Vous utilisez le navigateur Internet Explorer. Pour bénéficier d’une représentation optimale, veuillez changer votre navigateur.
Projet Opéra : précision des robots collaboratifs
En développant des modèles probabilistes, le projet OPERA s'efforce de décrire la précision du robot et de son environnement.
Les robots collaboratifs, appelés CoBots, ont permis de mettre en place des processus de fabrication de manière intuitive grâce à une programmation guidée par la main. Ce sont surtout les entreprises de taille moyenne qui bénéficient de cette évolution en adaptant une approche exploratoire. Toutefois, cette procédure implique un certain nombre de finesses en termes de précision et de tolérances d'erreur, de sorte que jusqu'à présent, malgré une manipulation simple, un expert devait généralement être consulté lors de la programmation.
Le projet OPERA s'efforce de changer cette situation en fournissant à l'utilisateur final des outils intuitifs pour analyser et optimiser la fiabilité des processus de fabrication et des cellules de travail. À cette fin, des modèles probabilistes décrivant la précision du robot et de son environnement sont développés et intégrés de manière exemplaire dans la dernière génération de contrôleurs de robots KUKA. En collaboration avec le DLR et nos partenaires associés Zollner et Rational, les développements sont réalisés et évalués sur site à l'aide de cas d'utilisation pertinents.
Modélisation des imprécisions du robot et de l'environnement - un changement de paradigme
En robotique industrielle, l'accent est mis sur la construction et l'utilisation de robots en tant que dispositifs de positionnement sans erreur, afin de pouvoir ignorer les imprécisions. Dans le cas des CoBots en particulier, cependant, il faut être conscient des imprécisions à long terme et apprendre à les gérer. Cependant, comme toutes les sources d'erreur ne peuvent pas toujours être déterminées de manière précise, les modèles probabilistes sont appropriés dans ce cas.
Idéalement, la position du bras du robot et de la pince, ainsi que de la pièce à usiner, devrait toujours être connue avec précision dans une application. En réalité, la pince du robot et l'objet n'ont qu'une certaine probabilité de se trouver à proximité de la position supposée, et la position réelle n'est pas connue avec exactitude. Jusqu'à présent, l'expert en robotique a en tête les fiches techniques du robot et de la pince et peut donc estimer, sur la base de son expérience, la précision avec laquelle les tâches peuvent être résolues.
Dans le cadre du projet OPERA, nous allons encore plus loin et ne laissons pas l'utilisateur seul avec l'image idéale partiellement erronée, mais rendons les incertitudes visibles et évaluables dans un modèle 3D. En outre, le projet OPERA permettra pour la première fois de prendre en compte les imprécisions sous la forme de modèles probabilistes dans les séquences de processus. Cela devrait permettre d'accroître la flexibilité, la précision et la fiabilité des tâches complexes.
Objectifs de l'opéra
L'objectif est de représenter de manière transparente les paramètres et les erreurs de modèle dans la cinématique et la dynamique des CoBots ainsi que dans l'environnement du robot et de les mettre à la disposition de l'utilisateur afin que les intégrateurs de systèmes et les utilisateurs finaux puissent estimer de manière plus intuitive et plus précise les performances du système robotique. Grâce à la représentation du potentiel d'erreur du système robotique, il devrait en outre être possible de faire des prédictions concernant l'influence de la précision des modèles sur la faisabilité des différentes étapes de travail, de sorte que la connaissance sémantique puisse être prise en compte dans la conception du processus, en plus des variables géométriques. En fin de compte, cela devrait permettre de concevoir automatiquement des processus de fabrication et les cellules de travail associées pour une fiabilité accrue en utilisant les paramètres et les erreurs du modèle, mais aussi leur influence sur les actions individuelles d'une séquence, à des fins d'optimisation.
