O BionicMobileAssistant move-se autonomamente em três dimensões e consegue detetar objetos independentemente, adaptar a garra e trabalhar em conjunto com o ser humano. O processamento das informações recolhidas é realizado por uma rede neural previamente treinada com a ajuda do Data Augmentation.
No futuro, os operadores e os robôs trabalharão cada vez mais em conjunto. Por isso, na Festo trabalhamos intensamente com sistemas que poderiam auxiliar o ser humano como, por exemplo, em atividades monótonas ou perigosas e que, simultaneamente, não representam qualquer risco. A inteligência artificial desempenha aqui um papel central.
Em cooperação com o ETH Zürich (Instituto Federal de Tecnologia de Zurique), foi criado o BionicMobileAssistant, que é composto por três subsistemas: um robô móvel, um braço robótico elétrico e a BionicSoftHand 2.0. A garra pneumática é inspirada na mão humana e é um desenvolvimento adicional da BionicSoftHand do ano 2019.
Com o DynaArm, um braço robótico elétrico, são possíveis movimentos rápidos e dinâmicos. Estes movimentos são garantidos pelo seu método de construção leve, com conjuntos de acionamento altamente integrados, com apenas um quilo. Nestes denominados DynaDrives, estão instalados num espaço muito confinado o motor, a engrenagem, o sistema eletrónico de controlo do motor e os sensores. Além disso, o braço possui uma alta densidade de potência, que, com um kW a 60 Nm de binário de acionamento, vai muito além do habitual dos robôs industriais.
Graças a uma regulação de força baseada em modelos e a algoritmos de regulação para compensação de efeitos dinâmicos, o braço consegue reagir bem a influências externas e, assim, interagir com muita sensibilidade com o seu ambiente. O braço é controlado por um Ballbot (robô de balanceamento de bola) através de um barramento de comunicação EtherCAT. Graças à sua estrutura modular, o DynaArm pode ser colocado rapidamente em funcionamento e a sua manutenção é fácil.
O Ballbot é baseado num conceito de acionamento sofisticado: este equilibra-se numa esfera que é acionada por três rodas omni. Deste modo, o BionicMobileAssistant consegue fazer manobras em qualquer direção. O robô só toca no chão num ponto e consegue, assim, também, navegar por passagens estreitas. Para manter o equilíbrio, precisa estar em movimento continuamente. O planeamento e coordenação dos movimentos ocorrem através de algoritmos de planeamento e regulação, que são armazenados num potente computador no corpo do Ballbot.
A estabilidade do robô é realizada de forma puramente dinâmica: com influências externas, o Ballbot pode rodar rapidamente a esfera e, assim, manter o equilíbrio. Com a ajuda de uma unidade de medição inercial e de codificadores de posição nas rodas, este regista os seus movimentos e a inclinação relativa do sistema. Um programa de otimização usa estes dados para calcular como o robô e o braço se devem mover, para colocar a mão na posição de destino e, simultaneamente, para estabilizar o robô.
Os dedos da mão robótica pneumática são compostos por estruturas de foles flexíveis com câmaras de ar, revestidos com uma malha têxtil firme e, simultaneamente, flexível. Isto torna a mão leve, adaptável e sensível, mas, no entanto, capaz de exercer forças acentuadas. Assim como na BionicSoftHand do ano 2019, os dedos pneumáticos também são controlados através de um terminal de válvulas compacto com válvulas piezo, que é conectado diretamente à mão.
A mão usa uma luva com sensores de força táteis nas pontas dos dedos, na palma da mão e na parte externa da mão robótica. Desta forma, a mão consegue sentir a dureza do material a ser agarrado e quão bem ele fica na mão, e adaptar o seu poder de aderência, da mesma forma que os humanos, ao respetivo objeto. Além disso, existe uma câmara de profundidade no interior do pulso para deteção visual de objetos.
Com a ajuda das imagens da câmara, a mão robótica consegue reconhecer e agarrar vários objetos, mesmo se estes estiverem parcialmente cobertos. Depois do treino adequado, a mão também pode usar os dados adquiridos para avaliar os objetos e, deste modo, distinguir os bons dos defeituosos. As informações são processadas pela rede neural previamente treinada com a ajuda do Data Augmentation.
Para obter os melhores resultados possíveis, a rede neural necessita de muitas informações com base nas quais se possa orientar. Isto significa: quanto mais imagens de treino estiverem disponíveis, mais fiável se tornará. Uma vez que isto é, geralmente, moroso, providencia-se uma propagação automática da base de dados.
Este processo é designado de Data Augmentation. Devido a alterações marginais de menos imagens de origem, por exemplo, com diferentes contextos, condições de iluminação ou ângulos de visão e à sua multiplicação, o sistema recebe um conjunto de dados abrangente, com o qual pode trabalhar de forma autónoma.