TEHNOLOGIJE ZA HITRO REKONFIGURACIJO PRILAGODLJIVIH ROBOTSKIH CELIC

Robots have become a crucial component in contemporary manufacturing. Due to their large workspace, high precision and repeatability, they are used in a broad spectrum of automation. They especially excel in industrial environments, replaying the same motions and performing the same tasks repeatedly over extended periods of time. The usefulness of robots, however, still falls short in industries where the production demands change frequently. In such production environments, the traditional automation approaches and the corresponding robot workcells still do not offer a suitable solution. It is therefore necessary to explore the available options and progress the scientific field into more adaptable robotic workcells in order to bring automation to these types of industries. In this thesis, we present novel technologies and methods aimed at increasing the ease of reconfiguration and shortening setup times of adaptive robot workcells. The first chapter of this thesis provides an insight to the main topic addressed in this thesis and presents the current state of the art. We begin the chapter with a broader presentation of the traditional manufacturing systems and how they fall short when greater flexibility is needed. We continue by introducing the paradigm of Reconfigurable Manufacturing Systems (RMS), which states that manufacturing systems should be adaptable in a quick and efficient manner to unexpected changes in market demands and consequently production specifications. One of the components that are often needed in a manufacturing system are fixtures, which should also conform to the RMS characteristics. We present the concept of passive flexible fixtures and explain the challenge of their placement so that a set of workpieces can be mounted onto them. Another aspect that needs to be addressed in order to shorten setup and reconfiguration times is programming of robot motions. We present how methods for statistical learning in conjunction with Programming by Demonstration (PbD) can be used to increase the efficiency of robot programming. However, the results of standard PbD methods are susceptible to variations in the speed profiles of user demonstrations. We tackle this issue by introducing a statistical learning method based on arc-length dynamic movement primitives (AL-DMP). We conclude the chapter with a summary of novel contributions of this thesis. The second chapter presents the software and hardware design paradigms for building adaptive robotic cells and how they were utilized in a prototype cell. We first present the hardware aspects of the cell and the novel approach to build reconfigurable hardware by using reconfigurable components with passive degrees of freedom. This type of components are built without actuators or sensors but can be reconfigured by a robot arm. We then provide a detailed description of the software system architecture. The software system is based on the Robot Operating System (ROS), which allowed us to make it reconfigurable and to support the reconfigurable hardware. Additionally, we describe how the robot programming process was enhanced in the developed cell by making use of PbD and a robot skill database. The chapter is concluded with a summary of the novel workcell design paradigms. The third chapter provides a detailed description of 1. the developed methodology for the reconfiguration of fixtures with passive degrees of freedom, called hexapods in what follows, and 2. the new method for statistical learning of robot skills based on kinesthethic guidance. We start by describing a new optimization method that can be used to automatically determine the layout of the hexapods in order to make it possible to mount a set of workpieces without the need to re-position their bases. The method considers the kinematic limitations of the fixturing system and the physical limits of the cell layout, including collisions. We also provide a strategy for how to generate a robot trajectory to reconfigure the fixtures in order to avoid the kinematic limits during the reconfiguration process. In the second part of this chapter we present a novel method for statistical learning of robot skills that uses arc-length dynamics movement primitives – AL-DMPs – to represent robot skills. We provide its mathematical formulation and explain its benefits over the standard DMP formulation. We conclude the chapter by explaining how all the developed methods and paradigms can be used together to achieve fast setup and reconfiguration of adaptive robot workcells. The experimental evaluation of the methods and paradigms proposed in this thesis are presented in the fourth chapter. We first explain the results of the implementation of various industrial use-cases in the developed prototype workcell. This was done to evaluate the proposed adaptive cell design paradigms. The results show the industrial readiness of the system and that it can achieve the desired performance in terms of setup and reconfiguration times. Next we show how the proposed optimization method to determine the layout of the hexapods assures that the kinematic limitations and other physical constraints of the workspace are respected. Finally, we present the performance of the AL-DMP representation for statistical learning and action recognition. The fifth and final chapter of the thesis contains the discussion and final remarks. Each of the scientific contributions is briefly summarized and discussed. The possibilities for future work are also laid out. At the end of the chapter, we delineate the contributions in peer-reviewed journals and conferences that support the scientific relevance of the presented research results.Iskanje načinov povečanja učinkovitosti proizvodnje je že od nekdaj gonilna sila človeškega razvoja. Višja učinkovitost pomeni, da lahko blago proizvedemo z manjšo količino porabljenih virov. Dotični viri niso le materialni ali časovni ampak se nanašajo tudi na obremenitev človeka. Slednje je bilo tudi navedeno kot ena glavnih motivacij pri razvoju prvega industrijskega robota proti kuncu 60. letih prejšnjega stoletja [1]. Zato ne preseneča, da je bil prvi robot nameščen v livarni, kjer je bila njegova naloga prekladanje vročih ulitkov. Opravilo, ki je sicer zelo naporno ter nevarno za človeka. Od takrat je robotika kot znanstvena in industrijska panoga doživela razcvet. Ocenjuje se, da je v svetu že več kot 3,2 milijona robotov nameščenih v industrijskih obratih [2]. Večina teh je nameščenih v tovarnah, kjer skozi daljše časovno obdobje opravljajo ponavljajoče se naloge ter posledično tudi gibe. Strojna oprema nameščena v njihovi okolici in sam program, ki skrbi za usklajevanje robotskih gibov, se redko spreminjata. Tak način uporabe robotov je seveda smiseln v tovarnah, kjer ostajajo parametri proizvodnega ves čas enaki. Stanje pa je drugačno v obratih, kjer se zaradi same narave proizvedenih izdelkov ali pritiskov globalne konkurence spremembe dogajajo pogosteje. Stopnja avtomatizacije je v takih proizvodnih obratih praviloma nižja, saj je človek, v primerjavi z industrijskimi stroji, bolj spreten in se lažje prilagaja spremembam. To pa je seveda v nasprotju s prej navedenim ciljem o razbremenitvi človeka. Zato je naš cilj razvoj proizvodnih celic, ki bodo zagotavljale podobne lastnosti, t. j. visoka stopnja prilagodljivosti spremembam parametrov proizvodnega procesa. Proizvodne sisteme, ki so načrtovani in izdelani tako, da so čim bolj učinkoviti pri proizvajanju velikega števila enega ali ozkega nabora izdelkov, imenujemo Namenski proizvodni sistemi (NPS). Korak v smeri izdelave bolj prilagodljivih sistemov so t. i. Fleksibilni proizvodni sistemi (FPS). Fleksibilnost sistemu omogoča prilagoditve na pričakovane spremembe. Primer takega sistema je robotsko varjenje, kjer robot svojo trajektorijo prilagodi na podlagi strojnega vida [4]. Tak sistem je delno prilagodljiv, vendar pa naloga robota, t. j. varjenje, skozi njegovo življenjsko dobo ostaja enaka. Koren idr. [5] so zato proti koncu 90. let predlagali nov koncept načrtovanja in izdelave proizvodnih sistemov. Avtorji pravijo, da v kolikor se želi uspešno spopasti s pogostimi spremembami globalnega trga, morajo proizvodni sistemi zagotavljati hitro in učinkovito prilagodljivost tako po kapaciteti kot tudi po funkcionalnost. Za sisteme, ki izpolnjujejo te smernice so avtorji predlagali ime Rekonfigurabilni proizvodni sistem (RPS). Od takrat so RPS deležni velike pozornosti znotraj raziskovalne skupnosti [6, 3, 7, 8]. Kljub mnogoterim prednostim, ki jih imajo RPS v primerjavi z bolj namenskimi sistemi, je njihova razširjenost v industriji sorazmerno skopa. To velja tudi za take proizvodne obrate, ki bi na prvi pogled imeli največjo korist od vzpostavitve tovrstnih sistemov. To gre pripisati predvsem večji kompleksnosti ter splošno manjši kapaciteti RPS v primerjavi z NPS in FPS [11]. Z večjo kompleksnostjo sistema naraste tudi strošek njegove implementacije, kar je tudi eden od razlogov za manjšo pogostost RPS v industriji [20, 21]. Visoki stroški implementacije pa ne izhajajo le iz cene strojne in programske opreme, ampak tudi iz časa porabljenega na zasnovi ter implementaciji takega sistem. Ravno to pa so izzivi, katerim se posvečamo v pričujoči temi. Eden od pogostejših gradnikov, ki so prisotni v robotskih celicah, so vpenjala. Namenjena so čvrstemu vpetju obdelovancev in zagotavljanju natančnega pozicioniranja, da lahko robot uspešno izvede obdelovalne operacije. Običajno so vpenjala narejena namensko za vsakega obdelovanca posebej. Postopek načrtovanja in izdelave namenskih vpenjal je lahko zelo dolgotrajen, predvsem pa ni v skladu z RMS konceptom. Alternativa namenskim vpenjalom so rekonfigurabilna vpenjala, ki jih lahko razdelimo v dve skupini: modularna ter prilagodljiva [23]. Modularna vpenjala so sestavljena iz več osnovnih gradnikov, ki se jih lahko sestavi v poljubne konfiguracije. Prilagodljiva vpenjala pa so običajno že sestavljeni mehanizmi z eno ali več stopnjami prostosti. Avtonomna (re)konfiguracija takih vpenjal se doseže z vpeljavo bodisi njihovih internih ali eksternih pogonov [24, 25]. Predlagana sta bila dva podobna koncepta pasivnih prilagodljivih vpenjal, ki sta zasnovana na Stewartovem mehanizmu, po predlogu Gödl idr. [26] ter Jonsson idr. [27]. Ker sta mehanizma pasivna (t. j. nimata ne pogonov in ne senzorjev) se njuna avtomatska rekonfiguracija izvede z robotsko roko, ki je že prisotna v celici. Rešitvi sta si med seboj podobni. Prednost prvega mehanizma, ki ga imenujemo heksapod, so posebej razviti sferični sklepi, ki zagotavljajo minimalno zračnosti [28]. Za vpetje obdelovancev kompleksnih geometrij je potrebno uporabiti sistem več heksapodov. Težava pa je, da je delovni prostor heksapodov omejen, kar zmanjšuje njihovo vsestransko uporabo. To pomeni, da je potrebno prilagajati lego znotraj celice za vsak heksapod posebej, ker se izkaže kot zelo zahtevno opravilo. Podoben izziv predstavlja prilagoditev metod za učenje robotskih gibov, da bodo omogočali, skladno s paradigmo rekonfigurabilnih proizvodnih sistemov, hiter odziv na spremembe. Programiranje robotov se v industrijskih okoljih običajno izvaja bodisi z uporabo priloženega vmesnika ali pa preko simulacijskega okolja. Oba postopka sta še vedno precej neintuitivna, časovno potratna ter zahtevata visok nivo strokovnega znanja. Bolj intuitiven pristop programiranja robotskih gibov je učenje s kinestetičnim vodenjem, kjer se robota premika po prostoru neposredno z rokami [113, 41]. Sodobni sodelujoči roboti (ang. collaborative robots) omogočajo tovrstno vodenje, bodisi preko vgrajenih senzorjev, ki zaznavajo silo s katero človek deluje nanj (admitančno vodenje) ali pa z vodenjem preko dinamičnega modela [48, 49]. Med vodenjem robota po želeni trajektoriji zajemamo podatke kot so npr. koti v sklepih, hitrosti, pospeški, kontaktne sile, itd. Tako zajete trajektorije je potrebno zapisati v parametrični obliki, saj s tem dosežemo bolj kompakten opis, možnost enostavnega prilagajanja in možnost uporabe metod strojnega učenja. Ena od možnosti je zapis trajektorije kot dinamičen elementarni gib, ang. Dynamic Movement Primitives - DMP [51]. To je sistem nelinearnih diferencialnih enačb, ki zagotavlja gladko sledenje naučeni robotski trajektoriji od za- četne do končne lege. Dinamični elementarni gibi so primerni za zapis tako diskretnih kot periodičnih gibov, za učenje robotskih operacij v stiku z okolico, razvrščanje gibov in statistično učenje [50]. Statistično učenje se uporablja takrat, ko pričakujemo manjše spremembe v zadani nalogi in lahko v naprej predvidimo, znotraj katerega območja se bodo spremembe dogajale. Za uporabo statističnih metod moramo zajeti večje število uspešno izvedenih vzorčnih izvedb naloge. Z naborom vzorčnih trajektorij lahko na to generiramo nove trajektorije. Uspešnost statističnega učenja pa je seveda odvisna od baze naučenih gibov. Če se hitrosti demonstriranih trajektorij v bazi med seboj zelo razlikujejo, bodo na časovni osi pozicijski deli trajektorije med seboj zelo različni. To pa ima nezaželen vpliv na rezultat statističnega učenja. Metode za časovno poravnavo trajektorij zajetih med človeškimi demonstracijami so bile že uporabljene v te namene [68, 67]. Drugi avtorji so obravnavali časovno raztezanje dinamičnih elementarnih gibov [71, 72]. Naš pristop k reševanju te problematike pa temelji na ločitvi prostorske in časovne komponente zapisanih gibov in njihovi ločeni obravnavi. Namen disertacije je predstavitev razvitih tehnologij in metod, za hitro postavitev prilagodljivih robotskih celic. V nadaljevanju bomo najprej predstavili primer prilagodljive celice. Med njeno izdelavo in načrtovanjem smo razvili inovativne tehnične koncepte in rešitve, ki omogočajo njeno hitro postavitev in prilagoditev [73, 74]. Razvili smo tudi metodo za optimizacijo postavitve prej omenjenih pasivnih prilagodljivih vpenjal tako, da omogočamo vpetje različnih obdelovancev in robotsko podprto rekonfiguracijo [75]. Da bi dodatno izboljšali ter pohitrili učenje robotskih gibov in posledi čno skrajšali čas programiranja robota, smo razvili metodo statističnega učenja, ki temelji na dinamičnih elementarnih gibih po naravnem parametru [76]. Prednost predlagane metode je, da sta prostorski ter časovni potek trajektorije ločeno zapisana, kar ima pozitiven učinek tako na statistično učenje ter razpoznavanje gibov