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:115

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。

潭興精工