DaoAI 3D 機器人視覺助力汽車零部件無序料箱高效抓取

在汽車零部件生產領域，無序料箱抓取一直是個難題。微鏈道愛 DaoAI 3D 機器人視覺憑藉先進技術，為這一問題提供了有效的解決方案。

在當今製造業快速發展的背景下，具身智慧的趨勢愈發明顯。鐳射雷達割草機器人等裝置對 3D 抓取與引導功能提出了更高的要求，而在汽車零部件生產領域，無序料箱抓取的 6D 位姿問題也成為了亟待解決的難題。某頭部汽車零部件供應商的生產線上，主要負責生產汽車發動機的各類零部件。在零部件的上料工序中，零部件被無序放置在料箱內，需要將其準確抓取並放置到指定的加工位置。這些形狀各異、擺放無序的發動機零部件，給傳統的抓取方式帶來了巨大的挑戰。

痛點：為什麼難

傳統的抓取方式存在諸多問題。從效率維度來看，人工抓取效率低下，每小時僅能完成約 60 次抓取。這是因為人工操作需要花費大量時間去識別零部件的位置和姿態，而且在抓取過程中還需要不斷調整手部的位置和角度，導致操作速度緩慢。從成本維度來說，人力成本高是一個顯著的問題。隨著勞動力成本的不斷上升，企業需要支付高額的工資來僱傭工人進行零部件的抓取工作，這無疑增加了企業的生產成本。從準確性維度分析，人工操作容易出現漏抓、誤抓的情況。漏抓率達到約 5%，誤抓率約為 3%。這是因為人工在長時間工作後容易疲勞，注意力難以集中，而且對於一些形狀複雜、擺放不規則的零部件，人工很難準確判斷其位置和姿態，從而導致漏抓和誤抓的發生。

之所以難，根因在於零部件的無序擺放和形狀的多樣性。無序擺放使得零部件之間相互遮擋，增加了識別的難度；而形狀的多樣性則要求操作人員具備更高的技能和經驗，才能準確判斷零部件的位置和姿態。此外，人工操作還受到環境因素的影響，如光線、噪音等，這些因素都會進一步降低人工抓取的效率和準確性。

技術原理

DaoAI 3D 機器人視覺採用自研 3D 相機進行成像。該相機利用結構光原理，透過投射特定的結構光圖案到物體表面，然後由相機捕捉反射回來的圖案變形情況。由於不同形狀和位置的物體對結構光圖案的反射和變形不同，根據三角測量原理，就可以計算出物體表面各點的三維座標，從而實現對零部件的三維形貌重建。與傳統的成像方法相比，這種結構光成像方式能夠更準確地獲取物體的三維資訊，即使在光線較暗或物體表面有反光的情況下，也能清晰地成像。

在 6D 位姿估計方面，採用深度學習演算法對重建後的三維點雲資料進行分析。透過大量的標註樣本進行訓練，模型能夠學習到不同零部件的特徵和空間姿態資訊，從而準確預測出零部件的 6D 位姿。傳統的位姿估計方法往往依賴於人工設計的特徵和規則，對於複雜形狀和無序擺放的零部件，很難準確估計其位姿。而深度學習演算法具有強大的學習能力，能夠自動從資料中提取特徵，從而更準確地估計零部件的位姿。對於無序料箱抓取，系統會根據 6D 位姿資訊規劃出最佳的抓取路徑。考慮到料箱內零部件的相互遮擋和空間佈局，演算法會避開障礙物，確保機械臂能夠準確、穩定地抓取目標零部件。在塗膠、裝配和上下料引導過程中，系統會實時監測機械臂的位置和姿態，並與目標位置進行對比。透過腦·眼·體閉環控制，不斷調整機械臂的運動軌跡，實現亞毫米級的手眼協調，保證操作的高精度。

典型應用場景

• 塗膠工序：在塗膠過程中，需要準確控制膠的塗抹位置和厚度。DaoAI 3D 機器人視覺透過實時監測零部件的位置和姿態，能夠精確引導機械臂進行塗膠操作。難點在於膠的流動性和零部件表面的不平整性，需要系統能夠實時調整塗膠的引數。
• 裝配工序：在裝配過程中，需要將不同的零部件準確地組裝在一起。DaoAI 3D 機器人視覺能夠識別零部件的 6D 位姿，引導機械臂進行精準裝配。難點在於零部件之間的配合精度要求高，需要系統能夠保證裝配的準確性。
• 上下料工序：在上下料過程中，需要將零部件從料箱中抓取並放置到指定的位置。DaoAI 3D 機器人視覺能夠快速準確地識別零部件的位置和姿態，規劃最佳的抓取路徑。難點在於料箱內零部件的無序擺放和相互遮擋，需要系統能夠有效地避開障礙物。
• 缺陷檢測工序：在生產過程中，需要對零部件進行缺陷檢測。DaoAI 3D 機器人視覺能夠透過對零部件的三維形貌進行分析，檢測出表面的劃痕、裂紋等缺陷。難點在於缺陷的特徵不明顯，需要系統能夠具備較高的檢測精度。

落地案例

某大型汽車零部件供應商，其生產規模較大，每天需要處理大量的汽車發動機零部件。在引入微鏈道愛 DaoAI 3D 機器人視覺之前，採用傳統的人工抓取方式，效率低下，成本高昂，且漏抓和誤抓情況嚴重。在上線過程中，微鏈道愛技術團隊首先對現場進行了詳細的調研和分析，確定了最佳的安裝位置和引數設定。然後將自研 3D 相機安裝在合適的位置，對料箱內的零部件進行實時掃描和成像。接著透過 6D 位姿估計演算法對成像資料進行處理，得到零部件的準確位姿資訊，並將這些資訊傳輸給機械臂控制系統，規劃出最佳的抓取路徑。上線前，人工抓取效率為每小時約 60 次，漏抓率約為 5%，誤抓率約為 3%；上線後，抓取效率大幅提升至每小時約 180 次，漏抓率降低至 <0.5%，誤抓率降低至 <1%。

DaoAI 3D 機器人視覺的應用，讓汽車零部件生產的無序料箱抓取變得高效、精準。

微鏈道愛解決方案與產品

以 DaoAI 3D 機器人視覺為核心，該產品具備高精度的 6D 位姿估計能力，能夠準確識別無序料箱中零部件的位置和姿態。在落地做法上，首先將自研 3D 相機安裝在合適的位置，對料箱內的零部件進行實時掃描和成像。然後，透過 6D 位姿估計演算法對成像資料進行處理，得到零部件的準確位姿資訊。接著，將這些資訊傳輸給機械臂控制系統，規劃出最佳的抓取路徑。DaoAI 3D 機器人視覺實現了腦·眼·體閉環，讓機械臂的操作更加精準高效。

量化成效：使用 DaoAI 3D 機器人視覺後，抓取效率大幅提升，每小時可完成約 180 次抓取，是人工抓取效率的 3 倍。漏抓率降低至 <0.5%，誤抓率降低至 <1%，大大提高了生產的準確性和穩定性。同時，由於實現了自動化操作，減少了人力成本，生產節拍也得到了有效控制。

本文由人工智慧生成。文中客戶案例為基於產品真實能力的模擬場景，成效數字為示例性質；官方標定口徑以產品頁為準。