Dit rapport is een schriftelijke weergave van de uitgesproken lectorale rede van Dr. Ir. C.J.M. Heemskerk bij Hogeschool Inholland. De rede geeft een duidelijk beeld van wat robots zijn, waar wij anno 2016 met de ontwikkelingen van de robot staan en hoe snel deze gaan. Robots worden steeds socialer en slimmer. Vanuit de twee werkvelden van het Lectoraat, zorg en agri-food, wordt nader ingegaan op de vraag of de angst dat robots banen overnemen of de mensen zullen overheersen reëel is.
Al jaren lang klaagt de industrie steen en been over de teloorgang van het vakgebied Industriële Automatisering. In het algemeen verstaat men hieronder de softwarematige (maar deels ook hardwarematige) oplossingen die nodig zijn voor het besturen en monitoren van industriële processen. Te denken valt aan besturing van robots en transportsystemen, al of niet met gebruikmaking van PLC's en het bewaken van processen met SCADA-systemen. Daarnaast zijn er natuurlijk nog talloze andere voorbeelden aan te dragen. Het lijkt moeilijk te zijn om in deze gebieden voldoende hoog opgeleide mensen te vinden die de processen kunnen overzien.
The number of applications in which industrial robots share their working environment with people is increasing. Robots appropriate for such applications are equipped with safety systems according to ISO/TS 15066:2016 and are often referred to as collaborative robots (cobots). Due to the nature of human-robot collaboration, the working environment of cobots is subjected to unforeseeable modifications caused by people. Vision systems are often used to increase the adaptability of cobots, but they usually require knowledge of the objects to be manipulated. The application of machine learning techniques can increase the flexibility by enabling the control system of a cobot to continuously learn and adapt to unexpected changes in the working environment. In this paper we address this issue by investigating the use of Reinforcement Learning (RL) to control a cobot to perform pick-and-place tasks. We present the implementation of a control system that can adapt to changes in position and enables a cobot to grasp objects which were not part of the training. Our proposed system uses deep Q-learning to process color and depth images and generates an (Formula presented.) -greedy policy to define robot actions. The Q-values are estimated using Convolution Neural Networks (CNNs) based on pre-trained models for feature extraction. To reduce training time, we implement a simulation environment to first train the RL agent, then we apply the resulting system on a real cobot. System performance is compared when using the pre-trained CNN models ResNext, DenseNet, MobileNet, and MNASNet. Simulation and experimental results validate the proposed approach and show that our system reaches a grasping success rate of 89.9% when manipulating a never-seen object operating with the pre-trained CNN model MobileNet.
Massafabricage in de (MKB) maakindustrie is aan het veranderen in flexibele fabricage en assemblage van kleine series, klantspecifieke onderdelen en eindproducten. Hiervoor zijn nieuwe systemen voor het MKB nodig, waarin robots en mensen samen kunnen werken en die zich snel kunnen aanpassen aan nieuwe productieomstandigheden met lage opstartkosten. De ambitie van het project ?(G)een Moer Aan!? is om het herconfigureren van een robotsysteem voor een nieuwe taak in een productieomgeving net zo eenvoudig en snel te maken als het gebruik van een smartphone. Zo?n benadering biedt kansen om de skills van de operator te benutten. De operator kent immers zijn processen en de robot wordt zijn hulpje. Op vraag van betrokken mkb partners is de focus gelegd op een repeterende productiehandeling die in veel sectoren voorkomt en die relatief veel arbeidstijd kost: het indraaien van moeren en bouten in een object. De centrale onderzoeksvraag van het project luidt: Hoe kan een operator een robot eenvoudig, snel en veilig inleren om assemblage handelingen te verrichten voor het snel en robuust verbinden van bouten, moeren en ringen met objecten? Resultaat van dit praktijkgerichte onderzoeksproject is een algemeen bruikbare en gevalideerde ontwerpmethodiek voor de opzet van een gebruiksvriendelijke user interface van een boutmontagerobot op de werkvloer. Door slim gebruik van geïntegreerde inzet van CAD productinformatie, vision technologie en compliant (meegaand) gripping en placing wordt de robot zo veel als mogelijk vooraf automatisch geconfigureerd. Het projectconsortium dat het onderzoek gaat uitvoeren bestaat uit: " 13 bedrijven (12 mkb) actief als toeleverancier, system integrator of gebruiker op het terrein van industriële robotica (Yaskawa, ABB, Smart Robotics, Hupico, Festo, CSi, Demcon, Heemskerk Innovate, WWA, Van Schijndel Metaal, Van Beek, Tegema en Zest Innovate); " Hogescholen Fontys (penvoerder), Avans, Utrecht en NHL; " Kennisinstellingen TNO en DIFFER; " Coöperaties Brainport Industries, FEDA en Koninklijke Metaalunie; " De gemeente Eindhoven is betrokken als partner in de klankbordgroep. De gemeente ondersteunt het belang van dit project voor behoud en verbetering van arbeidsplaatsen in de maakindustrie. Er zullen circa 20 (docent)onderzoekers van de hogescholen en ongeveer 80 studenten betrokken worden bij dit project, die in de vorm van stages en afstudeeronderzoeken werken aan interessante vraagstukken direct afkomstig uit de beroepspraktijk. Naast genoemde meerwaarde voor het bedrijfsleven beoogt het project een verdere verankering van kennis en kunde in onderwijs en lectoraten en een vergroting van de kwaliteit van docenten en afstudeerders.
Inleiding en praktijkvraag De groeiende wereldbevolking gecombineerd met de klimaatverandering zorgt voor een de noodzaak tot een duurzame voedselvoorziening (KIA missie Landbouw, voedsel & water). Een significante reductie van gewasbestrijdingsmiddelen is daarbinnen een belangrijke doelstelling. Robotica maakt als technologie motor van de precisielandbouw plant specifieke precisie-bestrijding mogelijk. Het projectconsortium onderzoekt een semiautonoom samenwerkend grond-luchtrobot platform voor de precisielandbouw. Projectdoelstelling De doelstelling van het project AGRobot Platform is dan ook: “Onderzoek de mogelijkheden van een semi-autonoom samenwerkend grond-lucht robotplatform voor de precisielandbouw”. De hoofddoelstelling wordt binnen dit project beantwoordt door de deliverables uit de volgende subdoelstellingen: 1. Case studie onderzoek naar de mogelijke voordelen van het grond-luchtrobotplatform 2. Onderzoek naar de benodigde technologieën voor een grond-luchtrobotplatform 3. Ontwikkelen van een eerste (mogelijk case-specifieke) demonstrator 4. Ontwikkelen van (nieuwe) samenwerkingsvormen. Vraagsturing & Netwerkvorming Riwo Engineering is een industriële automatiseeerder die met zijn grondrobots en control-besturingssytemen actief is in de veeteelt. DRONEXpert gebruikt hyperspectrale camera’s onder drones voor het bemeten van gewassen. Saxion mechatronica onderzoekt met de onderzoekslijn unmanned robotic systems hoe de nieuwste robotica technologieën systemen mogelijk maakt voor ongestructureerde omgevingen. De partners bezitten gezamenlijk een enorm netwerk (TValley, Space53, euRobotics) en klanten om via de case studies de kansen te achterhalen en te realiseren. Innovatie Nergens ter wereld is een samenwerkend grond-luchtrobot platform actief in de precisielandbouw. Voor OostNederland, met naast veel robotica kennis ook veel Agro-kennis, zal het project letterlijk de KIEM zijn voor nieuwe projecten waaruit de valorisatie kansen richting heel Europa gaan. Activiteitenplan & Projectorganisatie Het project wordt geleid door de lector Dr. Ir. D.A.Bekke en uitgevoerd door Abeje Mersha en Mark Reiling samen met het deelnemend MKB. Het project bestaat uit 4 werkpakketten die achtereenvolgens antwoordt geven op de gestelde subdoelstellingen. Aan elk werkpakket zijn deliverables gekoppeld.
