Festo Didactic > 实例探究 > 深度学习提高了机器人拣选的灵活性

深度学习提高了机器人拣选的灵活性

Festo Didactic Logo
 Deep Learning Boosts Robotic Picking Flexibility - IoT ONE Case Study
技术
  • 分析与建模 - 机器学习
适用功能
  • 离散制造
  • 物流运输
用例
  • 工厂可见化与智能化
服务
  • 软件设计与工程服务
挑战

长期以来,抓取和操作各种形状和大小的物品一直是工业机器人面临的最大挑战之一。波兰尼悖论也许最好地概括了这个困难,它指出我们“知道的比我们能说的多”。从本质上讲,虽然教机器在需要抽象推理的任务(如运行计算)上表现出高水平的性能可能很容易,但要让它们具备即使是小孩的感觉运动技能,也很难。最标准化和可预测的环境。

然而,随着对灵活拣选的需求不断增加,以适应更多不同产品运行的更短的转换时间,行业正在寻求新的解决方案来解决这个问题。

解决方案

Festo 与卡尔斯鲁厄理工学院 (KIT) 之间的一个名为 FLAIRPOP(机器人拣选联合学习)的新合作项目旨在使用来自多个工作站、工厂甚至公司的训练数据来更有效地驱动深度学习算法,其目标是帮助采摘机器人变得更具适应性。该方法类似于云驱动的机器学习算法所使用的方法,后者利用的数据量比单个最终用户访问的数据量更大。

运营影响
  • [Data Management - Data Access]

    The process works by allowing autonomous robots at multiple different picking stations to grip and transfer items of various shapes and sizes. This data is then aggregated and shared, allowing other robots to more effectively manipulate objects they have not yet encountered.

  • [Efficiency Improvement - Productivity]

    The FLAIROP research project is developing new ways for robots to learn from each other without sharing sensitive data and company secrets. This brings two major benefits: 1) protecting customers' data and 2) gain speed because the robots can take over many tasks more quickly. In this way, the collaborative robots can support production workers with repetitive, heavy, and tiring tasks.

Case Study missing?

Start adding your own!

Register with your work email and create a new case study profile for your business.

Add New Record

相关案例.

联系我们

欢迎与我们交流!
* Required
* Required
* Required
* Invalid email address
提交此表单,即表示您同意 IoT ONE 可以与您联系并分享洞察和营销信息。
不,谢谢,我不想收到来自 IoT ONE 的任何营销电子邮件。
提交

感谢您的信息!
我们会很快与你取得联系。