Intelligent Collaborative Robotics for Steel Model Polishing

Abstract

A crescente procura pela utilização de objetos de plástico tem promovido a utilização de moldes no seu fabrico e produção. Os moldes permitem a produção de objetos de plástico em massa, numa indústria que parece estar limitada apenas pela imaginação humana. A produção em massa permite reduzir o custo dos objetos de plástico, contribuindo deste modo para um crescente maior das necessidades desta indústria. Neste contexto, a qualidade do objeto de plástico é fortemente dependente da qualidade do molde. Por conseguinte, a criação de moldes de alta qualidade a baixo custo é uma exigência da indústria. O processo de polimento é tipicamente realizado por operadores humanos especializados, cujo trabalho é reconhecidamente causa de problemas de saúde relacionados com as tarefas destes procedimentos. A transferência de algumas das competências deste operários especializados pode contribuir para a melhoria das suas condições de trabalhos. Nesta tese de mestrado, propõe-se a utilização de Redes Neuronais com Memória de Longo e Curto Prazo para abordar o problema do polimento de moldes. Este tipo de redes neuronais profundas são especificamente concebidas para previsão de séries temporais, sendo adequadas para caracterizar a habilidade humana. Estas redes conseguem captar o padrão humano do polimento, gerando referências treinadas para aplicações robóticas. Neste trabalho é utilizado o robô Panda, da Franka Emika, para executar polimentos baseados na demonstração humana. A impedância do robô é controlada tendo em conta a dinâmica de interação do braço humano.

Mold relevance in the plastic industry has increase over the years due to high standards of modern societies. The use of molds allows the mass prodution of great variety of objects for our daily lives. In this context, the quality of plastic objects greatly depends on mold characteristics. Therefore, creating high quality molds with low cost is an industry demand. Polishing is a critical process in mold fabrication that is typically conducted manually by human operators accounting for 37% to 50% of the total time needed to produce a mold. The fact that is conducted by human labor makes the process of polishing time consuming. Also, this process exposes the specialized workers to high levels of noise as well as high concentration of metallic dust. In this thesis, the use of a Long Short Term Memory (LSTM) Neural Network to address the problem of robotic assited mold polishing is proposed. This type of Deep Neural Network is specfically designed for time series forecasting, being appropriate to represent human skills. Several LSTM's were researched and investigated, using different hyperparameters and architectures to obtain suitable results. The influence of the number of time steps, neurons, hidden layers and epochs in relation to the neural network complexity was studied. The relevance of the activation function and the optimizer used were also investigated. This work uses a Panda robot, from Franka Emika, to execute the polishing task based on human demonstration. The robot impedance is desined taking into account human arm interaction dynamics.