Abeje Y. Mersha
Het doel van dit project is om ROS2, open source technologieën en Artificial Intelligence voor objectherkenning en positiebepaling dichter bij de industrie te brengen. Dit gebeurt door toegepast onderzoek en een haalbaarheidsstudie uit te voeren, en door een demonstrator te bouwen voor bin picking. Hiermee wordt de technologie tastbaar en toegankelijk voor bedrijven.
Er wordt bewust gekozen voor open source oplossingen, omdat veel bedrijven traditioneel met gesloten (closed source) systemen werken, terwijl er binnen de open source community veel waardevolle kennis en innovaties beschikbaar zijn. Door gebruik te maken van deze technologieën kunnen bedrijven profiteren van transparantie, flexibiliteit en een breder ecosysteem.
Door samenwerking met industriële en academische partners wordt kennis opgebouwd en gedeeld, zodat de praktische toepasbaarheid van ROS2, AI en open source technologieën binnen productieomgevingen wordt vergroot. Dit draagt bij aan efficiëntere en flexibelere productiesystemen in de maakindustrie.
De Nederlandse maakindustrie, met name het MKB, werkt veel met kleine series en maatwerk. Klanten eisen steeds vaker gepersonaliseerde producten van hoge kwaliteit. Dit vergroot de noodzaak om productiviteit te verhogen en omsteltijden te verkorten. Slimme en flexibele robotisering, zoals cobots en modulaire software, biedt hier een oplossing voor.
Op verzoek van T-Valley is dit project tot stand gekomen om te onderzoeken hoe technologieën zoals ROS en AI effectief kunnen worden ingezet in de industrie. Deze technologieën kunnen helpen bij het verbeteren van vision-systemen en padplanning, maar zijn nog niet breed geïmplementeerd in de praktijk. Het project richt zich daarom op het toepasbaar maken van deze oplossingen voor de maakindustrie.
ROS (Robot Operating System) is een modulair platform voor robotica, maar vereist expertise en heeft beperkingen in compatibiliteit. AI en deep learning bieden kansen voor vision-toepassingen, zoals defectdetectie en objectherkenning, maar zijn nog niet breed toegankelijk voor de industrie. Het TRL-niveau van deze technologieën is relatief laag en ondersteuning is beperkt.
In T-Valley roadmap-sessies is interesse getoond in bin picking en vision-gebaseerde objectherkenning. Dit project is hieruit voortgekomen en volledig opgebouwd met behulp van open source technologieën. Daarbij wordt specifiek gebruikgemaakt van open source AI-frameworks voor vision, die flexibiliteit en kostenefficiëntie bieden voor het ontwikkelen van toepassingen zoals objectherkenning en positiebepaling.
Belangrijke onderzoeksvragen zijn hoe een robotarm objecten correct kan detecteren en oppakken met behulp van AI en ROS2. Dit project onderzoekt de haalbaarheid en betrouwbaarheid van deze technologieën voor industriële toepassingen.
Het project richt zich op de ontwikkeling van een functionele demonstrator voor bin picking met AI en ROS2. Dit omvat een haalbaarheidsstudie naar AI-frameworks voor objectdetectie en pose-estimatie, en de implementatie van een modulaire robotoplossing. De resultaten zullen bijdragen aan kennisopbouw binnen de industrie en het onderwijs, en zullen worden gedeeld via het T-Valley-netwerk. Uiteindelijk moet dit leiden tot bredere toepassing van deze technologieën in de maakindustrie.
Het project is opgedeeld in verschillende werkpakketten:
Abeje Y. Mersha
Dennis Borger
Peter Ebben
Gerjen ter Maat
Joris Kampman
Aleksandrs Izmailovs
Rahul Moongayil Ramakrishnan
Henri Huisman
