聚焦视觉引导机器人(VGR)

我们都看过机器人在几乎没有人工干预的情况下快速组装汽车的视频。像这样的工业机器人降低了几乎每个制造领域的成本并提高了生产率，但它们有一个主要缺点 — 它们无法“看见”。它们被编程为一遍又一遍地重复完全相同的动作，它们无法检测和操作形状、大小和颜色不一或者相互接触和叠放的物体。因此，如果产品发生变化或有新产品被加入生产线，则必须对机器人进行重新编程。如果产品组件通过传统的料斗和振动台输送到生产线上，则必须对振动送料机进行改造。

现在，由先进机器视觉引导的新一代机器人正在使机器人能做的远远不止是批量生产中常见的重复性任务。在更小、更强大、更便宜的相机和其他视觉传感器、越来越复杂的机器人算法和带有机器视觉特定硬件加速器的处理器的推动下，这些视觉引导机器人 (VGR) 系统正在迅速改变制造和履行过程。

VGR 使机器人适应能力更强，并且更容易在频繁推出新产品且生产周期短的行业（包括医疗设备和药品制造、食品包装、农业应用、生命科学等）中实施。例如，一家在中国运营一个大工厂的全球领先汽车制造商使用 Teledyne DALSA 的 GEVA 1000 视觉系统来确保两条装配线上的机器人牢牢地抓住零件，将它们放置在快速移动的传送带上。过去，零件是人工手动提放的。自动化将生产力提高了大约六倍。像这样的系统适用于杂乱不可避免或消除成本太高、或者生产线速度对工人来说太快的环境。先进的系统甚至可以解决可能最具挑战性的 VGR 应用程序，即从工厂和配送中心（例如亚马逊的大型自动化执行中心网络）的箱子中抓取大小、形状和重量不同的、随机分布的物体。

机器人从箱子中无序抓取零件是极具挑战性的，因为 VGR 系统必须在混乱的环境中定位和抓取特定零件。当机器人从箱子中取出零件时，其他零件可能会不断移动位置和转变方向。系统必须识别正确的物体，确定拿起它们的顺序，并计算如何在不与其他物体或箱壁碰撞的情况下抓住、提起和放置它们。这需要高性能机器视觉硬件、复杂的软件和足够强大的计算能力来实时处理大量视觉数据。

无论是带有集成视觉处理器的紧凑型智能相机（Teledyne DALSA 的 BOA Spot）还是复杂的激光和红外传感器以及高分辨率、高速相机，都可以作为机器视觉硬件。

VGR 系统通常使用不止一种类型的传感器来构建 3D 图像。例如，带有 3D 区域传感器的机器人可以定位并抓取箱中随机放置的零件。然后 2D 摄像头即时检测每个零件的方向，以便机器人可以将它们正确地放置在传送带上。

一些 VGR 系统通过将3D 飞行时间 (ToF) 扫描和快照 3D 图像捕获相结合，与单独使用扫描系统相比，它们获得的分辨率可以处理更广泛的对象，但不需要像传统快照相机系统那样移动相机。ToF扫描测量激光发出的光在相机和物体表面之间传播所需的时间以确定物体深度，具有在任何光照条件下工作的优势。

结构光 3D 系统，例如微软用于视频游戏的 Kinect 传感器，在物体上投射不可见的红外光图案，然后通过使用 2D 摄像头检测该光图案的失真来生成 3D 深度图像。此过程可用于拣选箱中多个物体的 3D 映射。

这些先进的视觉系统能够使用FPGA处理器和专用集成电路 (ASIC) 等硬件加速器处理大量数据。这使他们可在生产线上和订单执行应用程序中处理数千个 SKU。

高级 VGR 系统的一个关键组成部分是算法，它能防止机器人及其手臂末端抓取工具与箱侧或其他物体碰撞。这种避免干扰的软件必须非常强大，因为每次从箱中取出物品时，都需要规划不同的路径，而且零件通常是堆放在一起、难以分清的。

越来越多的 VGR 软件（包括与机器人和传感器无关的开源机器人操作系统 (ROS)）将使机器人集成商能够更快、更轻松地提供 VGR 系统，并引入新的、更强大的、可用的传感器。

与此同时，机器视觉和机器人供应商正在密切合作，使 VGR 更易于使用。例如，机器视觉供应商开发了工具，使工程师可以更轻松地为机器人单元建模和优化传感器。他们还在开发易于最终客户使用的基于 Windows 的 VGR 系统。

由于这些创新，现在，消费电子产品（电路板级别以上的）和亚洲其他轻型组装中近 50%的机器人使用VGR。随着随机拣选技术迅速成为一种灵活、易于理解和可互换的商品，中小型公司如果希望减少人工干预、提高安全性和质量以及生产力，便可以使用它。