Rutgers computerwetenschappers gebruikten kunstmatige intelligentie om een ​​robotarm te besturen die een efficiëntere manier biedt om dozen in te pakken, bedrijven tijd en geld besparen.

"We kunnen tegen lage kosten geautomatiseerde oplossingen die eenvoudig inzetbaar zijn. De sleutel is om minimale maar effectieve hardwarekeuzes te maken en te focussen op robuuste algoritmen en software, " zei senior auteur Kostas Bekris van de studie, een universitair hoofddocent bij de afdeling Computerwetenschappen van de School of Arts and Sciences aan de Rutgers University-New Brunswick.

Bekris, Abdeslam Boularias en Jingjin Yu, beide universitair docenten informatica, een team gevormd om meerdere aspecten van het robotverpakkingsprobleem op een geïntegreerde manier door hardware aan te pakken, 3D-waarneming en robuuste beweging.

De peer-reviewed studie van de wetenschappers werd onlangs gepubliceerd op de IEEE International Conference on Robotics and Automation, waar het finalist was voor de Best Paper Award in Automation. Het onderzoek sluit aan bij de groeiende trend om robots in te zetten voor logistiek, winkel- en magazijnwerkzaamheden. Vooruitgang in robotica versnellen in een ongekend tempo dankzij machine learning-algoritmen die continue experimenten mogelijk maken.

Deze video toont een Kuka-robotarm die objecten uit een bak stevig in een verzenddoos verpakt (vijf keer de werkelijke snelheid):

Het strak verpakken van producten die van een ongeorganiseerde stapel zijn geplukt, blijft grotendeels een handmatige taak, ook al is het van cruciaal belang voor de efficiëntie van het magazijn. Het automatiseren van dergelijke taken is belangrijk voor het concurrentievermogen van bedrijven en stelt mensen in staat zich te concentreren op minder ondergeschikt en fysiek belastend werk, volgens het wetenschappelijk team van Rutgers.

Het onderzoek van Rutgers richtte zich op het plaatsen van objecten uit een bak in een kleine verzenddoos en deze strak te rangschikken. Dit is een moeilijkere taak voor een robot in vergelijking met het oppakken van een object en het in een doos laten vallen.

De onderzoekers ontwikkelden software en algoritmen voor hun robotarm. Ze gebruikten visuele gegevens en een eenvoudige zuignap, die ook dienst doet als vinger om voorwerpen te duwen. Het resulterende systeem kan objecten omvallen om een ​​gewenst oppervlak te krijgen om ze vast te pakken. Verder, het gebruikt sensorgegevens om objecten naar een doelgebied te trekken en objecten samen te duwen. Tijdens deze operaties het maakt gebruik van realtime monitoring om mogelijke storingen te detecteren en te voorkomen.

Omdat het onderzoek zich richtte op het verpakken van kubusvormige objecten, een volgende stap zou zijn om verpakkingsobjecten in verschillende vormen en maten te verkennen. Een andere stap zou zijn om automatisch leren door het robotsysteem te onderzoeken nadat het een specifieke taak heeft gekregen.