Top

SNS

  • Facebook
  • 使用messenger傳訊給MAonline
產業掃描
機器人自主學習 一夜學成工件上下料
2019.08.20∣瀏覽數:469

台灣厚實的製造力在全球市場佔有一席之地,隨著工業4.0浪潮來襲,從傳統產業到精密製造業,無不積極導入智慧製造,搶攻先機,工業機器人的重要性也日益增加。工業機器人是打造 智慧工廠、建構自動化生產系統的關鍵角色,更是產業未來的發展重點。
文 ◆ 編輯部 趙翊雯

IFR預測2017-2020年,全球工業機器 人的複合成長率預估為13.2%(見圖1);而 AI的導入能夠提升機器人的運作能力,創 造更多人機協作的模式,進而提升產業附 加價值。2017年全球多關節工業機器人的 裝置量突破38萬台,從應用功能來看,裝 配、夾取上下料、焊接是工業機器人的主要應用,占多例關節工業機器人總裝置量 的63.1%(見圖2);而汽車製造產業、電子 電機產業、機械金屬產業是前三大應用領域。

金屬加工產業是台灣工業機器人應用的主 要產業之一,由於業者大多為中小企業,且自動化程度較低,加上勞力短缺狀況日趨嚴 重,客製化產品需求增加,產線自動化與彈 性化成為業者追求的目標。為協助業界提升 生產效能,工研院巨資中心針對產業需求, 開發「機器人自主學習技術」,結合AI技術 使機械手臂能夠快速學習,有彈性地完成不 同工件夾取任務,迎合業界少量多樣的生產需求。

目前傳統工件上下料模式大致可分為視覺 分析技術和專用機兩大類。若採用視覺分析 技術的方式,需具備影像處理專長的工程師 在旁,根據演算法調整電腦參數,依工件型 態的複雜程度,少則一天多則七天,才能成 功完成工件上下料。針對需求量較大的元件 可採用客製化設計專用機來完成上下料。然 而,在產業實際運用時,面臨到少量多樣、 工件越來越多元的狀況,專用機的設計或調整視覺參數,除了成本高、耗時間的問題, 也會因彈性不足,造成不必要的機台閒置。 工研院研發的自主學習機器手臂,透過機器 人模擬軟體,先進行手臂夾取的自主學習, 僅需要一個晚上,約12小時的時間,隔天便 能換工件上機,再作小幅度調教應用到實際 手臂,大幅縮短更換新工件的時間。目前對 於任意姿態、隨機擺放的硬質工件,於實體 環境中,夾取成功率可達到90%以上。應用 領域主要以機器人來提升產線自動化之金屬 加工產業包含水五金、手工具、自行車零組 件等產業;另可擴充到製造業組裝之整列與 備料應用、及製鞋業加工應用。現在已經在 金屬加工業有實際場域,且可作到在同一輸 送帶上不同工件直接辨識作多工件夾取與放件。

「機器人自主學習技術」以深度增強式學 習(Deep Reinforcement Learning, DRL ) 為核心技術,透過影像資料收集讓機器手臂 自行透過嘗試錯誤,自主學習如何完成目標 任務。機器手臂在學習當下,會根據當下感 測器訊號以及夾取結果,來機動性調整夾 取方式,以成功夾取複雜物件。在技術方 面,因為現有的公開演算法無法直接套用於 連續動作的機械手臂當中,加上DRL的學 習極富挑戰性,故「機器人自主學習夾取技 術」的實現極具突破性,為台灣第一套成功 完成自主學習上下料的機器手臂,其透過 Curriculum Learning 導引DRL的學習,從 簡單的目標開始,結合適合DRL學習之六維 多角度夾取控制,增加夾取姿態的多樣性, 並接收從3D攝影機所擷取的資訊,就可以自主學習如何夾取新工件,兼具彈性及易用性。

機器手臂的導入意在降低製造過程中對人 力的依賴,並精簡製造流程、提高生產效 率,然而過去在機器手臂上線之前,需仰賴 工程師投入大量訓練與調教,並以詳細的參 數編程定義手臂的移動路徑,不僅技術複雜 且相當耗時。如今受惠於AI的發展,加上影 像辨識技術、決策彈性與運算效能等功能, 讓機器學習變得更加容易。目前機器手臂主 要整合的感測技術以視覺為主,最快普及的 便是製造業的應用,然而AI與各行各業結合 的過程中,會面臨不同問題,因此AI一定要 從領域知識、資料整合著手才能發揮綜效, 從產業生根。

IMTS2020 芝加哥工具機展