02: Visuelle Objekterkennung: eine Tiefenkamera am Handgelenk BionicMobileAssistant Mobiles Robotersystem mit pneumatischer Greifhand Der industrielle Wandel verlangt ein neuartiges Zusammenspiel von Menschen, Maschinen und Daten. Werker und Roboter werden in Zukunft immer mehr und enger zusammenarbeiten. Daher befasst sich Festo intensiv mit Systemen, die den Menschen zum Beispiel bei monotonen oder gefährdenden Tätigkeiten entlasten könnten und gleichzeitig kein Risiko darstellen. Künstliche Intelligenz spielt hierbei eine zentrale Rolle als Enabler. Im Bionic Learning Network, einem Forschungsverbund von Festo mit Hochschulen, Instituten und Entwicklungsfirmen, ist mit dem BionicMobileAssistant ein Robotersystem entstanden, das sich autark im Raum bewegt und Gegenstände erkennen, adaptiv greifen und gemeinsam mit dem Menschen bearbeiten kann. Modulares Assistenzsystem Das gesamte System, das in Kooperation mit der ETH Zürich entwickelt wurde, ist modular aufgebaut und besteht aus drei Subsystemen: einem mobilen Roboter, einem elektrischen Roboterarm und der BionicSoftHand 2.0. Der pneumatische Greifer ist von der menschlichen Hand inspiriert und wurde erstmals 2019 vorgestellt. BionicSoftHand 2.0: nach dem Vorbild der menschlichen Hand Die menschliche Hand ist mit ihrer einzigartigen Kombination von Kraft, Geschicklichkeit und Feinmotorik ein wahres Wunderwerk der Natur. Eine wichtige Rolle spielt dabei der Daumen, der den anderen Fingern gegenüber positioniert ist. Diese so genannte Opponierbarkeit ermöglicht es uns beispielsweise, eine Faust zu ballen, präzise wie eine Pinzette zu greifen und auch filigrane Arbeiten zu erledigen. Pneumatische Kinematik mit 3D-Textilgestrick Damit die BionicSoftHand 2.0 die Bewegungen der menschlichen Hand naturgetreu ausführen kann, sind auf engstem Raum kleinbauende Ventiltechnik, Sensorik, Elektronik und mechanische Komponenten integriert. Die Finger bestehen aus flexiblen Balgstrukturen mit Luftkammern, umhüllt von einem festen und zugleich nachgiebigen Textilgestrick. Dadurch ist die Hand leicht, anpassungsfähig und sensibel, aber dennoch in der Lage, starke Kräfte auszuüben. Auch die Ansteuerung der pneumatischen Finger erfolgt nach wie vor über eine kompakte Ventilinsel mit Piezoventilen, die direkt an der Hand angebracht ist. Weiterentwicklung mit optimiertem Aktionsradius Um den Spielraum von Daumen und Zeigefinger zu erweitern, haben die Entwickler den seitlichen Schwenkbereich beider Finger deutlich vergrößert. Dadurch können sie nun optimal zusammenarbeiten und sehr präzise greifen. Dank eines 3D-gedruckten Handgelenks mit zwei Freiheitsgraden kann sich die Hand außerdem sowohl vor und zurück als auch nach links und nach rechts bewegen. Somit ist auch ein Greifen mit engem Radius möglich. Sensibler Greifer mit Fingerspitzengefühl Für mehr Stabilität in den Fingern sitzen in den Luftkammern nun zwei Strukturelemente, die als Knochen fungieren. Pro Finger bestimmt ein Biegesensor mit je zwei Segmenten die Positionen der Fingerspitzen. Zudem trägt die Hand einen Handschuh mit taktilen Kraftsensoren an den Fingerkuppen, der Handfläche und den Außenseiten der Roboterhand. So kann sie die Beschaffenheiten des Greifguts fühlen und ihre Greifkraft – genau wie wir Menschen – an den jeweiligen Gegenstand anpassen. Zusätzlich sitzt am Inneren des Handgelenks eine Tiefenkamera zur visuellen Objekterfassung. Objekterkennung mittels neuronalen Netzes Mit Hilfe der Kamerabilder kann die Roboterhand verschiedene Gegenstände erkennen und greifen, selbst wenn diese teilweise verdeckt sind. Nach entsprechendem Training kann die Hand anhand der erfassten Daten die Objekte außerdem beurteilen und so beispielsweise gute von schlechten unterscheiden. Die Verarbeitung der Informationen übernimmt ein neuronales Netz, das im Vorfeld mit Hilfe von Data Augmentation trainiert wurde. Umfangreiche Datensätze durch Data Augmentation Um bestmögliche Ergebnisse zu erreichen, benötigt das neuronale Netz viele Informationen, anhand derer es sich orientieren kann. Das heißt: Je mehr Trainingsbilder ihm zur Verfügung stehen, desto zuverlässiger wird es. Da dies in der Regel zeitaufwändig ist, bietet sich eine automatische Vermehrung der Datenbasis an. Dieses Ver- fahren wird als Data Augmentation bezeichnet. Durch marginale Abänderungen weniger Ausgangsbilder – beispielsweise mit unterschiedlichen Hintergründen, Lichtverhältnissen oder Blickwinkeln – und deren Vervielfältigung erhält das System einen umfangreichen Datensatz, mit dem es selbstständig arbeiten kann. 01: Sicheres Assistenzsystem: Ballbot, DynaArm und BionicSoftHand 2.0 in Aktion 03: Digitales Lernen: Data Augmentation zum Trainieren des neuronalen Netzes 01 03 02 2 Festo SE & Co. KG 3 BionicMobileAssistant: Mobiles Robotersystem mit pneumatischer Greifhand
RkJQdWJsaXNoZXIy NzczNDE0