Wettbewerb

Die @Work Liga des RoboCup betrachtet den Einsatz von autonomen Robotern in industriellen Szenarien. Die verwendeten Roboter müssen in einer bekannten Umgebung autonom navigieren und dabei industrielle Objekte manipulieren. Das Ziel ist einerseits den aktuellen Stand der Robotik auf potentielle industrielle Anwendungen zu übertragen. Andererseits geht es darum Studenten und Mitarbeiter von Universitäten die Möglichkeit zu geben ihr erlangtes Wissen und ihre Forschungsinteressen praktisch anzuwenden.

Die Teilnehmer müssen im Zuge des Wettbewerbs mehrere komplexe Teilaufgaben lösen, die in 5 Aufgabenpaketen zusammengefasst sind. 3 der 5 Aufgabenpakete stellen dabei Basisfunktionen des Roboters dar, deren Ausführung Grundlage für die Bewältigung der 2 Advanced Tasks ist.

Basic Navigation Task (BNT)

Arena

tag
Eine Beispielarena für die @Work Liga. Ein AR-Tag

In dieser Aufgabe müssen die Teilnehmer anhand von Augmented Reality (AR)-Tags in der Umgebung navigieren, wobei der Roboter mit keinem der Wände oder Tische zusammenstoßen darf. Der Roboter sollte hierbei einen Weg finden, der einerseits schnell ist, aber andererseits auch alle relevanten Tische beinhaltet. Dieses Problem stellt große Anforderungen an den verwendeten Algorithmus, die Sensorsignalverarbeitung und die Mechanik der Basisplattform.

Basic Manipulation Task (BMT)

Zusätzlich zur Navigation müssen industrielle Objekte vom Roboter erkannt, klassifiziert und manipuliert werden. Das Erkennen und Klassifizieren der Objekte kann durch verschiedene Sensoren und darauf aufbauend verschiedene Sensorsignalverarbeitungsstrategien realisiert werden. Aktuell verwenden die meisten Teams einen bildbasierten Ansatz, der zum Teil zusätzlich Tiefeninformationen verwendet. Diese Art der Sensorik ist sehr mächtig, aber eine robuste Erkennung und Klassifizierung der Objekte ist sehr schwierig, da viele Parameter wie Umgebungslicht, Lage der Objekte, Reflektivität der Objektoberfläche usw. eine Rolle spielen.

objects1 objects2 object3
Einige Objekte, die von der Sensorik des Roboters erkannt und klassifiziert werden müssen.

 

Anschließend müssen die Objekte mithilfe eines Roboterarms gegriffen und auf der Transportplattform des Roboters abgelegt werden. Hierbei muss eine verlässliche Ansteuerung des Arms Trajektorien berechnen, die es ermöglichen das Objekt zwischen den Fingern des Greifers zu platzieren, dabei aber weder mit dem Tisch noch mit dem Roboter selbst kollidieren.

extendedArm

Ein Roboter-Arm, der in der @Work-Liga eingesetzt wird, mit befestigter Kamera zur Objekterkennung und -klassifikation.

 

Basic Transportation Task

Dieser Task kombiniert die beiden ersten Tasks, indem der Roboter von einer externen Quelle einen Transportauftrag mitgeteilt bekommt. Anschließend muss der Roboter zu einem Tisch in der Arena navigieren, dort maximal drei der in der Aufgabe spezifizierten Objekte aufnehmen, diese auf seiner Transportplattform ablegen und zum Zieltisch bringen. Die Komplexität dieser Aufgabe entsteht durch die relativ lange Kette von Einzelaktionen, die der Roboter erledigen muss um sein Gesamtziel zu erreichen. Jede der Einzelaktionen kann natürlich aus verschiedensten Gründen fehlschlagen und die Entwickler müssen mit all diesen Fehlern umgehen, um es dem Roboter zu ermöglichen sein Ziel vorhersagbar zu erreichen. Auch das robOTTO Team musste lernen, dass ein robustes Roboterverhalten eine sehr große Herausforderung ist.

Conveyor Belt Task

In dieser Aufgabe muss der Roboter nicht zu einem Tisch, sondern zu einem in der Arena vorhandenen Fließband fahren und dort sich bewegende Objekte aufnehmen und zu einem Zieltisch bringen. Die Anforderungen in diesem Task an die Objekterkennung und die Trajektorienplanung des Armes sind um ein Vielfaches höher als bei den Basistasks. Nur die besten Teams schaffen in dieser Disziplin ein robustes Greifen der Objekte.

belt

Ein Fließband, wie es im Conveyor Belt Task der @Work Liga verwendet wird.
Precision Placement Task

Dieser Task erweitert den Basic Transportation Task, indem die Objekte nicht nur auf einem Tisch abgelegt werden müssen, sondern in eine der Objektform nachempfunden Form "eingefädelt" werden müssen. Bei diesem Task muss die Objekterkennung nicht nur das Objekt erkennen, sondern auch seine Lage auf dem Tisch oder der Transportplattform exakt bestimmen. Anschließend kann die Arm-Kinematik vorhersagen wie das Objekt zu greifen ist, damit es in die entsprechende Form eingelegt werden kann. Zusätzlich ist hier die Konstruktion des Greifers von größter Wichtigkeit - ein kleines Verrutschen des Objektes im Greifer kann bereits zum Scheitern der Aufgabe führen.

precisionReal

Eine Beispielkonfiguration der "Einfädelschablonen" für den Precision Placement Task.
Schwierigkeitsstufen

Da die Komplexität der Aufgaben eine große Einstiegshürde für neue Teams darstellt, können die Aufgaben in unterschiedlichen Schwierigkeiten von den einzelnen Teams bearbeitet werden. Jede Aufgabe kann dabei in Leicht, Mittel oder Schwer durchgeführt werden. Bei Leicht haben die Teams mehr Kontrolle über die Umgebungsbedingungen, daher müssen sie beim Navigieren nicht mit unerwarteten Hindernissen rechen oder können beim Greifen der Objekte die Lage der Objekte vorgeben. In der Schwierigkeitsstufe Mittel werden bereits einige Umgebungsbedingungen von den Schiedsrichtern des Wettbewerbs definiert und sind für das Team unbekannt. Auf der Stufe Schwer müssen die Teams mit allerlei Gemeinheiten der Schiedsrichter rechnen, wie z.B.: blockierte Wege in der Arena, mehr Objekte als zu greifen sind auf einem Tisch und Placement-Schablonen mit sehr kleinen Spaltmaßen.

Als Lohn für höhere Schwierigkeiten gibt es natürlich mehr Punkte, aber auch die Gefahr mehr Fehler zu machen und daher auch mehr Strafpunkte zu erhalten. Die Teams müssen also strategische Entscheidungen treffen und die Qualität ihrer Lösungen realistisch bewerten um eine hohe Punktzahl zu erzielen.

precisionMask1 precisionMask2
Ein Beispeil für Schablonen  in verschiedenen Schwierigkeitsgraden.

Letzte Änderung: 14.10.2015 - Ansprechpartner: Webmaster