MAGAZINE
刊物內容

回列表

人機協作機械臂3D視覺抓取

摘要"

機器臂之任意堆疊工件抓取(random bin picking)為近幾年來很受重視的智慧自動化與機器人技術。透過3D視覺演算法,機器人能夠自主地分析視野中雜亂堆疊的多種工件資訊,進行特徵比對後,便能辨識出工件堆當中的工件種類,進行姿態估測,得到工件在空間中的位置與朝向,然後完成抓取。協作機器人的引進,讓更多生產製造程序得以使用機器人,機器人智慧型抓取的需求更形重要。隨著AI技術的蓬勃發展,機器人的物件辨識能力有了長足的進步,可以同時辨識的物件種類增加,正確率、效率以及對環境變化的容忍度也大為提升,強化3D視覺抓取技術穩定性與效能。在執行3D視覺抓取任務過程中,協作機器人為了避免碰撞到障礙物與人員,機器人安全避障與持續完成任務等議題是未來機器人應用亟需解決的問題。本文探討協作機器人安全視覺抓取的一種設計,並以實作說明目前達成的效果。

關鍵詞:協作型機械臂、3D視覺、機器人視覺、雜亂堆疊工件抓取

緣起

近幾年來,自動化製造與人工智慧技術發展快速,開拓了機器人產業發展的契機。然而,傳統的工業機械臂進行作業時,為了確保安全,工作環境或周圍不可有人員的進出[1],也因此限制許多機器人的應用。隨著感測與控制科技的發展,機械臂從傳統、重複性高的工作朝向人機協力合作的方向前進,機械臂負責精密與吃力的動作,複雜度較高的工作仍需要人類參與,協作型機器人應運而生。ISO在2016年針對協作型工業機器人系統與工作環境,新增ISO/TS 15066[2]的安全規範,其中針對人與協作型機械臂在同一個工作環境下,重新修正並更新相關的安全規範,同時補充ISO 10218對協作型機器人的規範,解開安全隔離網的限制,讓產線中的機械臂可以與人類共存在同一個工作空間,讓機械臂結合人類的高彈性,提升工作效率與品質。
國內外已有許多公司投入協作型機械臂的研發並推出相關的產品:Universal Robots公司研發之UR5[3]、德國KUKA機器人公司所研發之LBR iiwa[4]、臺灣達明機器人公司所研發之TM5[5]內建視覺系統之協作型機械臂。人機協作過程中,3D視覺提供機械臂必備的環境感測功能,有助於實現物件抓取與執行安全協作任務。一般協作型機械臂的3D視覺抓取能力較為不足,難以應付任意堆疊的工件抓取任務,因此,需要藉由RGB-D攝影機並且結合物件辨識與物件姿態估測演算法以強化3D視覺抓取能力。另外,機械臂被動式安全防護技術上已趨於成熟,但對於主動式安全避障方面的技術尚待改善。主動式安全避障是機器人利用身上或環境中的感測器監控環境的變化,機械臂能針對當下環境規劃最適當的路徑。
為了讓機械臂自主地分析視野中雜亂堆疊的多種工件資訊,進行特徵比對後,便能辨識出工件堆當中的工件種類,進行姿態估測,得到工件在空間中的位置與朝向,然後完成抓取。對協作型機械臂在隨時有移動人員的工廠環境中,自主地完成抓取任務,透過結合三維環境感測技術,使機器人能夠得到環境資訊並追蹤環境中的物體。當有物體接近時,機械臂能在動態的環境中,避免與障礙物發生碰撞並在確保人員和機械臂本身的安全下,即時規劃移動路徑與作出避免碰撞發生的反應,進而繼續完成抓取任務。實驗室在科技部專題計畫補助下進行3D視覺技術開發,所發展的方法以ROS (Robot Operating System)[6]的架構實現,實作在達明TM5協作型機械手臂上,驗證其有效性。

相關研究探討

針對多種物件之辨識與抓取,Jonschkowski等人[7]針對倉儲自動化提出Probabilistic Multi-Class Segmentation演算法。他們從畫面提取六項特徵與資料庫內的物件進行比對,透過貝氏定理計算影像中每個像素屬於特定物件的機率,將具有最大機率值的區域分割出來。近年來許多基於AI演算法被提出來,Schwarz等人[8]提出基於DenseCap[9]網路的物件偵測演算法。DenseCap進行物件辨識時只會在RGB影像產生候選區域(region proposal),他們透過Connected components algorithm將RGB影像與深度影像進行融合,讓只有RGB資訊的候選區域同時包含RGB與深度資訊,最後超過閥值的候選區域會被Bounding Box標記。Zeng等人[10]使用VGG架構之全卷積網路(Fully-Convolutional Network)進行RGB影像的物件分割。為了解決雜亂堆放、物件被遮蔽的問題,他們對工作區擷取多個視角的RGB影像,作為全卷積網路的輸入。接著對全卷積網路輸出的機率地圖(Probability maps)進行過濾,被保留下的像素用於點雲分割的遮罩。Redmon等人[11]提出YOLO物件偵測器,將物件辨識與偵測的流程整合成一個類神經網路,達到即時(Real-time)的偵測效率。YOLO在進要偵測時會將整個畫面的特徵納入考慮,能夠減少背景造成的誤判。...更多內容,請見《機械新刊》雜誌。

READ MORE BACK TO LIST