Aurrerapenak manipulazio malguan adimen artifizialean oinarritutako teknikak aplikatuz

Fabrikazio-industria izan zen prozesu astunak automatizatzeko robotak sartu zituen lehenetarikoa, ekoizpena handitzeko eta kostuak murrizteko helburuarekin. Gaur egun, robotek presentzia handia dute praktikoki edozein industriatan, eta, oro har, zeregin sinpleak eta errepikakorrak egiten dituzte. Industria 4.0 eta 5.0 arteko trantsizioan aurkitzen garen momentu hontan, produktibitateaz gain, malgutasuna ere bilatzen da, prozesuak bezeroaren behar espezifikoetara egokitzeko.

Objektuak hartu eta uztea oinarrizko bi eragiketa dira ia edozein aplikazio robotikotan. Gaur egun, "pick and place" aplikazioetarako erabiltzen diren robot industrialek zeregin sinpleak eta errepikakorrak egiteko duten eraginkortasuna dute ezaugarri. Hala ere, sistema horiek oso zurrunak dira, erabat kontrolatutako inguruneetan lan egiten dute, eta oso kostu handia dakarte beste zeregin batzuk egiteko birprogramatzeak. Gaur egun, industria-ingurune desberdinetako zereginak daude (adibidez, logistika-ingurune batean eskaerak prestatzea), zeinak objektuak malgutasunez manipulatzea eskatzen duten, eta oraindik ezin izan dira automatizatu beren izaera dela eta. Automatizazioa zailtzen duten botila-lepo nagusiak manipulatu beharreko objektuen aniztasuna, roboten trebetasun falta eta kontrolatu gabeko ingurune dinamikoen ziurgabetasuna dira. 

Aitzitik, robotika aurreratuak sistemen malgutasuna bilatzen du, produktibitateaz gain. Robotika mota hau erabaki aurreratuak hartzea eskatzen duten arazoetan edo egituratu gabeko inguruneetan aplikatzen da, elkarlaneko robotak erabiliz. Adimen artifizialak (AA) gero eta paper garrantzitsuagoa betetzen du robotikaren barruan, robotei zeregin konplexuak betetzeko beharrezko gaitasuna ematen baitie. Gainera, AAk benetako esperientzia erabiliz portaera konplexuak ikasteko aukera ematen du, programazioaren kostua nabarmen murriztuz.

Objektuak manipulatzeko egungo sistema robotikoen mugak ikusita, lan honen helburu nagusia manipulazio-sistemen malgutasuna handitzea da AAn oinarritutako algoritmoak erabiliz, birprogramatu beharrik gabe ingurune dinamikoetara egokitzeko beharrezko gaitasunak emanez. "Pick and place" delakoarekin lotutako hiru ikerketa-lerro espezifikotan mugak gainditzean zentratzen gara lan honetan:

• Lehen ikerketa-ildoa manipulatzaile mugikor baten oinarrirako posizionamendu politika bat ikastearen bideragarritasuna aztertzean datza, besoa objektu bat hartzeko gaitzeko helburuarekin. Zehazki, portaera hori ikastea proposatzen dugu, ingurunearekiko elkarreraginaren bidez lortutako esperientzia erabiliz eta, horrela, gaitasun horren programazioa saihestuz. 
• Bigarren ikerketa-lerroa objektu arbitrarioentzako heldulekuak detektatzeko sistema orokor bat garatzera bideratuta dago. Horrela, bin-picking eszenetan objetu anitzen heldulekuak zenbatestea da helburua, erreferentzia bakunentzat sistema konfiguratu beharra saihestuz. Zehazki, aditu batek etiketatutako n-dimentsioko puntu-hodeien gainean zuzenean ikasketa egitea proposatzen dugu, eta 2D irudietan oinarritutako sistema bat erabiliz baino zehaztasun handiagoa lortzen dela frogatzen dugu.
• Azken ikerketa-ildoa algoritmo dinamiko baten garapenean oinarritzen da, objektuak paketatzeko mosaikoak sortzeko. Hain zuzen ere, mosaikoak sortzeko proposatzen den algoritmoa gai da mosaikoak objektu arbitrarioekin eta online kalkulatzeko. Prototipo robotiko erreal batean egindako sistemaren balidazioak agerian uzten du paketatze-sistemaren malgutasuna, mota askotariko objektuekin mosaikoak sortzeko.