ในโรงงานอุตสาหกรรม มีงานไม่กี่อย่างที่ต่อต้านระบบอัตโนมัติอย่างดื้อดึงเท่ากับการเอื้อมมือเข้าไปในถังที่เต็มไปด้วยชิ้นส่วนที่วางแบบสุ่มแล้วหยิบออกมาหนึ่งชิ้น คนงานมนุษย์ทำสิ่งนี้ได้อย่างง่ายดาย โดยใช้สายตา สัญชาตญาณ และการควบคุมกล้ามเนื้อละเอียดที่สร้างขึ้นจากประสบการณ์หลายปี แต่สำหรับหุ่นยนต์แล้วการหยิบชิ้นส่วนแบบสุ่มจากถังเป็นตัวแทนหนึ่งในความท้าทายทางเทคนิคที่ยากที่สุดในระบบอัตโนมัติทางอุตสาหกรรม ซึ่งต้องการการผสานอย่างแม่นยำของการมองเห็นสามมิติ (3D vision) การประมาณท่าทาง (pose estimation) และการวางแผนเส้นทางอัจฉริยะ (intelligent path planning) เพื่อให้ทำงานได้อย่างน่าเชื่อถือที่ความเร็วการผลิต

ในขณะที่ผู้ผลิตผลักดันไปสู่การจัดการวัสดุแบบอัตโนมัติเต็มรูปแบบและการเปลี่ยนแปลงโรงงานดิจิทัล การหยิบชิ้นส่วนแบบสุ่มจากถังได้เปลี่ยนจากเทคโนโลยีในห้องปฏิบัติการทดลองมาเป็นโซลูชันที่สามารถปรับใช้และขยายขนาดได้ เมื่อรวมกับหุ่นยนต์เคลื่อนที่อัตโนมัติและระบบคลังสินค้าอัจฉริยะ มันจะกลายเป็นความสามารถหลักสำหรับระบบอัตโนมัติด้านโลจิสติกส์แบบครบวงจร บทความนี้จะแจกแจงว่าแต่ละชั้นทางเทคนิค—การมองเห็น การประมาณท่าทาง และการวางแผนเส้นทาง—มีส่วนร่วมอย่างไรในระบบการหยิบชิ้นส่วนจากถังที่ใช้งานได้จริง และระบบเหล่านี้เข้ากับระบบนิเวศที่กว้างขึ้นของหุ่นยนต์อุตสาหกรรมอย่างไร

การหยิบชิ้นส่วนแบบสุ่มจากถังคืออะไร?

การหยิบชิ้นส่วนแบบสุ่มจากถังหมายถึงกระบวนการหุ่นยนต์ในการระบุ จับ และดึงวัตถุแต่ละชิ้นออกจากภาชนะที่สิ่งของถูกกองไว้โดยไม่มีการจัดเรียงที่กำหนดไว้ล่วงหน้า แตกต่างจากการหยิบแบบมีโครงสร้าง—ซึ่งชิ้นส่วนมาถึงบนสายพานในทิศทางที่คงที่—การหยิบชิ้นส่วนแบบสุ่มจากถังต้องจัดการกับวัตถุที่ซ้อนทับ ซ่อนบางส่วน หมุนในมุมตามอำเภอใจ และซ้อนกันในระดับความลึกที่คาดเดาไม่ได้ ระบบไม่สามารถสันนิษฐานความรู้ล่วงหน้าเกี่ยวกับตำแหน่งของวัตถุได้ มันต้องค้นพบข้อมูลนั้นใหม่ทุกครั้งในแต่ละรอบ

ความสามารถนี้มีความสำคัญในการประกอบชิ้นส่วนยานยนต์ การผลิตอิเล็กทรอนิกส์ การแปรรูปอาหาร และการปฏิบัติตามคำสั่งซื้อในคลังสินค้า ซึ่งการป้อนชิ้นส่วนด้วยตนเองมีค่าใช้จ่ายสูงและมีแนวโน้มผิดพลาด ความน่าสนใจนั้นชัดเจน: เซลล์การหยิบชิ้นส่วนจากถังที่ใช้งานได้ดีสามารถทำงานได้ 24 ชั่วโมงต่อวันด้วยความแม่นยำสม่ำเสมอ ขจัดความเหนื่อยล้าและความแปรปรวนของคนหยิบ แต่การบรรลุความสม่ำเสมอนั้นต้องการระบบย่อยที่รวมกันอย่างลึกซึ้งสามระบบทำงานประสานกัน—การมองเห็น การประมาณท่าทาง และการวางแผนเส้นทาง

บทบาทของระบบการมองเห็นสามมิติ

กระบวนการเริ่มต้นด้วยการรับรู้ ระบบการหยิบชิ้นส่วนแบบสุ่มจากถังจำเป็นต้องมองเห็นเนื้อหาในถังในสามมิติ ไม่ใช่แค่จับภาพ 2D แบนๆ กล้องมาตรฐานไม่สามารถระบุความลึกได้อย่างน่าเชื่อถือ ทำให้ไม่สามารถรู้ได้ว่าชิ้นส่วนวางอยู่บนกองหรือฝังอยู่ใต้วัตถุอื่น ด้วยเหตุนี้ ระบบการหยิบชิ้นส่วนจากถังสมัยใหม่จึงพึ่งพาเซนเซอร์การมองเห็นสามมิติ เช่น กล้องโครงสร้างแสง เซนเซอร์เวลาเดินทาง หรือชุดการมองเห็นสเตอริโอที่สร้างกลุ่มจุดหนาแน่นของเนื้อหาในถัง

กลุ่มจุดโดยพื้นฐานแล้วคือแผนที่สามมิติของฉาก โดยแต่ละจุดข้อมูลมีข้อมูลพิกัด X, Y และ Z จากแผนที่นี้ ระบบการมองเห็นจะแบ่งส่วนวัตถุแต่ละชิ้นออกจากมวลของชิ้นส่วน ระบุเป้าหมายการจับที่เป็นไปได้ และกำหนดว่าสิ่งใดสามารถเข้าถึงได้โดยไม่มีความเสี่ยงในการชน คุณภาพและความละเอียดของกลุ่มจุดนี้ส่งผลโดยตรงต่อทุกสิ่งที่ตามมา—ข้อมูลความลึกที่ไม่ดีนำไปสู่การประมาณท่าทางที่ไม่แม่นยำและความพยายามในการหยิบที่ล้มเหลว ระบบประสิทธิภาพสูงรวมการตรวจจับหลายรูปแบบหรือใช้รูปแบบแสงโครงสร้างแบบหลายช็อตเพื่อเติมเต็มบริเวณเงาและลดสัญญาณรบกวน โดยเฉพาะเมื่อ dealing กับชิ้นส่วนมันวาวหรือสีเข้มที่ท้าทายทางแสง

การเรียนรู้เชิงลึกได้พัฒนาชั้นการมองเห็นอย่างมีนัยสำคัญในช่วงหลายปีที่ผ่านมา โครงข่ายประสาทเทียมแบบคอนโวลูชันที่ฝึกบนชุดข้อมูลสังเคราะห์หรือข้อมูลจริงสามารถจดจำวัตถุภายใต้การบดบังอย่างหนัก แยกแยะระหว่างชิ้นส่วนที่คล้ายกันทางสายตา และแม้แต่สรุปทั่วไปไปยังการกำหนดค่าวัตถุที่ไม่เคยเห็น การเปลี่ยนแปลงจากการจับคู่ทางเรขาคณิตล้วนๆ ไปสู่การจดจำคุณลักษณะที่เรียนรู้ได้ทำให้ระบบการหยิบชิ้นส่วนจากถังมีความทนทานมากขึ้นอย่างมากในผลิตภัณฑ์หลากหลายประเภทและรูปทรงของถัง

การประมาณท่าทาง: การระบุตำแหน่งและทิศทางของวัตถุ

เมื่อระบบการมองเห็นสร้างกลุ่มจุดและระบุวัตถุที่เป็นตัวเลือกแล้ว ความท้าทายถัดไปคือการกำหนดท่าทาง 6 องศาอิสระของแต่ละชิ้น—ตำแหน่งในปริภูมิสามมิติ (X, Y, Z) และการวางแนวที่แสดงเป็นมุมหมุนสามมุม (ม้วน เงย หัน) นี่คือสิ่งที่การประมาณท่าทางแก้ไข หากไม่มีข้อมูลท่าทางที่แม่นยำ แขนหุ่นยนต์ก็ไม่มีพื้นฐานที่เชื่อถือได้ในการคำนวณว่าควรวางกริปเปอร์ที่ตำแหน่งใดหรือเข้าใกล้ชิ้นส่วนในมุมใด

เทคนิคการประมาณท่าทางแบ่งออกเป็นสองประเภทกว้างๆวิธีการแบบใช้โมเดลเปรียบเทียบกลุ่มจุดหรือภาพที่สังเกตได้กับโมเดล CAD สามมิติที่สร้างไว้ล่วงหน้าของวัตถุเป้าหมาย ค้นหาการจัดเรียงทางเรขาคณิตที่ดีที่สุดผ่านอัลกอริทึมเช่น Iterative Closest Point (ICP) หรือการจับคู่แม่แบบในพื้นที่คุณลักษณะ วิธีการเหล่านี้แม่นยำสูงสำหรับชิ้นส่วนแข็งที่รู้จัก แต่ต้องใช้โมเดลที่มีรายละเอียดสำหรับทุกประเภทวัตถุในระบบวิธีการแบบไม่มีโมเดลหรือแบบเรียนรู้ในทางตรงกันข้าม ใช้โครงข่ายประสาทเทียมทำนายท่าทางโดยตรงจากข้อมูลเซนเซอร์โดยไม่ต้องใช้เรขาคณิต CAD ที่ชัดเจน ทำให้มีความยืดหยุ่นมากขึ้นสำหรับสภาพแวดล้อมที่มีชิ้นส่วนหลากหลายหรือเปลี่ยนแปลงบ่อย

ในทางปฏิบัติ ระบบการผลิตจำนวนมากใช้แนวทางแบบผสมผสาน: โมเดลการเรียนรู้เชิงลึกให้สมมติฐานท่าทางเริ่มต้นคร่าวๆ จากนั้นปรับแต่งโดยใช้ขั้นตอนการจัดเรียงแบบ ICP ทางเรขาคณิตเพื่อความแม่นยำระดับมิลลิเมตร ผลลัพธ์—เมทริกซ์การแปลงที่แม่นยำซึ่งอธิบายตำแหน่งของวัตถุในกรอบพิกัดของหุ่นยนต์—จะถูกส่งต่อไปยังระบบการวางแผนเส้นทาง ทั้งวงจรการตรวจจับและประมาณต้องเสร็จสิ้นภายในเศษเสี้ยววินาทีเพื่อให้ทันกับข้อกำหนดปริมาณงานการผลิต

การวางแผนเส้นทาง: จาการตรวจจับไปสู่การจับ

ด้วยท่าทางของวัตถุที่ยืนยันแล้ว ระบบต้องคำนวณว่าแขนหุ่นยนต์ควรเคลื่อนที่อย่างไรเพื่อไปถึงเป้าหมาย จับมันอย่างปลอดภัย และดึงมันออกจากถังโดยไม่ชนผนังถัง ชิ้นส่วนข้างเคียง หรืออุปสรรคอื่นใด นี่คือโดเมนของการวางแผนเส้นทางการเคลื่อนที่และในสภาพแวดล้อมที่จำกัดและรกของถัง มันซับซ้อนกว่าการขยับแขนจากจุด A ไปยังจุด B มาก

ตัววางแผนเส้นทางสำหรับการหยิบชิ้นส่วนจากถังทำงานในพื้นที่การกำหนดค่า—ปริภูมิหลายมิติของชุดค่าผสมมุมข้อต่อที่เป็นไปได้ทั้งหมดสำหรับแขนหุ่นยนต์ แทนที่จะวางแผนวิถีคาร์ทีเซียนตรง พวกเขาค้นหาผ่านพื้นที่การกำหนดค่าสำหรับลำดับตำแหน่งข้อต่อที่ไม่มีการชน ซึ่งนำกริปเปอร์จากท่าทางปัจจุบันไปยังท่าทางการจับเป้าหมาย ตัววางแผนแบบสุ่มตัวอย่างเช่น RRT (Rapidly-exploring Random Trees) และ PRM (Probabilistic Roadmap Methods) มักถูกใช้เพราะจัดการพื้นที่มิติสูงและรูปทรงอุปสรรคที่ซับซ้อนได้อย่างมีประสิทธิภาพ

ปัญหาย่อยที่สำคัญในกระบวนการนี้คือการเลือกท่าทางการจับ—ไม่เพียงแต่เลือกว่าวัตถุใดจะหยิบ แต่เลือกจุดสัมผัสเฉพาะและทิศทางของกริปเปอร์ที่จะให้การจับที่มั่นคงและเชื่อถือได้ ระบบประเมินตัวเลือกการจับหลายตัวที่จัดอันดับตามความเข้าถึง คะแนนความมั่นคง และความเสี่ยงในการชน จากนั้นเลือกอันที่มีแนวโน้มสำเร็จมากที่สุด หากความพยายามจับครั้งแรกล้มเหลว ระบบจะกู้คืนอย่างสง่างาม: สแกนถังใหม่ อัปเดตความเข้าใจเกี่ยวกับฉาก และวางแผนวิธีการใหม่ พฤติกรรมการกู้คืนแบบวงปิดนี้คือสิ่งที่แยกระบบการหยิบชิ้นส่วนจากถังที่พร้อมผลิตออกจากต้นแบบในห้องปฏิบัติการ

การผสานการหยิบชิ้นส่วนจากถังกับหุ่นยนต์เคลื่อนที่

แขนหุ่นยนต์ที่สามารถหยิบจากถังได้นั้นทรงพลังในตัวเอง แต่ผลกระทบทวีคูณเมื่อรวมเข้ากับการไหลของวัสดุอัตโนมัติที่กว้างขึ้น ในโรงงานอัจฉริยะและคลังสินค้าสมัยใหม่ เซลล์การหยิบชิ้นส่วนจากถังถูกจับคู่มากขึ้นกับหุ่นยนต์เคลื่อนที่อัตโนมัติ (AMRs)ที่จัดการการเคลื่อนที่ของวัสดุทั้งต้นน้ำและปลายน้ำ—ส่งถังที่เต็มไปยังสถานีหยิบ และขนส่งชิ้นส่วนที่จัดเรียงหรือประกอบแล้วไปยังขั้นตอนกระบวนการถัดไป

กลุ่มผลิตภัณฑ์แพลตฟอร์มเคลื่อนที่อัตโนมัติของ Reeman เหมาะอย่างยิ่งที่จะทำหน้าที่นี้หุ่นยนต์ขนส่งแฝง IronBovตัวอย่างเช่น สามารถเรียกและส่งถังด้วยตนเองข้ามพื้นที่คลังสินค้า ประสานงานกับสถานีหยิบคงที่เพื่อให้ขั้นตอนการทำงานดำเนินต่อไปโดยไม่ต้องมีการแทรกแซงของมนุษย์ ในทำนองเดียวกันรถยกอัตโนมัติ Ironhideสามารถจัดการโลจิสติกส์ที่หนักกว่าในการย้ายถังพาเลทเต็มหรือภาชนะเทกองไปยังตำแหน่งป้อน เชื่อมช่องว่างระหว่างการจัดเก็บขนาดใหญ่และการจัดการละเอียดที่เซลล์การหยิบ

การเชื่อมต่อระหว่างฝูง AMR และระบบการหยิบชิ้นส่วนจากถังถูกจัดการผ่านแพลตฟอร์มการจัดการคลังสินค้าหรือการจัดการฝูงบินกลางที่ประสานงานการกำหนดภารกิจ การวางแผนเส้นทาง และการครอบครองสถานี ชั้นการประสานนี้ทำให้แน่ใจว่าสถานีหยิบไม่ขาดชิ้นส่วน และผลผลิตที่เสร็จแล้วจะถูกรวบรวมอย่างทันท่วงที รักษาปริมาณงานที่เพิ่มขึ้นซึ่งการหยิบด้วยหุ่นยนต์มอบให้ แพลตฟอร์มหุ่นยนต์ของ Reeman ออกแบบโดยคำนึงถึงการบูรณาการแบบเปิด ทำให้เข้ากันได้กับสถาปัตยกรรมระบบอัตโนมัติแบบหลายระบบที่ขั้นตอนการทำงานการหยิบชิ้นส่วนจากถังแบบครบวงจรต้องการ

ความท้าทายทั่วไปและวิธีการที่ระบบสมัยใหม่แก้ไข

แม้จะมีความก้าวหน้าที่น่าประทับใจ การหยิบชิ้นส่วนแบบสุ่มจากถังยังคงนำเสนอความท้าทายทางวิศวกรรมที่ต้องการการออกแบบระบบอย่างรอบคอบ การทำความเข้าใจความท้าทายเหล่านี้—และเทคนิคที่ใช้ในการจัดการ—ช่วยให้ทีมปฏิบัติการตั้งความคาดหวังที่สมจริงและตัดสินใจปรับใช้อย่างมีข้อมูล

ชิ้นส่วนสะท้อนแสงและโปร่งใสกระจายหรือส่งผ่านแสงโครงสร้างในลักษณะที่สร้างช่องว่างและสัญญาณรบกวนในข้อมูลกลุ่มจุด วิธีแก้ไขรวมถึงแสงโพลาไรซ์ การตรวจจับหลายความยาวคลื่น หรือการเคลือบผิวด้านชั่วคราวกับชิ้นส่วนระหว่างการจับภาพความคล้ายคลึงของชิ้นส่วนสูง—ซึ่งส่วนประกอบที่เหมือนกันจำนวนมากอัดแน่นด้วยกัน—ท้าทายตัวประมาณท่าทางที่พึ่งพาเรขาคณิตท้องถิ่นที่โดดเด่น โมเดลการเรียนรู้เชิงลึกที่ฝึกบนชุดข้อมูลสังเคราะห์ขนาดใหญ่ทำงานได้ดีกว่าในเงื่อนไขเหล่านี้เพราะพวกเขาเรียนรู้บริบทรูปร่างโดยรวมแทนที่จะพึ่งพาคุณลักษณะพื้นผิวท้องถิ่นเพียงอย่างเดียว

ผลกระทบจากขอบถังเกิดขึ้นเมื่อชิ้นส่วนใกล้ผนังถูกบดบังบางส่วนหรือเมื่อเซนเซอร์ไม่สามารถจับข้อมูลความลึกที่แม่นยำในมุม ระบบขั้นสูงแก้ไขนี้โดยใช้มุมมองกล้องหลายมุม หรือโดยการโปรแกรมให้หุ่นยนต์ปรับตำแหน่งกล้องเป็นครั้งคราวเพื่อมุมมองใหม่บนพื้นที่ยากอัตราความล้มเหลวในการจับเป็นอีกหนึ่งข้อกังวลในโลกแห่งความเป็นจริง—ไม่มีระบบใดที่ประสบความสำเร็จ 100% ในครั้งแรก ระบบระดับการผลิตชดเชยด้วยรอบการวางแผนใหม่ที่รวดเร็ว การตรวจจับแรงบิดในกริปเปอร์เพื่อตรวจจับการลื่น และการตรวจสอบทางสถิติที่แจ้งปัญหาที่เป็นระบบเพื่อให้มนุษย์ตรวจสอบ

การประยุกต์ใช้ในอุตสาหกรรมของการหยิบชิ้นส่วนแบบสุ่มจากถัง

อุตสาหกรรมที่ปรับใช้การหยิบชิ้นส่วนแบบสุ่มจากถังในปัจจุบันครอบคลุมบริบทการผลิตและโลจิสติกส์ที่หลากหลาย แต่ละแห่งมีข้อกำหนดที่แตกต่างกันสำหรับความเร็ว ความแม่นยำ และความหลากหลายของชิ้นส่วน

• การผลิตยานยนต์:สลักเกลียว ขายึด และชิ้นส่วนโลหะปั๊มขึ้นรูปมาถึงในถังจำนวนมากและต้องถูกป้อนไปยังสายการประกอบด้วยความเร็วสูง การหยิบชิ้นส่วนจากถังช่วยขจัดเครื่องป้อนชามแบบแมนนวลและเครื่องคัดแยกแบบสั่นสำหรับชิ้นส่วนหลายประเภท
• การประกอบอิเล็กทรอนิกส์:ชิ้นส่วน PCB ขั้วต่อ และตัวเรือนถูกหยิบจากถังและวางบนฟิกซ์เจอร์หรือสายพานเพื่อการประมวลผลเพิ่มเติม ต้องการความแม่นยำตำแหน่งสูง
• อาหารและเครื่องดื่ม:ผลิตผลที่มีรูปร่างไม่สม่ำเสมอ สินค้าบรรจุหีบห่อ หรือสินค้าอบ ต้องใช้กริปเปอร์ที่นุ่มนวลและระบบการมองเห็นที่จัดการวัตถุที่เปลี่ยนรูปได้—หนึ่งในความท้าทายชายแดนในสาขานี้
• เภสัชกรรมและอุปกรณ์การแพทย์:ข้อกำหนดการตรวจสอบย้อนกลับและการควบคุมการปนเปื้อนที่เข้มงวดกำหนดรูปแบบการออกแบบระบบ โดยระบบการมองเห็นมักทำหน้าที่สองอย่างเป็นเครื่องมือตรวจสอบคุณภาพในระหว่างรอบการหยิบ
• การปฏิบัติตามคำสั่งซื้ออีคอมเมิร์ซ:ความหลากหลายของ SKU สูงและการหมุนเวียนคำสั่งซื้อที่รวดเร็วทำให้การหยิบชิ้นส่วนจากถังน่าสนใจสำหรับระบบ goods-to-person ที่แขนหุ่นยนต์หยิบจากถังและวางสิ่งของลงในถังขาออก

ในคลังสินค้าและการปฏิบัติตามคำสั่งซื้อโดยเฉพาะ เซลล์การหยิบชิ้นส่วนจากถังจับคู่ตามธรรมชาติกับสถาปัตยกรรม goods-to-person ที่ใช้ AMR แพลตฟอร์มอย่างรถยกอัตโนมัติ Rhinocerosสามารถย้ายหน่วยเก็บของหนักเข้าที่ ในขณะที่หุ่นยนต์ขนส่งที่เบากว่าจัดการการขนถังในระดับสถานีทำงาน ผลลัพธ์คือระบบอัตโนมัติแบบชั้นที่ทุกจุดเชื่อมต่อในการไหลของวัสดุ—จากการจัดเก็บจำนวนมากไปจนถึงการหยิบแบบละเอียด—ทำงานอัตโนมัติและประสานงานกัน

บทสรุป

การหยิบชิ้นส่วนแบบสุ่มจากถังแสดงถึงการบรรจบกันของเทคโนโลยีที่ซับซ้อนที่สุดบางส่วนในหุ่นยนต์สมัยใหม่: การตรวจจับสามมิติอย่างหนาแน่น การประมาณท่าทางแบบเรียลไทม์ และการวางแผนเส้นทางที่รับรู้การชน—ทั้งหมดดำเนินการในวงปิดที่ความเร็วการผลิต สิ่งที่เคยถูกมองว่ายากเกินไปสำหรับการปรับใช้ที่เชื่อถือได้ตอนนี้กลายเป็นความจริงทางอุตสาหกรรม ขับเคลื่อนโดยความก้าวหน้าในการเรียนรู้เชิงลึก ฮาร์ดแวร์เซนเซอร์ และอัลกอริทึมการวางแผนการเคลื่อนที่ ที่ร่วมกันทำให้หุ่นยนต์สามารถจัดการกับสภาพแวดล้อมที่ไร้โครงสร้างและยุ่งเหยิงซึ่งมือมนุษย์เคยนำทางได้อย่างเป็นธรรมชาติ

คุณค่าที่สมบูรณ์ของการหยิบชิ้นส่วนจากถังเกิดขึ้นเมื่อมันถูกฝังอยู่ในระบบนิเวศการจัดการวัสดุอัตโนมัติที่กว้างขึ้น เมื่อแขนหุ่นยนต์ทำงานสอดประสานกับหุ่นยนต์เคลื่อนที่อัตโนมัติและการจัดการฝูงบินอัจฉริยะ โรงงานและคลังสินค้าสามารถบรรลุระบบอัตโนมัติแบบครบวงจรอย่างแท้จริง—จากการจัดเก็บชิ้นส่วนดิบไปจนถึงการจัดส่งสินค้าสำเร็จรูป—ด้วยการแทรกแซงด้วยตนเองน้อยที่สุด เมื่อระบบการหยิบเร็วขึ้น ยืดหยุ่นขึ้น และปรับใช้งานง่ายขึ้น บทบาทของพวกเขาในโรงงานดิจิทัลจะยิ่งเป็นศูนย์กลางมากขึ้นเท่านั้น