Neuraal netwerk leert bin picking

Op de IMTS 2016 show in Chicago wist FANUC het publiek te imponeren met de demonstratie van een bin picking toepassing, die net iets verder gaat dan de gangbare methodes. De toepassing wordt immers aangestuurd via een neuraal netwerk waarmee de robot zelf leert hoe hij componenten best uit een willekeurig gerangschikte bak kan halen.

Bin picking werd jarenlang beschouwd als de holy grail in automatisering – een queeste die velen fascineerde maar in de praktijk moeilijk te realiseren viel. De laatste jaren is hierin enorme vooruitgang geboekt, vooral door verbeteringen in visietechnologie. Moderne systemen maken gebruik van een laser area scanner die de controller een 3D beeld geeft van de componenten in een bak. In een dergelijk beeld kan een robot relatief eenvoudig oppervlakken herkennen die hij kan vastgrijpen.

Die herkenning mag dan wel relatief eenvoudig zijn, de realisatie van een dergelijke toepassing blijft een complexe aangelegenheid. De controller van een dergelijk systeem moet immers aangeleerd worden hoe hij voorwerpen kan grijpen. Er moet een algoritme opgesteld worden dat de robot aangeeft waar hij naar op zoek moet in het 3D beeld van een bak met componenten.

Deep learning

In de demonstratie van FANUC, die gerealiseerd werd in samenwerking met het Japanse bedrijf Preferred Networks, werd dat algoritme vervangen door een neuraal netwerk. De toepassing komt er kort gezegd op neer dat men de robot via trial & error zelf laat ontdekken hoe hij componenten het best kan grijpen. Deze methode, die gelinkt is aan de wereld van Big Data, wordt deep learning genoemd.

Aan de basis van deze toepassing ligt het zogenaamde FIELD systeem (FANUC Intelligent Edge Link and Drive system) dat ontwikkeld werd in samenwerking met Cisco. Het systeem bestaat uit een databank die in deze toepassing alle beelden van het visiesysteem registreert, in combinatie met data over waar de robot geprobeerd heeft om een component te grijpen en of dat gelukt is.

Het neuraal netwerk analyseert die data om in een volgend beeld aan de robot een suggestie te kunnen doen voor een positie die een hoge kans heeft op succes. Na 1000 pogingen lukt de picking al in 60% van de gevallen. Die succes ratio loopt op tot 90% na 5000 pogingen, wat voor bin picking een bijzonder goed resultaat is.

Deep learning is een technologie die steeds meer in de picture komt voor controle toepassingen. Bedrijven als NVIDIA ontwikkelen specifieke hardware voor neurale netwerken. Patroonherkenning zoals in deze toepassing is niet alleen relevant voor beeldverwerking. Ook industrieën als life sciences worden geconfronteerd met de uitdaging om op zoek te gaan naar patronen in grote hoeveelheden data.

industrial-iot.com/2016/10/fanucs-quiet-transformation-stakes-a-claim-on-the-edge

© Productivity.be, 13/10/2016