【技术实现步骤摘要】
【国外来华专利技术】用于机器人油漆修复的学习框架
本申请涉及用于学习和执行油漆应用(例如,底漆砂磨、清漆涂层缺陷去除、清漆涂层抛光等)的自动化缺陷特定修复的框架。所公开的技术使用用于检查、分类和策略优化的最先进的机器学习方法来使领域特定的过程专门知识的生成和利用自动化。
技术介绍
清漆涂层修复是汽车原始装备制造(OEM)部门中要自动化的最后操作中的一项操作。期望用于使该过程以及适于使用磨料和/或机器人检查和修复的其他油漆应用(例如,底漆砂磨、清漆涂层缺陷去除、清漆涂层抛光等)自动化的技术。另外,该问题在售后部门还未得到解决。使油漆缺陷的检测和修复自动化的早期工作包括美国专利公布2003/0139836中描述的系统,该专利公布公开了使用电子成像来检测和修复车身上的油漆缺陷。该系统参考车辆成像数据与车辆CAD数据,以形成每个油漆缺陷的三维油漆缺陷坐标。油漆缺陷数据和油漆缺陷坐标用于开发用于使用多个自动化机器人进行自动化修复的修复对策,该自动化机器人执行多种任务,包括砂磨和抛光油漆缺陷。修复对策包括路径和处理参数、工具以及机器人选择。力反馈传感器可用于控制修复过程。附加任务可包括生成机器人路径和工具参数、执行质量数据记录和错误报告。然而,没有提供修复过程的细节。另外,该系统不应用图案匹配或机器学习技术来帮助识别缺陷或确定用于校正缺陷的最佳过程。美国专利公布2017/0277979公开了在车辆检查系统中使用图案分类器来从图像中识别缺陷,该图像是通过将光照射在固定位置处的镜面上并且使用固定相机测量反射光而生成的。通过使用图像构建车 ...
【技术保护点】
1.一种提供机器人油漆修复的计算机实现的方法,所述方法包括:/na)由一个或多个处理器接收基底中的每个所识别的缺陷的坐标连同每个缺陷的特性;/nb)由所述一个或多个处理器将所述基底中的所识别的缺陷的坐标连同机器人控制器模块控制机器人操纵器以使所述机器人操纵器的端部执行器紧密接近所述基底上的所识别的缺陷所需的任何附加数据一起传送到所述机器人控制器模块;/nc)由所述一个或多个处理器将所述缺陷的特性和所述机器人操纵器的至少所述端部执行器的当前状态提供给策略服务器;/nd)由所述一个或多个处理器从所述策略服务器接收基于先前学习的控制策略的修复动作;以及/ne)由所述一个或多个处理器通过将指令传送到所述机器人控制器模块和端部执行器来执行所述修复动作以实现所述修复动作。/n
【技术特征摘要】
【国外来华专利技术】20180827 US 62/723,1271.一种提供机器人油漆修复的计算机实现的方法,所述方法包括:
a)由一个或多个处理器接收基底中的每个所识别的缺陷的坐标连同每个缺陷的特性;
b)由所述一个或多个处理器将所述基底中的所识别的缺陷的坐标连同机器人控制器模块控制机器人操纵器以使所述机器人操纵器的端部执行器紧密接近所述基底上的所识别的缺陷所需的任何附加数据一起传送到所述机器人控制器模块;
c)由所述一个或多个处理器将所述缺陷的特性和所述机器人操纵器的至少所述端部执行器的当前状态提供给策略服务器;
d)由所述一个或多个处理器从所述策略服务器接收基于先前学习的控制策略的修复动作;以及
e)由所述一个或多个处理器通过将指令传送到所述机器人控制器模块和端部执行器来执行所述修复动作以实现所述修复动作。
2.根据权利要求1所述的方法,其中所述修复动作包括用于砂磨工具的RPM的设定点、用于顺应力凸缘的控制输入、所述机器人操纵器的轨迹和总处理时间中的至少一者。
3.根据权利要求2所述的方法,其中所述机器人操纵器的所述轨迹作为与正在修复的所述缺陷的原点的时变位置偏移而被所述一个或多个处理器传送到所述机器人操纵器。
4.根据权利要求1所述的方法,还包括由所述一个或多个处理器接收每个缺陷的特性,所述特性包括来自端部执行器传感器的本地收集的原位检查数据。
5.根据权利要求4所述的方法,还包括:f)由所述一个或多个处理器向机器学习单元提供所述原位数据,以用于使用条纹图案投影、偏折法和用相机进行的漫反射或正常白光的强度测量中的至少一者来创建学习更新。
6.根据权利要求5所述的方法,还包括所述一个或多个处理器重复步骤c)-f),直到令人满意地修复所识别的缺陷。
7.根据权利要求1所述的方法,其中所述修复动作包括在所识别的缺陷的位置处砂磨所述基底。
8.根据权利要求1所述的方法,其中所述修复动作包括在所识别的缺陷的位置处抛光或磨光所述基底。
9.根据权利要求1所述的方法,还包括所述一个或多个处理器接收与由所述修复动作产生的修复的质量相关的质量数据,并且将所述缺陷的所述特性和所述质量数据提供给所述策略服务器以供记录。
10.根据权利要求9所述的方法,还包括所述一个或多个处理器实现机器学习模块,所述机器学习模块运行学习更新以基于特定的识别缺陷和对所执行的修复的后续评估来改善来自所述策略服务器的未来修复动作。
11.根据权利要求10所述的方法,还包括所述一个或多个处理器使用在所述修复动作的执行期间和/或之后收集的传感器反馈将修复识别为良好或不良,并且实现强化学习以开发针对所识别的缺陷的修复动作。
12.根据权利要求11所述的方法,其中通过将所识别的缺陷的原始成像数据映射到修复动作,基于所述修复动作的质量而分配回报,以及识别使所述回报最大化的策略,来实现所述强化学习。
13.根据权利要求12所述的方法,其中所述强化学习被实现为基于马尔可夫决策过程(MDP)的强化学习任务。
14.根据权利要求13所述的方法,其中所述MDP为有限MDP,其具有至少使用初始状态、砂磨状态、抛光状态和完成状态在MDP转换图中实现的任务,其中所述初始状态被增强以将所识别的缺陷包括在其原始、未改变的状态中,所述砂磨状态和所述抛光状态分别发生在砂磨动作和抛光动作之后,并且所述完成状态标记所述修复过程的结束。
15.根据权利要求14所述的方法,其中所述砂磨状态和所述抛光状态包括来自端部执行器传感器的本地收集的原位检查数据。
16.根据权利要求14所述的方法,其中在所述MDP转换图中实现的所述任务包括动作,所述动作包括完成、tendDisc、砂磨和抛光中的至少一者,其中完成动作立即将过程转到所述完成状态,tendDisc动作向所述机器人操纵器发信号以润湿、清洁或更换所述端部执行器的磨料盘,并且砂磨动作和抛光动作使用包括以下中的至少一者的参数来实现:所述端部执行器的砂磨工具的RPM、施加的压力、停留/处理时间以及所述机器人操纵器的修复轨迹。
17.根据权利要求16所述的方法,其中所述砂磨动作和所述抛光动作是连续参数的连续参数函数。
18.根据权利要求16所述的方法,其中在所述MDP转换图中实现的所述任务包括单个tendDisc动作,之后是单个砂磨动作,之后是单个抛光动作。
19.根据权利要求1所述的方法,其中所述缺陷的所述特性包括未处理的原始图像。
20.根据权利要求1所述的方法,其中所学习的控制策略使用磨料利用数据来实现基于剩余磨料寿命的决策。
21.根据权利要求1所述的方法,还包括使...
【专利技术属性】
技术研发人员:布雷特·R·黑梅斯,约翰·W·亨德森,内森·J·赫布斯特,史蒂文·P·弗洛德,杰弗瑞·P·阿道夫,
申请(专利权)人:三M创新有限公司,
类型:发明
国别省市:美国;US
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。