Robotize quality inspection approach enhanced by Bayesian optimization through point Cloud based sensors

Combined robot-vision systems are increasingly popular nowadays, leading to a wide range of manufacturing tasks, such as locating tools, inspecting parts geometry, and checking alignments in assemblies. Although these systems are developing in many fields of application, their huge potential is only partially exploited, since often acquired sensor's data managing is a non-optimized process. The development of an algorithm, capable of choosing the best vision system pose to manage only the most useful data, is the goal of this work. Indeed the main application of this algorithm is the quality control of industrial pieces. The entire algorithm is divided in two macro sections: the Offline Architecture, that predicts the best sensor pose in function of environment model, and the Online Architecture to carry out the pose estimation of inspecting piece, moving the robot within the real environment, avoiding collisions through the OctoMap library. To validate the algorithm, a series of experiments have been conducted using the Franka Emika Panda robot arm, comparing different types of sensors. Results show that the algorithm, even with cheap sensors, through accurate setting of their parameters and the use of post-processing filters, performs in a great manner the object recognition and pose estimation of the inspected pieces.

Al giorno d'oggi i sistemi combinati robot e sensore di visione sono sempre più diffusi, aprendo la strada allo sviluppo di un'ampia gamma di attività di produzione, come la localizzazione di strumenti, l'ispezione della geometria delle parti e il controllo dell'allineamento all'interno di assiemi. Sebbene questi sistemi si stiano sviluppando in molti campi di applicazione, il loro enorme potenziale è solo parzialmente sfruttato, poiché spesso la gestione dei dati acquisiti dal sensore è un processo non ottimizzato. Lo sviluppo di un algoritmo, in grado di scegliere la miglior posa del sistema di visione per gestire solo i dati più utili per l'attività di controllo qualità di pezzi industriali, è l'obiettivo di questo lavoro. L'intero algoritmo è diviso in due macro-sezioni: l'architettura Offine, che prevede la miglior posa del sensore in funzione del modello dell'ambiente; e l'architettura Online per effettuare la stima della posa del pezzo da ispezionare, muovendo il robot all'interno dell'ambiente reale, evitando possibili collisioni attraverso la libreria OctoMap. Al fine di validare l'algoritmo, sono stati condotti una serie di esperimenti utilizzando il braccio robotico Panda della Franka Emika, confrontando diversi tipi di sensori. I risultati mostrano che l'algoritmo, anche con sensori economici, attraverso un'accurata impostazione dei loro parametri e l'utilizzo di filtri di post-elaborazione, esegue in modo egregio il riconoscimento e la stima della posa dei pezzi ispezionati.