Azken urteotan, robotikaren alorrak aurrerapen handia egin du ingurune ezberdinetako objektuak atzematea, manipulatzea eta ezagutzea bezalako zeregin konplexuak egiteko gai diren makina adimentsuak garatzen. Arreta handia lortu duen ikerketa-arlo bat 3D ikusizko ordenatu gabeko atzemate-sistemak dira. Sistema hauek forma, tamaina eta ehundura ezberdineko objektuak egiturarik gabeko ingurune batean jasotzen ikastea dute helburu. Artikulu honetan, 3D ikusizko ordenatu gabeko eusteko sistema eraginkorra garatzeko konfigurazio-puntuak aztertuko ditugu.
1. Sakonera sentsoreak
Konfigurazio-puntua lehen eta kritikoena a3D ikusizko harrapatzeko sistemasakonera sentsoreak dira. Sakontasun-sentsoreak sentsorearen eta hautematen den objektuaren arteko distantzia jasotzen duten gailuak dira, informazio espaziala zehatza eta zehatza emanez. Merkatuan hainbat sakonera sentsore mota daude eskuragarri, LIDAR eta kamera estereoa barne.
LIDAR distantzia neurtzeko laser teknologia erabiltzen duen beste sakonera sentsore ezagun bat da. Laser pultsuak bidaltzen ditu eta laserrak hautematen den objektutik itzultzeko behar duen denbora neurtzen du. LIDAR-ek objektuaren 3D bereizmen handiko irudiak eman ditzake, eta aproposa da mapak, nabigazioa eta atzematea bezalako aplikazioetarako.
Estereo kamerak beste sakonera-sentsore mota bat dira, eta 3D informazioa jasotzen dute bata bestearen ondoan jarritako bi kamera erabiliz. Kamera bakoitzak ateratako irudiak alderatuz, sistemak kameren eta hautematen den objektuaren arteko distantzia kalkula dezake. Estereo-kamerak arinak, merkeak eta erabiltzeko errazak dira, robot mugikorrentzako aukera ezaguna bihurtuz.
2. Objektuak ezagutzeko algoritmoak
3D ikusizko eusteko sistema baten bigarren konfigurazio puntu kritikoa objektuak ezagutzeko algoritmoak dira. Algoritmo hauei esker, sistemak objektu desberdinak identifikatu eta sailkatzen ditu, haien forma, tamaina eta ehunduraren arabera. Objektuak ezagutzeko hainbat algoritmo daude eskuragarri, besteak beste, puntu-hodeiaren prozesamendua, gainazalaren parekatzea, ezaugarrien bat etortzea eta ikaskuntza sakona.
Puntu-hodeiaren prozesamendua objektuak ezagutzeko algoritmo ezagun bat da, sakontasun-sentsoreak atzemandako 3D datuak puntu-hodei batean bihurtzen dituena. Ondoren, sistemak puntu-hodeia aztertzen du hautematen den objektuaren forma eta tamaina identifikatzeko. Gainazalaren parekatzea beste algoritmo bat da, hautematen den objektuaren 3D eredua aurrez ezagutzen diren objektuen liburutegi batekin alderatzen duena, objektuaren identitatea identifikatzeko.
Ezaugarrien bat etortzea hautematen den objektuaren funtsezko ezaugarriak identifikatzen dituen beste algoritmo bat da, hala nola ertzak, ertzak eta kurbak, eta aurrez ezagutzen diren objektuen datu-base batekin lotzen dituena. Azkenik, deep learning objektuak ezagutzeko algoritmoen azken garapena da, eta neurona-sareak objektuak ikasteko eta ezagutzeko erabiltzen ditu. Ikaskuntza sakoneko algoritmoek objektuak zehaztasun eta abiadura handiz antzeman ditzakete, eta denbora errealeko aplikazioetarako aproposa da, hala nola, atzematea.
3. Harrapatzeko algoritmoak
Hirugarren konfigurazio puntu kritikoa a3D ikusizko harrapatzeko sistemaatzemateko algoritmoak da. Grasping algoritmoak robotari hautematen den objektua jaso eta manipulatzeko aukera ematen dioten programak dira. Hainbat motatako atzemateko algoritmoak daude eskuragarri, besteak beste, atzemateko plangintzako algoritmoak, atzemateko sorrerako algoritmoak eta indarrak banatzeko algoritmoak.
Grasp plangintza-algoritmoek hautematen den objektuaren atzematen zerrenda bat sortzen dute haren forma eta tamainaren arabera. Ondoren, sistemak atzemate bakoitzaren egonkortasuna ebaluatzen du eta egonkorrena hautatzen du. Grasp sortzeko algoritmoek ikaskuntza sakoneko teknikak erabiltzen dituzte objektu desberdinak nola atzematen eta atzemateak sortzen ikasteko, planifikazio esplizitu beharrik gabe.
Indarrak banatzeko algoritmoak harrapatzeko indar optimoa zehazteko objektuaren pisua eta banaketa kontuan hartzen dituen beste algoritmo mota bat dira. Algoritmo hauek robotak objektu astunak eta pisutsuak ere jaso ditzakeela bermatu dezakete, erori gabe.
4. Harrapak
3D ikusizko eusteko sistema baten azken konfigurazio puntu kritikoa harrapaketa da. Grip-a hautematen den objektua jaso eta manipulatzen duen esku robotikoa da. Hainbat motatako harrapaketa daude eskuragarri, masailezur paraleloak, hiru hatzetakoak eta xurgagailuak barne.
Masailezur paraleloen harrapaketa bi masailezur paraleloz osatuta daude, elkarrengana mugitzen direnak objektuari eusteko. Sinpleak eta fidagarriak dira, hautatzeko eta kokatzeko eragiketak bezalako aplikazioetarako aukera ezaguna egiten dutenak. Hiru hatzdun harrapaketa polifazetikoagoak dira eta forma eta tamaina ezberdinetako objektuak har ditzakete. Objektua biratu eta manipulatu ere egin dezakete, muntaketa eta manipulazio lanetarako aproposa bihurtuz.
Xurgagailuek hutseko bentosak erabiltzen dituzte hautematen den objektuari lotzeko eta jasotzeko. Aproposak dira gainazal leunak dituzten objektuak maneiatzeko, hala nola beira, plastikoa eta metala.
Bukatzeko, a3D ikusizko ordenatu gabeko harrapatzeko sistemasistemaren konfigurazio-puntuak arretaz kontuan hartzea eskatzen du. Besteak beste, sakonera-sentsoreak, objektuak ezagutzeko algoritmoak, harrapatzeko algoritmoak eta harrapaketa. Konfigurazio-puntu horietako bakoitzerako osagai egokienak hautatuz, ikertzaileek eta ingeniariek atzemate-sistema eraginkor eta eraginkorrak garatu ditzakete, egiturarik gabeko inguruneetan hainbat objektu kudeatu ditzaketenak. Sistema hauen garapenak potentzial handia du hainbat industriaren eraginkortasuna eta produktibitatea hobetzeko, hala nola, manufaktura, logistika eta osasungintza.
Argitalpenaren ordua: 2024-09-18
