Industrial robotics applications often involve highly structured and repetitive tasks for which the robot motions are manually programmed offline and deployed online. A newer paradigm in industrial robotics relies on the online construction of a 3-dimensional map from sensor measurements taken by RGB-d sensors to understand an un-modeled object in the scene. This poses a problem in these settings since the extra functionality could render robots prohibitively slow in solving tasks.

We describe a specific path-planning problem where a YuMi robot from ABB equipped with a pincer and an RGB-d camera is tasked with a 3 stage path planning problem. It first scans a bin and its components. It then builds a map of the scene with which it may plan a collision-free path using a probabilistic roadmap. Finally, the robot would follow the proposed route with its end-effector. We seek only to address the second step and evaluate it in terms of the speed and accuracy of the map. We describe four pipelines that address measurement integration, construction of collision geometry, and instantiation of discrete collision checkers.

We survey mapping methods used in academia and industry and implement one that promises good speed and accuracy. In the first pipeline, we reimplement the MoveIt stack by constructing a map using OctoMap, which produces an OcTree. A recursive GJK collision query implemented in FCL interprets the OcTree as a bounding volume hierarchy of cubes and determines collisions between the scene and the robot. In pipeline 2, we instead build this map using the GPU-accelerated mapping method KinectFusion and generate the OcTree-like bounding volume hierarchy separately, utilizing the same collision query. In pipeline 3, we map using KinectFusion and build a Euclidean signed distance field from this map to perform collision checks against a spherical robot representation. Pipeline 4 instead generates a bounding volume hierarchy of spheres from the map produced by KinectFusion, and the robot is instead represented using Euclidean signed distance fields.

Experimentally, we determined that a good map could be constructed using a somewhat constrained number of measurements. We see that all the maps and collision geometries produced are conservative. Increasing the number of voxels in the map improves accuracy, but only if the quality of the measurements is sufficiently high. Finally, we determine that the path planning problem can be solved in 100s milliseconds using pipelines 3 and 4, while pipelines 1 and 2 are debilitatingly slow for high-fidelity maps. They have similar performance in terms of accuracy, and no pipeline has resulted in accidental collisions.

Problem inom industriell robotik bygger på väl strukturerade och repetitiva uppgifter där robotens rörelser är förutsägbara. Banor och manövrar planeras innantill och används sedan i produktion. En nyare paradigm inom robotik låter roboten utföra mer komplexa uppgifter som innehåller osäkerheter, särskilt problem där föremål i miljön inte kan modelleras. Då mer avancerade metoder krävs för att lösa dessa problem riskerar man att dom blir alldeles för långsamma i praktiken.

Vi demonsterar ett banplanerings-problem där en YuMi robot från ABB som bär en RGB-d kamera och en pincett skall utföra ett problem i tre delar. Först skall en bytta med komponenter skannas in. En 3-dimensionell karta av byttan skapas från mätdata från vilken en kollision-fri bana kan bestämmas. När denna bana etablerats skickas instruktioner till robotens hårdvara. Denna avhandling behandlar det andra steget genom att identifiera de snabbaste och noggranaste metoderna som forskningsvärlden har kommit fram till. Fyra olika metoder som kartlägger, generarar kollisionkroppar och utför kollisionskontroller föreslås.

Den första metoden efterliknar en robotik-plattform från industrin som heter MoveIt. Där bygger man en OctoMap som följer strukturen av ett OcTree. Kollisionsmotorn FCL tolkar detta OcTree som ett hierarkiskt träd av omslutande kuber och utför en kollisionskontroll genom att rekursivt köra GJK-algoritmen mellan OcTree:ets kuber och en triangel-representation av roboten. En andra metod använder en KinectFusion baserad kartläggningsmetod vilket accelererar kartläggningen med hjälp av en GPU, och återanvänder samma kollisionskontroll. Där krävs det att OcTree:et generaras separat från kartan. En tredje metod bygger en karta med KinectFusion och skapar sedan ett Evklidiskt distansfält. Här utförs kollisionskontroller mot ett sfäriskt OcTree som motsvarar roboten. I en fjärde metod så bygger man istället ett sfärsikt OcTree som motsvarar byttan och låter roboten representeras av Evklidiska distansfält.

I ett experiment etablerar vi att man kan bygga en bra karta över byttan med ett relativt litet antal mätningar. Alla kartor och kollisionskroppar vi skapar är konservativa. Genom att öka antalet volymelement i kartorna så ökar noggranheten i kollisionskropparna, dock kan kvaliten på mätdata sätta en gräns på hur bra rekonstruktionerna är. I ett sista experiment visar vi att banplanerings-problemet kan lösas på ett antal 100ms med hjälp av metod 3 och 4, medans metoder 1 och 2 är alldeles för långsammma för vårat syfte. Alla metoder är ungefär lika noggrana och alla metoder ger kollisionfria banor.