Onderzoeksproject voor op AI gebaseerde robotkalibratie

Doel van kerk, een onderzoeks- en ontwikkelingsproject voor AI-gebaseerde robotkalibratie is het ontwikkelen van nieuwe softwaregestuurde kalibratiemethoden vanuit: Industriële robotsn door Machine leren om hun nauwkeurigheid te ontwikkelen en te vergroten. De initiatiefnemers van het gezamenlijke project zijn de Universiteit van Stuttgart, de DHBW Karlsruhe en Artiminds Robotics.

Industriële robots bieden nauwkeurige en betrouwbare procesuitvoering. Om de vereiste nauwkeurigheid te bereiken, moeten de robots met regelmatige tussenpozen individueel opnieuw worden gekalibreerd. Dit is kostbaar en tijdrovend en betekent veel extra werk, vooral voor het midden- en kleinbedrijf (MKB). Daarnaast komen er steeds meer goedkope robotarmen op de markt die om mechanische redenen mogelijk nog grotere onnauwkeurigheden in hun positionering hebben.

ESD-gecertificeerde robots voor het hanteren van elektrische componenten

Met momenteel beschikbare kalibratiemethoden alleen geometrische fouten kunnen worden gecorrigeerd. Temperatuur- of lastafhankelijke onnauwkeurigheden kunnen bijvoorbeeld slechts onvoldoende worden gecompenseerd. Ook het opnieuw kalibreren van robots tijdens bedrijf, wat belangrijk is voor een duurzaam optimalisatieproces, is niet realiseerbaar.

Softwaregestuurde robotkalibratie voor oefenen

Dat willen de drie onderzoekspartners Sluit nu de openingen rond de robotkalibratie. Met behulp van machine learning moeten nieuwe softwaregestuurde kalibratiemethoden worden ontwikkeld voor praktisch gebruik.

Darko Katic, technisch contactpersoon voor het Kirk-project en teamleider AI bij Artiminds legt uit: “De mogelijkheid om automatisch gegevens te verzamelen en te analyseren, vermindert de inspanning voor de gebruiker en maakt het vooral voor KMO's gemakkelijker om de vaardigheden op te bouwen die ze nodig hebben om een ​​robot optimaal te gebruiken. "

Met het oog op het vergroten van de nauwkeurigheid met softwareondersteuning, moeten robots flexibel worden ingezet voor een breed scala aan toepassingen. Workflows moeten worden vereenvoudigd door een robottype en fabrikantonafhankelijke oplossing en de tijd voor gespecialiseerd personeel moet worden ontlast.

Neurale netwerken 

"De basis om de complexe onderlinge relaties van externe factoren en de temporeel variabele eigenschappen van de individuele robot beheersbaar te maken en zo de positioneringsnauwkeurigheid te vergroten, wordt gevormd door de diepe neurale netwerken (deep learning)", aldus AI-onderzoekers. Professor Marco Huber van de IFF van de Universiteit van Stuttgart.

Het Institute for Industrial Manufacturing and Factory Management (IFF) der Universiteit van Stuttgart en het Robot-and-Human-Motion-Lab (RaHM-Lab) van de duals Universiteit van Baden-Wuerttemberg Karlsruhe het basisonderzoek in het project overnemen. Samen met Artiminds als industriële partner zijn de resultaten van de Onderzoek overgedragen naar echte industriële toepassingen. Ten slotte moeten de nieuwe methoden in de software worden opgenomen Robot programmeren Robot Programming Suite (RPS) kan worden geïntegreerd. Het einde van het project is gepland in het voorjaar van 2022.

CNC + robotprogrammering op één platform