Onderzoek en lessen uit het bouwen van AI-verpakkingsrobots
TOS Robotics doet met de Technische Universiteit Eindhoven onderzoek naar robots die taken leren door voordoen. Op deze pagina staat wat we leerden op een echte verpakkingslijn, de masterscripties die bij TOS Robotics zijn gedaan en onze gefinancierde projecten.
Lessen van de lijn
- 3 min lezen
Waarom we USB uit onze robotcellen houden
Een USB-dieptecamera heeft zo'n 19 seconden nodig om opnieuw te starten. De encoders en inspectiecamera's gingen naar Ethernet of een veldbus. - 3 min lezen
Hoe laat je ACT een robotarm vloeiend bewegen?
ACT deed op onze robot gemiddeld 17,1 ms over een voorspelling en in het slechtste geval 97,9 ms. De overgang is afgestemd op dat trage geval. - 3 min lezen
Waarom een ingeleerd robotpad niet zomaar sneller kan
Hogere snelheid verschuift een afgeronde hoek. Op onze robots sneed dezelfde CNT50-hoek 14 mm af vanuit stilstand en 24 mm vanuit beweging. - 3 min lezen
Waarom we een eigen Teachbot bouwden
Encoders 32 keer fijner dan de standaardarm waarmee we eerst inleerden, en gewrichten van 57 g. - 3 min lezen
Waarom kleine fouten grote verliezen geven op een verpakkingslijn
Op één slechte dag kostte de stilstaande lijn ongeveer zeven keer meer verpakkingen dan de gemiste en mislukte robotpicks samen. - 3 min lezen
Zo bouw je storingsschermen die operators echt zien
Eén banner per storing in plaats van tot drie, en een foto van de machine met het onderdeel dat aandacht nodig heeft rood omlijnd. - 3 min lezen
Waarom je demonstratiedata opschoont voordat een robot ervan leert
Ongeveer 1 op de 13 demonstraties werd direct als fout gemarkeerd. Ons eerste automatische filter gooide ongeveer 30% goede data weg. - 3 min lezen
Waarom we van ACT overstapten op een diffusion policy
We nemen 50 kandidaat-picks in plaats van één gemiddelde. In bijna alle cycli zat er minstens één werkende pick bij.
Masterscripties bij TOS Robotics
- Quint Bakens, Technische Universiteit Eindhoven
Reinforcement learning op een echte FANUC-robot, zonder simulator
In zeven dagen op een echte FANUC-arm verhoogde een residuele RL-laag het succes op een labtaak van 51,1% naar stabiel 58 tot 60%. - Nienke Dekkema, Technische Universiteit Eindhoven
Pakken van een bewegende band met imitation learning
In een labtest op een transportband steeg het succes van 18% naar 98% bij 0,10 m/s en van 0% naar 90% bij 0,15 m/s. - Lore Verstraete, Technische Universiteit Eindhoven
Imitation learning als er meer dan één goede manier is
Met zijn eigen geplande acties als input daalde de afwijking van het eerste gewricht bij ACT met 5 tot 22%, maar mislukte taken daalden niet consequent.