본 연구는 빈 피킹을 수행하기 위한 EtherCAT기반의 6축 매니퓰레이터를 구성하고 이에 딥 러닝을 적용해 학습한 데이터를 토대로 파지 영역을 탐색하는 빈 피킹 알고리즘 구성을 제시한다. 기존의 연구는 스테레오 카메라를 이용해 깊이 정보를 읽고 이에 더해 물체의 특징점을 이용해 물체의 회전 정보를 계산해 파지하거나, 사전에 구성한 물체의 3D model을 토대로 물체의 position을 추정해 파지하는 등의 방법을 사용했다. 본 연구에선 파지 물체 탐색 시 CNN을 적용해 영상 내 파지 가능성이 높은 영역을 탐색한 후 이를 파지하는 방법을 사용했으며, 빈 내부의 3D정보가 필요한 기존의 방법에 비해 빈 내부의 2D단일 이미지를 이용해 파지가 가능하다는 장점을 가진다. 빈 피킹을 수행 할 매니퓰레이터는 6축 수직 다관절 로봇으로 EtherCAT을 통해 제어하며, 각 축의 ...
본 연구는 빈 피킹을 수행하기 위한 EtherCAT기반의 6축 매니퓰레이터를 구성하고 이에 딥 러닝을 적용해 학습한 데이터를 토대로 파지 영역을 탐색하는 빈 피킹 알고리즘 구성을 제시한다. 기존의 연구는 스테레오 카메라를 이용해 깊이 정보를 읽고 이에 더해 물체의 특징점을 이용해 물체의 회전 정보를 계산해 파지하거나, 사전에 구성한 물체의 3D model을 토대로 물체의 position을 추정해 파지하는 등의 방법을 사용했다. 본 연구에선 파지 물체 탐색 시 CNN을 적용해 영상 내 파지 가능성이 높은 영역을 탐색한 후 이를 파지하는 방법을 사용했으며, 빈 내부의 3D정보가 필요한 기존의 방법에 비해 빈 내부의 2D단일 이미지를 이용해 파지가 가능하다는 장점을 가진다. 빈 피킹을 수행 할 매니퓰레이터는 6축 수직 다관절 로봇으로 EtherCAT을 통해 제어하며, 각 축의 액추에이터는 모터와 하모닉 감속기 및 EtherCAT 드라이버가 통합된 모듈을 사용했다. EtherCAT 시스템은 RTOS(RealTimeOS)인 Xenomai를 기반으로 구성했으며, TCP/IP통신을 이용해 외부PC와 통신하여 각 축을 및 그리퍼를 제어한다. 로봇의 position제어를 위해 DH convention에 맞춰 기구학 모델을 설정했으며, 해당 모델의 정기구학 및 역기구학을 해석하고 이를 시각적으로 검증하였다. 파지 물체를 탐색을 위해 Tensorflow를 이용해 CNN모델을 구성하였으며 CNN모델을 학습하기 위해 빈 내부 임의의 지점 파지를 수행 한 뒤 해당 지점의 국소 이미지를 저장하고, 파지의 성공 및 실패여부로 해당 이미지를 라벨링하는 작업을 반복수행하여 Dataset을 구성했다. 구성한 Dataset을 토대로 학습한 데이터양에 따라 7개의 CNN모델을 구성하고 각 모델별로 동일 이미지를 대상으로 한 예측결과를 확률분포로 나타내어 비교했다. 또한 각 모델의 파지가능 확률분포를 토대로 파지 실험을 진행해 파지 정확도를 비교했으며, 추가적인 알고리즘을 통해 해당 알고리즘의 정확도를 높였다.
본 연구는 빈 피킹을 수행하기 위한 EtherCAT기반의 6축 매니퓰레이터를 구성하고 이에 딥 러닝을 적용해 학습한 데이터를 토대로 파지 영역을 탐색하는 빈 피킹 알고리즘 구성을 제시한다. 기존의 연구는 스테레오 카메라를 이용해 깊이 정보를 읽고 이에 더해 물체의 특징점을 이용해 물체의 회전 정보를 계산해 파지하거나, 사전에 구성한 물체의 3D model을 토대로 물체의 position을 추정해 파지하는 등의 방법을 사용했다. 본 연구에선 파지 물체 탐색 시 CNN을 적용해 영상 내 파지 가능성이 높은 영역을 탐색한 후 이를 파지하는 방법을 사용했으며, 빈 내부의 3D정보가 필요한 기존의 방법에 비해 빈 내부의 2D단일 이미지를 이용해 파지가 가능하다는 장점을 가진다. 빈 피킹을 수행 할 매니퓰레이터는 6축 수직 다관절 로봇으로 EtherCAT을 통해 제어하며, 각 축의 액추에이터는 모터와 하모닉 감속기 및 EtherCAT 드라이버가 통합된 모듈을 사용했다. EtherCAT 시스템은 RTOS(RealTimeOS)인 Xenomai를 기반으로 구성했으며, TCP/IP통신을 이용해 외부PC와 통신하여 각 축을 및 그리퍼를 제어한다. 로봇의 position제어를 위해 DH convention에 맞춰 기구학 모델을 설정했으며, 해당 모델의 정기구학 및 역기구학을 해석하고 이를 시각적으로 검증하였다. 파지 물체를 탐색을 위해 Tensorflow를 이용해 CNN모델을 구성하였으며 CNN모델을 학습하기 위해 빈 내부 임의의 지점 파지를 수행 한 뒤 해당 지점의 국소 이미지를 저장하고, 파지의 성공 및 실패여부로 해당 이미지를 라벨링하는 작업을 반복수행하여 Dataset을 구성했다. 구성한 Dataset을 토대로 학습한 데이터양에 따라 7개의 CNN모델을 구성하고 각 모델별로 동일 이미지를 대상으로 한 예측결과를 확률분포로 나타내어 비교했다. 또한 각 모델의 파지가능 확률분포를 토대로 파지 실험을 진행해 파지 정확도를 비교했으며, 추가적인 알고리즘을 통해 해당 알고리즘의 정확도를 높였다.
This study deal with design a 6-axis manipulator based on EtherCAT to perform bin-picking, and propose a bin-picking algorithm that searches for the graspable region based on the trained data by applying deep learning. Previous studies have used stereo cameras to read depth information, calcula...
This study deal with design a 6-axis manipulator based on EtherCAT to perform bin-picking, and propose a bin-picking algorithm that searches for the graspable region based on the trained data by applying deep learning. Previous studies have used stereo cameras to read depth information, calculate rotation information of an object using feature points of an object, or estimate the position of an object based on a 3D model of a previously constructed object. In this study, apply CNN for searching for a region with high possibility of grasping in the image and then grasped it. The manipulator to perform the bin-picking is a 6-axis vertical articulated robot controlled by EtherCAT, and each axis actuator uses a module that integrates motor, harmonic reducer and EtherCAT driver. The EtherCAT system is based on RTOS Xenomai and communicates with an external PC using TCP/IP communication to control each axis and gripper. Set the kinematic model according to the DH convention for controlling the position of the robot, and analyzed the forward and inverse kinematics of the model and visually verified it. The CNN model was constructed using Tensorflow for the purpose of searching the graspable object. For training CNN model, dataset was constructed by repeating operation that pick up random position of bin. And constructed seven CNN models according to the amount of data learned and measured the accuracy.
This study deal with design a 6-axis manipulator based on EtherCAT to perform bin-picking, and propose a bin-picking algorithm that searches for the graspable region based on the trained data by applying deep learning. Previous studies have used stereo cameras to read depth information, calculate rotation information of an object using feature points of an object, or estimate the position of an object based on a 3D model of a previously constructed object. In this study, apply CNN for searching for a region with high possibility of grasping in the image and then grasped it. The manipulator to perform the bin-picking is a 6-axis vertical articulated robot controlled by EtherCAT, and each axis actuator uses a module that integrates motor, harmonic reducer and EtherCAT driver. The EtherCAT system is based on RTOS Xenomai and communicates with an external PC using TCP/IP communication to control each axis and gripper. Set the kinematic model according to the DH convention for controlling the position of the robot, and analyzed the forward and inverse kinematics of the model and visually verified it. The CNN model was constructed using Tensorflow for the purpose of searching the graspable object. For training CNN model, dataset was constructed by repeating operation that pick up random position of bin. And constructed seven CNN models according to the amount of data learned and measured the accuracy.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.