Systemy wizyjne dla robotów determinują percepcję przestrzenną w środowisku produkcyjnym, realizując akwizycję, segmentację i lokalizację obiektów w celu wyznaczenia wektorów chwytu dla kontrolera kinematycznego. W aplikacjach typu bin picking wyzwaniem pozostaje ekstrakcja losowo usytuowanych, zgeometryzowanych części z pojemnika, co wymaga zaawansowanej optyki 3D i rygorystycznej kalibracji hand-eye. W zadaniach nawigacyjnych wizja przemysłowa zapewnia dynamiczną synchronizację ruchu z przenośnikami (conveyor tracking) oraz pozycjonowanie względem punktów referencyjnych. Poniżej przedstawiono kompleksową analizę architektoniczną, technologiczną i operacyjną takich systemów.

Czym jest robot vision i jak działa w praktyce?

Robot vision to zintegrowany system optyczno-obliczeniowy, który przekształca surowe dane sensoryczne (obraz 2D lub chmurę punktów 3D) w deterministyczne współrzędne kartezjańskie dla kontrolera robota. Architektura ta składa się z głowicy pomiarowej, jednostki przetwarzającej oraz magistrali komunikacyjnej (np. PROFINET, Ethernet/IP, TCP/IP).

Pętla sterowania oparta na wizji eliminuje sztywne pozycjonowanie mechaniczne. Kontroler robota otrzymuje aktualną macierz transformacji przestrzennej obiektu tuż przed egzekucją trajektorii, co pozwala na manipulację komponentami o zmiennej orientacji i losowej geometrii w czasie rzeczywistym.

Bin picking – jak system wizyjny radzi sobie z chaosem w pojemniku?

Bin picking to zaawansowana aplikacja mechatroniczna polegająca na autonomicznej ekstrakcji losowo ułożonych, nachodzących na siebie i częściowo przysłoniętych detali z gniazda materiałowego. Algorytmy wizyjne muszą tu kompensować brak powtarzalności położenia (tzw. stan chaotyczny), analizując zmienną topografię całej sceny roboczej.

Z tego powodu bin picking niemal całkowicie opiera się na technikach trójwymiarowych. Model systemowy musi odrzucić zakłócenia wynikające z cieniowania oraz wzajemnych przesłonięć elementów, dopasowując referencyjną geometrię do danych wejściowych w celu wyznaczenia kolizyjnie bezpiecznego punktu chwytu (grasping point).

Etapy procesu bin picking

Proces bin picking przebiega w ściśle określonej sekwencji kroków, od akwizycji obrazu do weryfikacji chwytu. Typowy przebieg wygląda tak:

• akwizycja obrazu lub chmury punktów przez kamerę 3D,
• segmentacja poszczególnych detali w scenie,
• dopasowanie modelu CAD do rozpoznanego kształtu,
• wyznaczenie optymalnego punktu chwytu,
• planowanie trajektorii z unikaniem kolizji,
• wykonanie ruchu przez robota,
• weryfikacja poprawności chwytu.

Każdy z tych kroków wpływa na czas cyklu i dokładność końcową. Błąd na etapie segmentacji przenosi się na wszystkie kolejne fazy procesu.

Najczęstsze wyzwania w bin pickingu

Największym wyzwaniem w bin pickingu są detale błyszczące, odbijające światło oraz elementy splątane ze sobą. Powierzchnie metaliczne i lakierowane generują odbicia, które zakłócają pomiar chmury punktów, a splątane kable czy druty utrudniają segmentację pojedynczych obiektów.

Dodatkowym problemem są kolizje chwytaka z brzegiem pojemnika oraz konflikt między czasem cyklu a dokładnością akwizycji 3D. Skanowanie o wysokiej rozdzielczości daje lepsze dane, ale wydłuża czas pomiaru, co obniża wydajność linii.

System wizyjny 2D vs 3D w aplikacjach robotycznych

W robotyce system 2D nadaje się do rozpoznawania kształtu i orientacji w płaszczyźnie, natomiast system 3D jest niezbędny wszędzie, gdzie liczy się głębia, jak w bin pickingu czy paletyzacji mieszanej. System 2D jest tańszy i wystarcza, gdy detale leżą uporządkowane na taśmie lub w tacce.

System wizyjny 3D dla robota generuje chmurę punktów, która opisuje pełną geometrię sceny. To pozwala wykryć, który detal leży najwyżej w pojemniku, jaka jest jego orientacja przestrzenna i czy chwytak zmieści się bez kolizji. Bez trzeciego wymiaru takie zadania są praktycznie niemożliwe do zrealizowania z odpowiednią powtarzalnością.

Technologie akwizycji 3D wykorzystywane w bin pickingu

Do akwizycji 3D w bin pickingu wykorzystuje się światło strukturalne, stereowizję, technologię time-of-flight oraz skanowanie laserowe, a każda z nich różni się dokładnością, czasem pomiaru i wrażliwością na materiał. Światło strukturalne daje wysoką dokładność przy detalach matowych, ale gorzej radzi sobie z powierzchniami błyszczącymi.

Stereowizja jest szybsza, lecz mniej precyzyjna przy jednolitych, teksturowo ubogich powierzchniach. Time-of-flight sprawdza się przy większych odległościach i dynamicznych scenach, a skanowanie laserowe zapewnia najwyższą dokładność, kosztem dłuższego czasu akwizycji. Wybór technologii zależy od rodzaju detalu, wymaganej dokładności i dopuszczalnego czasu cyklu.

Architektura systemu wizyjnego dla robota

Kompletny system wizyjny dla robota składa się z kamery 2D lub 3D, dedykowanego oświetlenia, jednostki obliczeniowej, oprogramowania analizy obrazu oraz interfejsu komunikacyjnego z kontrolerem robota. Każdy z tych elementów musi być dopasowany do konkretnej aplikacji, ponieważ słabe ogniwo w jednym miejscu obniża jakość całego procesu.

Jednostka obliczeniowa odpowiada za przetworzenie obrazu i uruchomienie algorytmów rozpoznawania w czasie zgodnym z wymaganiami linii produkcyjnej. Oprogramowanie analizy obrazu przekształca surowe dane w konkretne współrzędne chwytu, a interfejs komunikacyjny przesyła te dane do kontrolera robota bez zbędnych opóźnień. Firmy planujące taką integrację często zaczynają od przeglądu oferty systemów wizyjnych dla przemysłu, aby dobrać komponenty pod konkretne zadanie.

Rola oświetlenia w rozpoznawaniu obiektów przez robota

Dobór typu oświetlenia, długości fali i kąta padania światła decyduje o powtarzalności detekcji obiektów przez robota. Obiekty błyszczące, ciemne i transparentne wymagają indywidualnego podejścia, ponieważ standardowe rozwiązania oświetleniowe często nie dają wystarczającego kontrastu.

W stanowiskach robotycznych stosuje się różne konfiguracje, takie jak podświetlenie tylne, kopuła świetlna, oświetlenie koaksjalne czy dark field. Każda z nich podkreśla inne cechy detalu – kontur, teksturę powierzchni lub krawędzie – co przekłada się na jakość danych wejściowych dla algorytmu.

Kalibracja hand-eye – fundament dokładnego chwytu

Kalibracja hand-eye matematycznie wiąże układ współrzędnych kamery z bazą lub efektorem (TCP) robota. Bez precyzyjnego wyznaczenia macierzy transformacji między tymi układami, nawet zaawansowane algorytmy AI wygenerują błąd fizycznego pozycjonowania chwytaka. Proces ten wymaga wykonania serii pomiarów z użyciem wzorca kalibracyjnego (np. szachownicy lub płyty punktowej) i minimalizuje błędy systematyczne poniżej ułamka milimetra.

Dokładność i powtarzalność w bin pickingu

Typowe wymagania dokładności pozycjonowania w bin pickingu wynoszą od 0,5 do 2 mm, w zależności od rodzaju detalu i zastosowanego chwytaka. Taką dokładność uzyskuje się przez odpowiedni dobór kamery, optyki oraz przeprowadzenie precyzyjnej kalibracji hand-eye.

Im mniejszy i bardziej precyzyjny detal, tym wyższe wymagania stawia się przed całym systemem. Dobór odpowiedniego robota do konkretnej aplikacji opisany jest szerzej w artykule robot, cobot czy manipulator kartezjański.

Nawigacja robota przemysłowego z wykorzystaniem wizji

Nawigacja oparta na wizji (Vision-based Guidance) umożliwia robotowi adaptację do ruchomego otoczenia. W przeciwieństwie do zamkniętych gniazd bin picking, nawigacja przetwarza dane w ruchu ciągłym, umożliwiając robotowi stacjonarnemu lub mobilnemu (AMR) dynamiczne śledzenie obiektów referencyjnych w przestrzeni produkcyjnej.

Conveyor tracking – śledzenie detali na transporterze

Conveyor tracking to metoda, w której enkoder taśmy transportowej wraz z kamerą synchronizują robota z ruchem detali na przenośniku. Kamera wykrywa pozycję obiektu w momencie wejścia w pole widzenia, a enkoder na bieżąco aktualizuje jego położenie w miarę przesuwania się taśmy.

Taka konfiguracja jest szeroko wykorzystywana w aplikacjach pick and place z wizją, gdzie robot musi pobrać detal bez zatrzymywania linii produkcyjnej. Rozwiązanie to sprawdza się dobrze przy liniach montażowych, gdzie tempo pracy ma bezpośredni wpływ na wydajność całego zakładu.

Wpływ AI i deep learning na rozpoznawanie obiektów przez robota

Sieci neuronowe pozwalają rozpoznawać detale o zmiennej geometrii, zniekształcone lub zabrudzone bez konieczności tworzenia klasycznego modelu CAD. To znaczące ułatwienie przy pracy z odlewami, elementami z recyklingu lub sortowaniem materiałów o niejednorodnym kształcie.

Klasyczne algorytmy dopasowania geometrycznego wymagają dokładnego modelu referencyjnego detalu. Deep learning uczy się na podstawie wielu przykładów i generalizuje wzorce, dzięki czemu radzi sobie lepiej z naturalną zmiennością kształtu. To szczególnie ważne przy produktach, które z natury różnią się między sobą, co szerzej opisuje artykuł o tym, jak zmienność detalu podnosi koszt automatyzacji.

Korzyści biznesowe z wdrożenia systemu wizyjnego dla robota

Wdrożenie systemu wizyjnego dla robota eliminuje ręczne pozycjonowanie detali, zwiększa elastyczność linii produkcyjnej i redukuje liczbę błędów chwytu. Firma zyskuje możliwość pracy z produktami o zmiennej geometrii bez konieczności każdorazowego przezbrajania stanowiska.

Dodatkową korzyścią jest możliwość obsługi małych serii produkcyjnych, co byłoby nieopłacalne przy tradycyjnym podejściu z dedykowanymi uchwytami dla każdego detalu. Typowe zastosowania obejmują zrobotyzowaną paletyzację mieszaną, depaletyzację, podawanie detali na linie montażowe oraz manipulację elementami z tworzyw sztucznych. Kompletne rozwiązania w tym zakresie dostępne są w ramach oferty stanowisk zrobotyzowanych, a przy paletyzacji mieszanej warto zapoznać się z stanowiskami do paletyzacji, w tym z modelami robot paletyzujący PIX-001 oraz paletyzator kartezjański PIX-002.

Systemy wizyjne wykorzystywane są również w połączeniu z robotami przemysłowymi pracującymi w pętli z kontrolą jakości, gdzie wykorzystuje się także maszyny pomiarowe i kontrolne do weryfikacji poprawności ułożenia i wymiarów detalu po chwycie.

Najczęściej zadawane pytania

Jakie detale najtrudniej rozpoznać systemem wizyjnym 3D w bin pickingu i jak sobie z nimi radzić?

Najtrudniejsze do rozpoznania są detale błyszczące, przezroczyste i czarne, ponieważ zaburzają one pomiar chmury punktów w większości technologii akwizycji 3D. Rozwiązaniem jest dobór odpowiedniej technologii oświetlenia, na przykład polaryzacji lub dark field, a także zastosowanie sieci neuronowych trenowanych na konkretnym materiale detalu.

Czy jeden system wizyjny może obsłużyć kilka robotów lub kilka rodzajów detali bez przeprogramowania?

Tak, jeden system wizyjny może obsłużyć kilka robotów lub kilka typów detali, jeśli oprogramowanie ma zaimplementowaną bibliotekę modeli i mechanizm automatycznego przełączania receptury. W praktyce wymaga to wcześniejszego zaprogramowania wszystkich wariantów detali oraz odpowiedniej konfiguracji interfejsu komunikacyjnego z każdym kontrolerem robota.

Jak długo trwa kalibracja hand-eye i jak często należy ją powtarzać w warunkach produkcyjnych?

Kalibracja hand-eye trwa zwykle od kilkudziesięciu minut do kilku godzin, w zależności od liczby punktów pomiarowych i złożoności stanowiska. W warunkach produkcyjnych powtarza się ją po każdej istotnej zmianie mechanicznej, na przykład po wymianie kamery, przesunięciu stanowiska lub kolizji robota z otoczeniem.

Czy bin picking ma sens przy krótkim czasie cyklu poniżej 3 sekund i jakie są ograniczenia wydajnościowe?

Bin picking przy czasie cyklu poniżej 3 sekund jest możliwy, ale wymaga szybkich technologii akwizycji 3D, takich jak stereowizja lub time-of-flight, oraz zoptymalizowanych algorytmów segmentacji. Głównym ograniczeniem jest czas potrzebny na akwizycję i przetworzenie chmury punktów, który w niektórych technologiach może przekraczać dostępny czas cyklu.

Jak zabezpieczyć stację bin picking pod kątem dyrektywy maszynowej, skoro robot porusza się po nieprzewidywalnych trajektoriach?

Stację bin picking zabezpiecza się poprzez ocenę ryzyka uwzględniającą zmienność trajektorii robota, zastosowanie stref bezpieczeństwa z czujnikami obszarowymi oraz ograniczenie prędkości i siły ramienia w obszarze pracy. Kluczowe jest również zaplanowanie systemu w sposób uniemożliwiający kolizję chwytaka z krawędzią pojemnika, co dodatkowo zwiększa bezpieczeństwo operatora.