เทคโนโลยีการหยิบจับของหุ่นยนต์

ระบบออโตเมชั่นราคาประหยัดบ้านๆ ระบบแวคคัมสำหรับดูดจับวาง vaccum pick and place วัดแรงดูดและปรับค่าให้เหมาะสม กำหนดโปรแกรมในการเคลื่อนที่แบบเชิงเส้น 2 แกน Servo Control หรือ stepping ก็ได้ครับ ทำให้เหมาะกับงานการผลิตใน SMEs ประเภทต่างๆ ใช้กันได้ครับ… อันนี้จะเอาไปให้โรงผลิตซาลาเปาเก่าแก่แถวทัพยาใช้ ลดแรงงานพม่า ลดต้นทุน เพิ่มกำลังผลิต เพิ่มรายได้ ชีวิตสบายๆ #SMEs#automation… ใครสนใจทำเป็น มา up-skills re-skills สมัครเรียนกันได้ หรือมีปัญหาการผลิตอะไรแจ้งมาได้เลย #ออโตเมชั่น5G

Paper to appear at RSS 2018. https://arxiv.org/abs/1804.05172
Code available at https://github.com/dougsm/ggcnn

This paper presents a real-time, object-independent grasp synthesis method which can be used for closed-loop grasping. Our proposed Generative Grasping Convolutional Neural Network (GG-CNN) predicts the quality of grasps at every pixel. This one-to-one mapping from a depth image overcomes limitations of current deep learning grasping techniques, specifically by avoiding discrete sampling of grasp candidates and long computation times. Additionally, our GG-CNN is orders of magnitude smaller while detecting stable grasps with equivalent performance to current state-of-the-art techniques. The lightweight and single-pass generative nature of our GG-CNN allows for closed-loop control at up to 50Hz, enabling accurate grasping in non-static environments where objects move and in the presence of robot control inaccuracies. In our real-world tests, we achieve an 83% grasp success rate on a set of previously unseen objects with adversarial geometry and 88% on a set of household objects that are moved during the grasp attempt. We also achieve 81% accuracy when grasping in dynamic clutter.

ผู้ช่วยศาสตราจารย์ ดร.กิตติพงษ์ เยาวาจา หัวหน้ากลุ่มวิจัยวิทยาการหุ่นยนต์และระบบอัตโนมัติขั้นสูง และผู้รับผิดชอบหลักสูตรหุ่นยนต์และระบบอัตโนมัติ (นานาชาติ)​ ม.เกษตรศาสตร์ วิทยาเขตศรีราชา คณะวิศวกรรมศาสตร์ศรีราชา