Redes neuronales y visión por computadora aplicados a robots de soldadura
En el área de soldadura y robótica industrial se han creado métodos que proponen diferentes modelos para lograr que un robot aprenda de manera automática cómo generar un cordón de soldadura. En la siguiente imagen [1] se propuso una arquitectura basada en una red neuronal artificial (ANN) para aprender habilidades de soldadura automáticamente en robots industriales.
Con la ayuda de una cámara y una proyección láser, se mide la geometría del cordón (ancho y alto). Con ello se logra un algoritmo de visión por computadora en tiempo real para extraer patrones de entrenamiento con el fin de adquirir conocimiento para luego predecir geometrías específicas.
La propuesta se implementa y se prueba en un robot industrial KUKA KR16 y una máquina de tipo GMAW dentro de una celda de fabricación. Se describe el entrenamiento del robot fuera de línea y en línea, así como las estrategias de aprendizaje y experimentación.
En esta propuesta se demuestra experimentalmente que, después de aprender la habilidad, el robot puede producir la geometría de cordón solicitada, incluso sin ningún conocimiento sobre los parámetros de soldadura, como el voltaje y la corriente del arco.
En la propuesta también se plantea un conjunto de movimientos limitados. Sin embargo, actualmente el aprendizaje por refuerzo o aprendizaje reforzado (área del aprendizaje automático donde un agente o robot determina qué acciones debe escoger en un entorno dado, con el fin de maximizar alguna noción de "recompensa" o premio) busca no sólo aprender parámetros y movimientos lineales, sino lograr extraer las trayectorias en 3D de imágenes simples 2D. Para ello es indispensable una combinación de simulaciones y experimentos reales para hacer la transferencia de movimientos.
PhD. Reyes Rios Cabrera
[1] Rios-Cabrera, Reyes; Morales-Díaz, América B; Avilés-Viñas, Jaime F; López-Juarez, Ismael. “Robotic GMAW online learning: issues and experiments”. The International Journal of Advanced Manufacturing Technology, 87 (5), pp. 2113–2134, 2016, ISSN: 1433-3015.