Dalam beberapa tahun terakhir, bidang robotika telah membuat kemajuan signifikan dalam mengembangkan mesin cerdas yang mampu melakukan tugas-tugas kompleks seperti menggenggam, memanipulasi, dan mengenali objek di lingkungan berbeda. Salah satu bidang penelitian yang mendapat banyak perhatian adalah sistem pemahaman visual 3D yang tidak teratur. Sistem ini bertujuan untuk mempelajari cara mengambil objek dengan berbagai bentuk, ukuran, dan tekstur dalam lingkungan yang tidak terstruktur. Pada artikel ini, kita akan mengeksplorasi poin konfigurasi utama untuk mengembangkan sistem genggaman visual 3D yang efisien.
1. Sensor kedalaman
Titik konfigurasi pertama dan paling penting untuk aSistem pemahaman visual 3Dadalah sensor kedalaman. Sensor kedalaman adalah perangkat yang menangkap jarak antara sensor dan objek yang diindera, sehingga memberikan informasi spasial yang akurat dan detail. Ada berbagai jenis sensor kedalaman yang tersedia di pasaran, antara lain LIDAR, dan kamera stereo.
LIDAR adalah sensor kedalaman populer lainnya yang menggunakan teknologi laser untuk mengukur jarak. Ini mengirimkan pulsa laser dan mengukur waktu yang diperlukan laser untuk memantul kembali dari objek yang dirasakan. LIDAR dapat memberikan gambar 3D suatu objek dengan resolusi tinggi, sehingga ideal untuk aplikasi seperti pemetaan, navigasi, dan genggaman.
Kamera stereo adalah jenis sensor kedalaman lain yang menangkap informasi 3D menggunakan dua kamera yang ditempatkan bersebelahan. Dengan membandingkan gambar yang diambil oleh masing-masing kamera, sistem dapat menghitung jarak antara kamera dan objek yang diindera. Kamera stereo ringan, terjangkau, dan mudah digunakan, menjadikannya pilihan populer untuk robot bergerak.
Titik konfigurasi penting kedua untuk sistem pemahaman visual 3D adalah algoritma pengenalan objek. Algoritme ini memungkinkan sistem untuk mengidentifikasi dan mengklasifikasikan berbagai objek berdasarkan bentuk, ukuran, dan teksturnya. Ada beberapa algoritma pengenalan objek yang tersedia, termasuk pemrosesan titik cloud, pencocokan permukaan, pencocokan fitur, dan pembelajaran mendalam.
Pemrosesan point cloud adalah algoritma pengenalan objek populer yang mengubah data 3D yang ditangkap oleh sensor kedalaman menjadi point cloud. Sistem kemudian menganalisis point cloud untuk mengidentifikasi bentuk dan ukuran objek yang dirasakan. Pencocokan permukaan adalah algoritma lain yang membandingkan model 3D dari objek yang dirasakan dengan perpustakaan objek yang diketahui sebelumnya untuk mengidentifikasi identitas objek.
Pencocokan fitur adalah algoritma lain yang mengidentifikasi fitur-fitur utama dari objek yang dirasakan, seperti sudut, tepi, dan kurva, dan mencocokkannya dengan database objek yang diketahui sebelumnya. Terakhir, pembelajaran mendalam adalah perkembangan terkini dalam algoritma pengenalan objek yang menggunakan jaringan saraf untuk mempelajari dan mengenali objek. Algoritme pembelajaran mendalam dapat mengenali objek dengan akurasi dan kecepatan tinggi, menjadikannya ideal untuk aplikasi waktu nyata seperti menggenggam.
3. Memahami algoritma
Titik konfigurasi kritis ketiga untuk aSistem pemahaman visual 3Dadalah algoritma pemahaman. Algoritme penggenggam adalah program yang memungkinkan robot mengambil dan memanipulasi objek yang diindera. Ada beberapa jenis algoritma genggaman yang tersedia, antara lain algoritma perencanaan genggaman, algoritma pembangkitan genggaman, dan algoritma distribusi gaya.
Algoritme perencanaan genggaman menghasilkan daftar calon genggaman untuk objek yang dirasakan berdasarkan bentuk dan ukurannya. Sistem kemudian mengevaluasi stabilitas setiap genggaman dan memilih yang paling stabil. Algoritme pembangkitan genggaman menggunakan teknik pembelajaran mendalam untuk mempelajari cara menangkap objek yang berbeda dan menghasilkan genggaman tanpa memerlukan perencanaan eksplisit.
Algoritme distribusi gaya adalah jenis algoritma genggaman lain yang memperhitungkan berat dan distribusi benda untuk menentukan gaya genggaman yang optimal. Algoritme ini dapat memastikan bahwa robot dapat mengambil benda berat dan besar sekalipun tanpa menjatuhkannya.
4. Pencengkeram
Titik konfigurasi penting terakhir untuk sistem penangkapan visual 3D adalah gripper. Gripper adalah tangan robot yang mengambil dan memanipulasi objek yang dirasakan. Ada beberapa jenis gripper yang tersedia, antara lain gripper rahang paralel, gripper tiga jari, dan gripper hisap.
Pegangan rahang paralel terdiri dari dua rahang paralel yang bergerak ke arah satu sama lain untuk menggenggam suatu benda. Mereka sederhana dan dapat diandalkan, menjadikannya pilihan populer untuk aplikasi seperti operasi pengambilan dan penempatan. Pegangan tiga jari lebih serbaguna dan dapat menggenggam objek dengan berbagai bentuk dan ukuran. Mereka juga dapat memutar dan memanipulasi objek, menjadikannya ideal untuk tugas perakitan dan manipulasi.
Penggenggam pengisap menggunakan cangkir pengisap vakum untuk menempel pada objek yang diindera dan mengambilnya. Mereka ideal untuk menangani benda dengan permukaan halus seperti kaca, plastik, dan logam.
Kesimpulannya, mengembangkan aSistem menggenggam visual 3D yang tidak teraturmemerlukan pertimbangan yang cermat terhadap poin konfigurasi utama sistem. Ini termasuk sensor kedalaman, algoritma pengenalan objek, algoritma menggenggam, dan grippers. Dengan memilih komponen yang paling sesuai untuk masing-masing titik konfigurasi ini, peneliti dan insinyur dapat mengembangkan sistem genggaman yang efisien dan efektif yang dapat menangani berbagai objek di lingkungan tidak terstruktur. Pengembangan sistem ini mempunyai potensi besar untuk meningkatkan efisiensi dan produktivitas berbagai industri, seperti manufaktur, logistik, dan kesehatan.
Waktu posting: 18 Sep-2024
