Misura dell'orientamento di pezzi meccanici a geometria variabile tramite Machine Learning - sviluppo algoritmi e validazione metrologica

L’identificazione corretta della posizione e dell’orientamento di pezzi meccanici a geometria variabile è uno dei maggiori problemi nelle applicazioni di pick & place in ambito industriale. Riuscire a identificare correttamente il modo in cui il pezzo oggetto della misura è posizionato in modo da riuscire a prenderlo e spostarlo risulta fondamentale nei processi industriali automatici in cui sono presenti numerose celle robotiche tra una macchina utensile e l’altra. Il problema viene spesso affrontato tramite tecniche basate su visione 2D che, però, presentano dei limiti quando i pezzi meccanici da prelevare possiedono una geometria tale da uscire dal dominio bidimensionale. Parallelamente, l’approccio 3D presenta una problematica legata soprattutto alla geometria variabile, che non consente lo sviluppo di un algoritmo robusto per l’identificazione del posizionamento del pezzo. Per superare queste limitazioni, negli ultimi anni sono state sviluppate tecniche di misura basate su machine learning che consentono di arginare i problemi legati alla variabilità della geometria. La presente memoria descrive lo sviluppo di un algoritmo di misura della posizione e dell’orientamento di pezzi meccanici di geometria variabile. I pezzi meccanici considerati sono stati ricavati da operazioni di stampaggio e presentano bave sul contorno che rendono gli approcci standard inefficaci e poco accurati nella misura. Per questo motivo, è stato sviluppato un algoritmo di misura che sfrutta una combinazione di tecniche di machine learning e tecniche classiche di visione 3D che permette di ottenere la matrice di rototraslazione dei pezzi oggetti della misura rispetto al relativo modello CAD di progettazione. Grazie alla matrice di rototraslazione ottenuta, è possibile fornire al robot la posizione accurata di alcuni punti scelti manualmente e utilizzati dal robot stesso per effettuare la presa del pezzo. L’algoritmo sviluppato opera su una nuvola di punti 3D del pezzo meccanico comprensivo di bave. Una volta effettuata la scansione sono previste diverse fasi: (i) ritaglio automatico della nuvola in modo da ricavarne solamente il pezzo in esame, (ii) rimozione automatica delle blob di punti identificate come outlier rispetto alla nuvola del pezzo, (iii) identificazione della posa del pezzo meccanico tramite classificatore basato su machine learning, (iv) allineamento grossolano tra pezzo meccanico (SCAN) e il relativo modello di riferimento (RIF) tramite analisi PCA (Principal Component Analysis) e (v) allineamento fine tra pezzo meccanico e modello CAD tramite algoritmo ICP (Iterative Closest Point).