Heuristisches Suchverfahren für die effiziente Planung zum Greifen ungeordnet gelagerter Werkstücke mit Industrierobotern

Abstract

Im Rahmen dieser Arbeit wird eine effiziente Greifplanung für die modellbasierte Entnahme von Werkstücken durch einen Industrieroboter entwickelt, die insbesondere beim sogenannten Griff-in-die-Kiste zum Einsatz kommen kann. Das Verfahren basiert auf einem Suchbaum, der so konstruiert wird, dass alle relevanten Aspekte der Greifplanung enthalten sind, und der alle potenziell möglichen Griffe enthält. Kriterien, die einen erfolgreichen Griff verhindern können, werden beim Expandieren des Suchbaums überprüft, so dass jeder Zielknoten einen durchführbaren Entnahmevorgang repräsentiert. Diese Prüfungen beinhalten beispielsweise Kollisionstests basierend auf einer Punktwolke der aktuellen Szene, um einen kollisionsfreien Griff gewährleisten zu können. Um trotz des großen Suchraums eine kurze Rechenzeit zu erreichen, kommt bei der Expansion des Suchbaums ein heuristisches Suchverfahren zum Einsatz. Die für das Suchverfahren verwendete Heuristikfunktion wird dabei so definiert, dass sie auf Basis diverser Eigenschaften eines Knotens die Wahrscheinlichkeit abschätzt, unter den Nachfolgern dieses Knotens eine Greiflösung zu finden. Um eine Aussage darüber zu treffen, von welchen Eigenschaften die Wahrscheinlichkeit einer geeigneten Greiflösung abhängt, werden in dieser Arbeit einige Eigenschaften verschiedener Komponenten analysiert. Zudem wird in dieser Arbeit die Verwendung von künstlichen neuronalen Netzen in der Heuristikfunktion untersucht. Die neuronalen Netze lernen dabei, welche Knoten des Suchbaums expandiert werden sollten, um möglichst schnell eine Lösung zu finden. Die in der Heuristikfunktion enthaltenen Gewichtungsfaktoren werden durch Optimierungsverfahren bestimmt. Zum Abschluss wird die in dieser Arbeit entwickelte Greifplanung anhand zweier Versuchsaufbauten experimentell untersucht. Zudem wird durch die Auswertung von über 1,5 Mio. Griffen einer industriellen Anwendung gezeigt, dass die entwickelte Greifplanung für die Praxis geeignet ist.

In this dissertation, a method for efficient grasp planning for the model-based extraction of workpieces by a robot is presented, which can be used particularly for the so-called bin picking process. The method is based on a search tree, which is constructed in a way that all relevant aspects of grasp planning are included and which contains all potentially possible grasps. Criteria, which can prevent a successful grasp, are checked during the expansion of the search tree so that each destination node represents a feasible grasp. These checks include for example collision tests based on a point cloud of the current scene to guarantee a collision-free grasp. To achieve a short calculation time despite the large search space, a heuristic search algorithm is used during the expansion of the search tree. The heuristic function used for this algorithm is defined so that the probability to find a destination node underneath a node is estimated based on several properties of this node. To get information about the properties, which the probability of a feasible grasp depend on, several properties of different components are analyzed in this work. Additionally, the use of artificial neural networks within the heuristic function is analyzed. These neural networks learn which nodes of the search tree should be expanded to find a solution as quickly as possible. The weighting factors used in the heuristic function are determined by optimization algorithms. Finally, the grasp planning method is examined in experiments and, by analyzing more than 1.5 million grasps from an industrial application, it is shown that the grasp planning method is suitable for practice.