Teaching Industry 4.0: An Open-Source Framework for Cooperative Robotics in the Learning Factory

Moderne fabrieken veranderen. Ze worden plaatsen waar machines met elkaar praten, hun eigen beslissingen nemen en rondrijden zonder menselijke bestuurders. Deze verschuiving, vaak de vierde industriële revolutie genoemd, rust op drie hoofdidéen die samenwerken. Ten eerste zijn er "cyber-fysieke systemen", wat simpelweg betekent dat fysieke machines zoals robots verbonden zijn met digitale breinen. Ten tweede maakt het "Internet of Things" het mogelijk voor deze machines om via het internet gegevens over hun status en omgeving te verzenden. Ten derde helpt kunstmatige intelligentie de machines om te zien en te begrijpen waar ze naar kijken. Voor ingenieurs van de toekomst is het leren hoe je deze pratende, denkende machines bouwt en beheert niet langer optioneel; het is essentieel. Het is echter moeilijk om deze complexe vaardigheden in een klaslokaal te onderwijzen. Echte fabrieksrobots zijn duur, en de software die hen laat werken is vaak te ingewikkeld voor studenten om mee te experimenteren. Scholen hebben een manier nodig om studenten te laten zien hoe deze verschillende onderdelen samenkomen zonder de bank te breken.

Een team van onderzoekers aan het Monterrey Institute of Technology and Higher Education in Mexico heeft een oplossing gebouwd voor dit probleem. Ze hebben een werkend model van een slimme fabriekscele gecreëerd dat studenten kunnen bouwen, slopen en repareren. Dit project is niet alleen een simulatie op een computerscherm; het is een fysieke opstelling waarbij echte robots echte objecten bewegen. Het doel was om te bewijzen dat een goedkoop, open-source systeem een complexe taak kon afhandelen: het oppakken van items, het identificeren van hun kleur en het sorteren ervan in verschillende bakken, terwijl er een digitale registratie van elke beweging wordt bijgehouden. De onderzoekers wilden zien of een dergelijk hands-on project studenten daadwerkelijk kon leren hoe ze robotica, internetconnectiviteit en kunstmatige intelligentie kunnen integreren.

Het systeem dat zij gebouwd hebben, vertrouwt op twee robots die in een team werken. De ene is een mobiele robot, een Omron LD-60 Autonomous Intelligent Vehicle (AIV) die uit zichzelf over de vloer rijdt. De andere is een stationaire Omron TM5-900 collaboratieve robot die aan een tafel zit. Om hen samen te laten werken, verbonden de onderzoekers hen via een netwerk dat fungeert als een zenuwstelsel, waardoor de robots direct berichten naar elkaar kunnen sturen. Wanneer de mobiele robot bij de tafel aankomt, stopt hij en wacht hij. De robotarm reikt dan uit om een blok op te pakken. Voordat de arm het blok beweegt, maakt een camera een foto van het. Dit is waar de kunstmatige intelligentie in beeld komt. In plaats van een simpele, vooraf geprogrammeerde regel te gebruiken om de kleur te raden, stuurt het systeem de foto naar een krachtige cloud-gebaseerde AI-service. De AI bekijkt de afbeelding en vertelt het systeem precies welke kleur het blok heeft.

Zodra de kleur bekend is, neemt het systeem een beslissing. Als het blok groen is, krijgt de mobiele robot de opdracht om naar het groene waypoint te rijden. Als het blauw is, gaat hij naar het blauwe waypoint. De robotarm pakt vervolgens het blok op en plaatst het op de mobiele robot, die naar de juiste locatie rijdt om het af te leveren. Tijdens dit hele proces wordt elke actie gelogd in een clouddatabase. Dit betekent dat iedereen met internettoegang een live dashboard kan bekijken dat precies laat zien waar de robots zijn, wat ze doen en of er fouten zijn opgetreden. De onderzoekers hebben de onderdelen van de robot, zoals de grijper die de blokken vasthoudt, ontworpen met 3D-printers, waardoor de kosten van de hardware zeer laag bleven. Ze hebben alle computercode en ontwerpplannen gratis beschikbaar gesteld, zodat andere scholen de opstelling exact kunnen kopiëren.

Het team heeft dit systeem grondig getest. Ze voerden het sorteerproces honderd keer achter elkaar uit om te zien hoe vaak het zonder falen werkte. De robots voltooiden de taak in negentigvier procent van de gevallen. Toen ze specifiek keken naar hoe goed de kunstmatige intelligentie de kleuren identificeerde, was dit in negentienvier procent van de gevallen correct. Het systeem was ook snel; de tijd die de robots nodig hadden om berichten naar elkaar te sturen, werd gemeten op drieëntwintig milliseconden, wat een fractie van een seconde is. De onderzoekers maten ook hoeveel de studenten leerden. Voordat het project begon, beoordeelden de studenten hun begrip van deze technologieën op een schaal. Nadat ze de opstelling hadden gebouwd en uitgevoerd, sprongen hun zelfgerapporteerde vertrouwen en kennis aanzienlijk omhoog.

Het project onthulde ook enkele beperkingen die belangrijk zijn voor toekomstig leren. Hoewel het systeem goed werkte, merkten de onderzoekers op dat het vertrouwen op het internet voor de AI-visie een risico vormt. Als de internetverbinding wegvalt, kunnen de robots de blokken niet "zien". Ze ontdekten ook dat de tijd die de AI nodig had om een afbeelding te verwerken ongeveer één punt acht seconden was, wat snel is voor een klaslokaal, maar misschien te traag is voor een hogesnelheidsfabriek. Deze problemen werden niet gezien als mislukkingen, maar als waardevolle lessen. Ze bieden een concreet voorbeeld voor studenten om te discussiëren over hoe ze systemen betrouwbaarder kunnen maken, bijvoorbeeld door back-up systemen toe te voegen of gegevens lokaal op de robot te verwerken in plaats van in de cloud.

Dit werk demonstreert dat het mogelijk is om een geavanceerd, coöperatief robotica-systeem te bouwen dat betaalbaar genoeg is voor een universiteitsklaslokaal. Door een zelfrijdend voertuig, een robotarm, cloud-gebaseerde intelligentie en een digitaal trackingsysteem te combineren, hebben de onderzoekers een compleet leermiddel gecreëerd. Het systeem behaalde een sorteerbetrouwbaarheid van tweeënennegentig procent en een visuele nauwkeurigheid van vierennegentig punt twee procent, waarmee bewezen werd dat goedkope componenten complexe industriële taken kunnen uitvoeren. Belangrijker nog, het toonde aan dat wanneer studenten deze systemen zelf bouwen, ze een veel dieper begrip krijgen van hoe de toekomst van de productie er daadwerkelijk uit zal zien. Het project biedt een blauwdruk voor scholen om de volgende generatie ingenieurs te leren hoe ze de slimme, verbonden fabrieken van morgen moeten beheren.