Syväoppiminen teollisuusrobotiikan bin-pickingissä

Abstract

Bin-picking on robotiikan monitahoinen ongelma, jossa on viime aikoina saavutettu merkittäviä edistysaskelia syväoppimisen kehittymisen myötä. Se koostuu monista peräkkäisistä ja toisiinsa kytkeytyvistä tehtävistä, mutta päätavoite on poimia manipulaattoria käyttäen satunnaisessa asennossa oleva kappale muiden kappaleiden joukosta. Tässä tutkielmassa perehdytään kuvailevan kirjallisuuskatsauksen keinoin syväoppimisen hyödyntämiseen bin-pickingissä algoritmeja ja havaitun datan käsittelyä painottaen. Aihetta tarkastellaan erityisesti teollisuusrobotiikan näkökulmasta. Työn aikana pyritään selvittämään: Mikä on bin-pickingin ja syväoppimisen teoreettinen viitekehys? Miten syväoppimista on hyödynnetty bin-picking-ongelman ratkaisussa? Mitä hyötyjä ja haasteita syväoppiminen tuo bin-pickingissä sovellettuna?

Kirjallisuuskatsaukselle ominaisesti tutkielmassa käytetty tutkimusaineisto koostuu pääasiallisesti tieteellisesti laadukkaista ja vertaisarvioiduista tutkimusartikkeleista, jotka on julkaistu noin viimeisen viiden vuoden aikana. Niiden lisäksi tutkimusaineistossa on aiheelle relevantteja oppikirjoja ja muita teoksia. Tutkielmassa tarkastellaan syvällisemmin kolmea alkuperäistutkimusta, jotka keskittyvät bin-pickingin eri osa-alueille ja ovat valikoitu relevanttiuden ja uutuuden perusteella. Kuvailevan kirjallisuuskatsauksen tarkoitus on muodostaa tutkittavasta aiheesta selkeä ja kattava kuvaus aihetta jäsennellen ja annettuihin tutkimuskysymyksiin vastaten.

Tutkimuksessa havaitaan, että bin-pickingissä hyödynnetään kone- ja syväoppimisen menetelmistä ainakin neuroverkkoja, konvoluutioneuroverkkoja ja ryvästystä. Tutkielman syvällisemmän tarkastelun osioon valitussa aineistossa syväoppimista käytetään syötedatan käsittelyyn, pistepilvien havaitsemiseen, manipulaattorin reitin generoimiseen ja toisen verkon antaman tuloksen suodattamiseen eri tavoin.

Syväoppimisen menetelmillä on parannettu erityisesti segmentoinnin tarkkuutta, 6D-asennon arvioimista ja liikeratojen suunnittelua. Käytössä olevia syväoppimisen keinoja kehittämällä on myös vähennetty neuroverkkojen korkeiden koulutusdatamäärien vaikutusta kyseistä arkkitehtuuria hyödyntävien järjestelmien kustannustehokkuuteen. Neuroverkkojen tekemien päätösten selittämättömyys aiheuttaa yhä suuria ongelmia neuroverkkoarkkitehtuurin luotettavuuden arvioimisessa, mutta selitettävien neuroverkkojen kehitys voi tuoda niihin uusia ratkaisuja tulevaisuudessa.

Tutkielma antaa kuvailevalle kirjallisuuskatsaukselle tyypillisesti yleiskuvan syväoppimisen menetelmien käyttömahdollisuuksista bin-pickingissä. Tutkielman suppeuden vuoksi aihetta olisi suotavaa tutkia enemmänkin tutkielman ulkopuolelle jääneiden bin-pickingin osa-alueiden osalta, sekä teollisuusrobotiikan lisäksi myös muista näkökulmista.