Laboratoř kolaborativní robotiky

Článek zkoumá využití ručních gest jako ovládacího rozhraní pro robotické systémy v kolaborativních pracovních prostředích, zejména ve výrobě. Představuje systém, který umožňuje intuitivní spolupráci mezi lidmi a roboty pomocí jednoduchých gest pro přímé definování trajektorií robotů, což odlišuje tento přístup od běžných metod. Rozhraní využívá tři RGB-D senzory ke sledování pohybů rukou operátora, přičemž data jsou zpracovávána pomocí jednotek Jetson Nano. Systém, založený na detektoru MediaPipe pro rozpoznávání gest, byl testován v experimentu s 20 dobrovolníky, který ukázal, že definice trajektorií je s tímto rozhraním rychlejší než tradiční metody. Výsledky potvrzují přínos systému a naznačují možnosti jeho dalšího rozvoje.

Tento článek se zaměřuje na využití náhodného generování dat pro vytvoření syntetických datasetů, které slouží k trénování modelů segmentace hloubkových snímků pro lokalizaci ruky. Autoři představují nové syntetické datasety vhodné pro průmyslové aplikace sledování ruky a připravili i předem natrénované modely. Byla provedena analýza datasetů k posouzení faktorů ovlivňujících generalizaci modelů, s doporučeními pro přizpůsobení simulací k dosažení kvalitních výsledků. Přístup překonává omezení analytických metod, jako je barva či orientace ruky. I bez reálných snímků dosahují modely přesnosti až 90 % a jsou navrženy pro prostředí, kde operátor sdílí pracovní prostor s robotem.

Článek se zaměřuje na simulaci prostředí pro generování datasetů pro trénink neuronových sítí. Je určen pro průmyslové aplikace, kde pracovník sdílí pracovní prostor s robotem. Autoři analyzují parametry prostředí ovlivňující výsledky modelů a nabízejí doporučení pro přizpůsobení simulace specifickým aplikacím.

Tento výzkum zkoumá možnosti zlepšení spolupráce mezi člověkem a robotem pomocí plánování pohybů robotu v kombinaci s haptickou zpětnou vazbou. Systém byl vyvinut s cílem zvýšit efektivitu komunikace plánované trajektorie robotu a jeho adaptabilitu na průmyslové aplikace.

Tento výzkum analyzuje přesnost a stabilitu výsledků sledování rukou pomocí senzoru Leap Motion. Studie se zaměřila na metody sledování rukou a jejich aplikaci v průmyslovém prostředí. Výsledky ukazují významné rozdíly v přesnosti a stabilitě v závislosti na konkrétních podmínkách, přičemž senzor se jeví jako užitečný nástroj pro interakci mezi člověkem a robotem.

Článek zkoumá plánování pohybu robotů podle standardu ISO/TS 15066 v prostředí spolupráce člověka a robota. Studie analyzuje bezpečnostní aspekty a optimální strategie pohybu pro dosažení vyšší efektivity v kolaborativních úlohách.

Tento článek rozšiřuje přístup ke zlepšení vzájemného vnímání během spolupráce člověka a robota pomocí haptických zařízení umístěných na rukou uživatele. Autoři představují prostorovou haptickou zpětnou vazbu, která intuitivně komunikuje plánovanou trajektorii robota prostřednictvím aktivace šesti vibračních motorů reprezentujících ortogonální souřadnicový systém. Vibrace se aktivují na straně nejbližší budoucí dráhy robota. Pro hodnocení účinnosti systému byly provedeny dvě uživatelské studie. První analyzovala schopnost uživatelů rozlišit aktivaci jednotlivých vibračních motorů, druhá pak celkovou použitelnost zařízení při zlepšování povědomí uživatele o pohybu robota. Výsledky ukázaly, že nový systém umožňuje rychlejší splnění úkolů a zlepšuje povědomí o trajektorii robota. Většina účastníků (82 %) upřednostnila tento systém oproti předchozí verzi bez směrové zpětné vazby a vizuální inspekci. Tento výzkum přináší významný pokrok v oblasti intuitivních rozhraní pro kolaborativní robotiku a nabízí praktické aplikace pro průmyslové využití.

Tento článek představuje novou metodu pro zlepšení energetické efektivity pohybu robotů při provádění bodového pohybu. Cílem je snížit spotřebu energie během pohybů, které nejsou závislé na konkrétní trajektorii. Nová metoda generování trajektorií využívá optimalizaci pomocí částicového roje (PSO) v kombinaci s Bézierovými křivkami pro interpolaci. Experimenty ukazují, že tato metoda může ušetřit až 40 % energie u nejlepších trajektorií, přičemž i v nejhorším případě dosahuje úspory alespoň 10 %. Výsledky byly ověřeny reálnými testy na robotickém rameni UR3, což potvrzuje efektivitu této metody ve výrobních a kolaborativních aplikacích.