденции является применение цифровых двойников промышленных робот для отработки различных задач перемещения. Так в работе [1] рассматривается методика калибровки промышленных роботов, состоящая из двух компонентов: цифрового двойника (DT) и установки захвата движения (MoCap).

Siemens Process Simulate, инструмент моделирования цифрового двойника, использовался для создания размерно и эксплуатационно точной системы цифрового двойника. В качестве первого шага были получены 3D-модели CAD для всех стандартных компонентов выбранной ячейки, таких как роботы, столы, приводы, конвейеры и т. д. Кроме того, были построены модели для стен и ограждений, которые должны были определять границу ячейки. Эти модели CAD были загружены в модель Process Simulate для разработки внешних границ ячейки. Затем в симуляцию были загружены дополнительные готовые компоненты. После того, как цифровой двойник был готов к использованию, в качестве второго компонента калибровочного эксперимента были установлены камеры MoCap. Камеры были размещены под всеми углами, высоко и низко, чтобы наблюдать за роботом с максимально возможного количества углов, чтобы исключить эффекты перекрытия трекеров движением робота. Объем захвата был настроен, и камеры MoCap были откалиброваны в Motive с использованием процесса «промахивания», когда калибровочная палочка с точно определенными маркерами размахивает вокруг объема захвата. После этого Motive сравнивает 2D-результаты с отдельных камер, чтобы объединить и реконструировать 3D-объем захвата.

Были разработаны два теста для оценки точности координатного пространства робота. В первом случае была разработана линейная траектория робота с использованием модели цифрового двойника. Траектория движется по прямой линии смещения вдоль оси X относительно базовой рамы робота и охватывает 2,1 м для случая с обращенной вверх поверхностью, останавливаясь через регулярные интервалы. Каждое движение по траектории было движением «точка-точка», чтобы позволить роботу перемещаться через сингулярности и другие сложные места вдоль траектории, при этом все еще позволяя собирать данные о местоположении в отдельных точках. Пауза была добавлена в каждом месте, чтобы робот останавливался в каждой точке, чтобы позволить вибрации от быстрых движений затухнуть и обеспечить чистый захват местоположения. Затем этот процесс был повторен для двумерного плоского случая, где ось X и ось Y изменялись, а ось Z оставалась постоянной. Путь представлял собой прямоугольник размером 1,5 м на 2 м с закругленными углами для обеспечения достижимости и избежания столкновений с другим оборудованием. Результаты проведенных тестов опровергают предположение о том, что рабочие пространства робота являются идеально декартовыми и точными. Траектории движения робота, полученные в ходе тестов можно сравнить с запланированными путями из цифрового двойника, чтобы оценить его точность или, другими словами, откалибровать цифровой двойник.

Одной из распространенных задач роботизированных ячеек в производстве по данным работы [2] называется возвращение роботизированной руки в исходное / домашнее положение (HPos) из любой точки роботизированной ячейки без столкновений или возникновения сингулярностей робота при соблюдении его сочленений. Почти во всех промышленных роботизированных ячейках рабочий цикл начинается с HPos и заканчивается в нем.

Сингулярность [3] – это такое положение робота, при котором манипулятор теряет одну или несколько степеней свободы, и изменение входных переменных не приводит к изменению положения робота.

Для устранения данного эффекта предлагается использовать обучение с подкреплением (RL) что обеспечит автономное самонаведение в промышленной роботизированной ячейке.

Вся среда обучения роботизированной ячейки и манипулятора была смоделирована с использованием PyBullet, главным образом из-за его простоты установки в программный стек на основе Python. Кроме того, PyBullet использует алгоритм Физерстоуна для представления динамики многих тел. Это больше подходит для робототехнических задач по сравнению с представлением твердого тела с максимальными координатами, используемым Gazebo, и учитывает зазоры в суставах.

Непосредственная цель робота, начиная с любого начального состояния, выбранного равномерно, состоит в том, чтобы привести свой рабочий орган в целевую позицию, определенную HPos. Целевую зона (ТЗ) представляет собой область, ограничивающуюся сферическим объемом радиуса R, с центром в начале исходной конфигурации. Везде за пределами этого ограничивающего объема награда равна нулю. Всякий раз, когда роботу удается доставить свой рабочий орган в эту целевую зону, он получает фиксированное вознаграждение.

Описываемый метод представляет собой глубокое обучение с подкреплением (DLR).

Глубокое обучение с подкреплением (DRL) – это продвинутая область искусственного интеллекта (ИИ) и машинного обучения (ML), которая сочетает в себе методы глубокого обучения с алгоритмами обучения с подкреплением для создания интеллектуальных агентов, способных принимать решения методом проб и ошибок для оптимизации долгосрочной цели. или награда.

Эксперименты проводились на двух различных производственных процессах, включая пайку и сборку авиационных двигателей. В частности, алгоритм самонаведения был обучен с использованием данных робота-манипулятора для пайки.

Обученная модель затем была применена к двум реальным роботизированным производственным ячейкам, включая задачи по пайке и задачи по сборке, чтобы оценить производительность самонаведения.

Было установлено, что агент DRL хорошо работает, направляя робота к HPos практически из любого начального состояния в рабочей области.

Поскольку агент DRL учится использовать окружающую среду и избегать конфликтов со своим восприятием окружающей среды, метод, основанный на обучении, потенциально может использоваться для решения задач, связанных с взаимодействием между нежесткими объектами и средами с неопределенностями.

Концепция виртуального помощника с поддержкой естественного языка (VA) по имени Макс, рассматриваемая в исследовании [4], разработана для поддержки гибкого и масштабируемого взаимодействия человека и робота (HRI) с промышленными роботами.

Основная цель Max – позволить промышленным пользователям легко обслуживать и контролировать своих промышленных роботов и улучшить пользовательский опыт естественным и удобным способом.

Max спроектирован и разработан как веб-приложение на базе архитектуры «клиент-сервер» (CS) с использованием Python Flask Framework. Веб-сервер NGINX служит в качестве веб-сервера благодаря своей высокой производительности, стабильности и низкому потреблению ресурсов.

Согласно принципу проектирования, Max разработан как роботонезависимый и нацелен на поддержку различных видов промышленных роботов, таких как мобильные роботы и промышленные манипуляторы.

Агент управления роботом настроен на управление роботами в соответствии с вербальными командами оператора. Для достижения этой цели реализованы два подкомпонента: компонент выполнения сервиса робота (RSE) и компонент управления сервисом робота (RSM).

Исходя из потребностей производственной среды, помощь в реальном времени при выполнении производственных задач требует, чтобы VA мог понимать речь оператора с высокой точностью. Поэтому VA должен учитывать контекст диалога и обращать внимание на значение слов в данном контексте. Следовательно, была произведена настройка предварительно обученной модели BERT SOTA на установленном наборе данных диалога, чтобы предсказывать намерения и задачи оператора. Хотя теоретически модель достигает высокой производительности при прогнозировании на чисто текстовом наборе данных, результаты прогнозирования на основе голосовой команды в реальной производственной среде могут быть ниже из-за окружающего шума.

В ходе проведенных испытаний были выявлены следующие проблемы:

1. Для связи между клиентом и сервером Max необходима хорошо продуманная стратегия безопасности. В экспериментах небольшого масштаба связь основана на незашифрованных протоколах HTTP. Естественно, ситуация в реальном производственном сценарии будет иной и потенциально повлияет на производительность Max;

2. Производительность Макса в значительной степени связана с частотой ошибок намерения/установки и уровнями окружающего шума. Высокая частота ошибок намерения/установки напрямую влияет на общее время выполнения задачи, увеличивая время коммуникации;

3. Такие факторы как акцент оператора и громкость голоса, также влияют на частоту ошибок намерения/установки.

Данная работа показывает, что хоть концепция и является перспективной, но требует продолжения тестирования в различных производственных условиях.

Разработка интерфейса человек-робот (HRI), представленная в работе [5], использует датчик RGB-D для облегчения программирования промышленных роботов.

Датчик RGBD – это тип камеры глубины, которая предоставляет данные о глубине (D) и цвете (RGB) в качестве выходных данных в режиме реального времени. Информацию о глубине можно получить через карту/изображение глубины, созданное трехмерным датчиком глубины, например, стереодатчиком или датчиком времени полета.

Основная цель заключалась в разработке многофункционального интерфейса, который не ограничивается конкретными приложениями, такими как захват и размещение, и может использоваться для программирования роботов, телеуправления роботами, а также для обучения операторов, что отличает его от ранее упомянутых работ, которые отдают приоритет одной из этих функций над другой. Более того, эти варианты использования должны выполняться как можно более интуитивно неопытным человеком-оператором, то есть человеком, не имеющим предварительных знаний в области робототехники и программирования.

Разработанный интерфейс HRI использует датчик RGB-D (MS Kinect v2) для захвата движений и жестов оператора и преобразования их в движения суставов робота с шарнирно-сочлененной рукой с 6степенями свободы. Описаны два новых метода взаимодействия с пользователем:

• Первый включает в себя мониторинг положения туловища/плечевого/локтевого сустава оператора, расчет соответствующих углов и, наконец, назначение их выбранным суставам робота.
• Второй использует набор заранее определенных движений и жестов оператора для выбора любого желаемого сустава робота и изменения его угла с шагом, настраиваемым пользователем.

Для интеграции разработанного HRI с Unity 3D необходимо было решить несколько проблем. Однако двумя основными из них были требование немедленной реакции виртуальной руки робота в зависимости от полученных данных (положения суставов, открытия и закрытия рабочего органа и т. д.) и гарантия отсутствия потери данных. Обе проблемы были решены путем отправки данных с использованием соединения TCP/IP, где приложение интерфейса HRI рассматривается как клиент, а Unity3D — как сервер.

В ходе проведенных тестов установлено что:

• Метод взаимодействия более интуитивен и позволяет добиться более быстрой реакции между оператором и движениями руки робота благодаря тому, что первые три сустава робота могут перемещаться одновременно. Однако он не может полностью использовать весь диапазон углов суставов робота из-за окклюзии.
• Метод взаимодействия гораздо более точен и последователен, но требует больше времени, поскольку каждое сочленение робота должно перемещаться независимо. Это также затрудняет определение наилучшей последовательности движений суставов для выполнения желаемой задачи.

Промышленные роботы находят применение в области аддитивного производства термопластов. Поскольку обрабатывающая промышленность продолжает внедрять принципы Индустрии 4.0 и интеллектуального производства, интеграция роботизированных систем привлекла значительное внимание благодаря их гибкости, точности и возможностям автоматизации.

Так в исследовании [6] рассматривается вопрос в применение промышленных роботов в моделирование методом наплавления (FDM).

Моделирование методом наплавления (FDM) – это широко используемая технология аддитивного производства, которая находит применение в моделировании, прототипировании и производстве. В FDM 3D-печатные детали создаются путем выдавливания небольших сплющенных нитей расплавленного материала, которые затем затвердевают, образуя слои. Этот метод предлагает универсальность и обычно используется для проектов 3D-печати.

Используя гибкую природу роботизированных манипуляторов, можно обеспечить полную печать произвольной формы при роботизированном аддитивном производстве. При печати произвольной формы хотэнд можно расположить и выдавливать материал на большинстве открытых поверхностей 3D-модели. При обычном FDM только самый верхний слой считается жизнеспособной мишенью для осаждения пластика. С помощью процесса печати произвольной формы можно создавать сложные объекты, которые в противном случае были бы невозможны для стандартных 3D-принтеров, например, конструкции с отрицательным выступом.

Цель роботизированной руки – привести рабочий орган в заданное положение и ориентацию. Обычно это делается с помощью математического процесса, называемого обратной кинематикой. Если роботизированная рука имеет достаточно степеней свободы, вполне вероятно, что существует более одного способа достичь одной и той же точки. Это проблема, поскольку она делает программу робота менее предсказуемой. Например, одно решение может быть безопасным, в то время как другое решение приведет к удару руки о стол.

Эту непредсказуемость можно уменьшить, предусмотрев так называемые конфигурации осей. Эти конфигурации заставляют суставы робота располагаться в заранее определенных квадрантах относительно друг друга. Несмотря на это, в программе робота было решено отключить конфигурации осей и разрешить манипулятору вместо этого автоматически использовать ближайшую конфигурацию. Это позволило роботу изменять конфигурацию в процессе аддитивного производства.

Потенциал будущего развития данного проекта огромен, поскольку его можно расширять и совершенствовать на различных этапах. На уровне проектирования можно изучить методы использования металлов в качестве материалов для 3D-печати для создания более прочного и надежного корпуса для инструмента. Это сделает его менее уязвимым к несчастным случаям, которые могут произойти с роботом, например, к падению инструмента на печатную платформу.

Анализ актуальных тенденций в применении промышленных роботов показывает, что эти технологии продолжают активно развиваться, обеспечивая значительные преимущества для современного производства.

С развитием робототехники продолжается совершенствование самих технологий, включая улучшение точности и надежности роботизированных систем, сокращение времени их настройки и повышения адаптивности к меняющимся условиям производства. Эти улучшения позволяют интегрировать роботов в более сложные и многофункциональные процессы, что расширяет их возможности и потенциал для дальнейшего применения.

Перспективы дальнейшего развития робототехники обещают дальнейшее преобразование промышленного сектора, где автоматизация станет неотъемлемой частью стратегического развития предприятий. Важно продолжать отслеживать и анализировать тенденции в этой области, чтобы максимально эффективно использовать возможности, которые открывают современные технологии.

Список литературы:

1. J Max Kirkpatrick, Drew Sander, Fadi El Kalach, Ramy Harik Motion capture based calibration for industrial robot [Текст] / J Max Kirkpatrick, Drew Sander, Fadi El Kalach, Ramy Harik // Manufacturing Letters. — August 2023. — № Volume 35, https://doi.org/10.1016/j.mfglet.2023.08.012
2. John N. Karigiannis, Philippe Laurin, Shaopeng Liu, Viktor Holovashchenko, Antoine Lizotte, Vincent Roux, Philippe Boulet Reinforcement Learning Enabled Self-Homing of Industrial Robotic Manipulators in Manufacturing [Текст] / John N. Karigiannis, Philippe Laurin, Shaopeng Liu, Viktor Holovashchenko, Antoine Lizotte, Vincent Roux, Philippe Boulet // Manufacturing Letters. — September 2022. — № Volume 33, https://doi.org/10.1016/j.mfglet.2022.07.111
3. Маминов А.Д., Посыпкин М.А. Исследование и разработка методов решения задач инженерной оптимизации роботов параллельной структуры // International Journal of Open Information Technologies. 2019. №11. URL: https://cyberleninka.ru/article/n/issledovanie-i-razrabotka-metodov-resheniya-zadach-inzhenernoy-optimizatsii-robotov-parallelnoy-struktury
4. Chen Li, Dimitris Chrysostomou, Hongji Yang A speech-enabled virtual assistant for efficient human–robot interaction in industrial environments [Текст] / Chen Li, Dimitris Chrysostomou, Hongji Yang // Journal of Systems and Software. — November 2023. — № Volume 204, https://doi.org/10.1016/j.jss.2023.111818
5. K. Arsenopoulos, P. Benardos A Human-Robot Interface for Industrial Robot Programming using RGB-D Sensor [Текст] / K. Arsenopoulos, P. Benardos // Procedia Manufacturing. —2021. — № Volume 55, https://doi.org/10.1016/j.promfg.2021.10.003
6. Rayko Toshev, Dennis Bengs, Petri Helo, Miguel Zamora Advancing Free-Form Fabrication: Industrial Robots' Role in Additive Manufacturing of Thermoplastics [Текст] / Rayko Toshev, Dennis Bengs, Petri Helo, Miguel Zamora // Procedia Computer Science. —2024. — № Volume 232, https://doi.org/10.1016/j.procs.2024.02.129