Добірка наукової літератури з теми "Palettisation"

La logistique consiste à stocker, déplacer et expédier des marchandises à des détaillants ou clients finaux tant en garantissant une gestion efficace des flux d’information sous-jacents. Les travaux menés durant cette thèse visent à automatiser le processus de préparation de commande sur palette en introduisant des robots manipulateurs mobiles dans les entrepôts logistiques, avec un double objectif : diminuer la pénibilité du travail et augmenter la productivité face à la croissance des volumes traités.Après un état de l’art exhaustif sur les robots manipulateurs mobiles, l’auteur met en œuvre un ensemble de procédés et processus afin de prélever des colis sur des palettes disposées sous des racks et cela en toute autonomie. Des blocs fonctionnels sont ainsi constitués pour réaliser l’ensemble des tâches pour la base mobile (cartographie, localisation, planification, navigation) ainsi que pour le bras manipulateur. Une disposition originale et inédite des capteurs sur le manipulateur mobile ainsi que la mise en place d’ARtag sur les éléments d’infrastructures permettent de récupérer des « smart data » plutôt que du « big data », permettant de conjuguer la complexité du problème avec les contraintes temps réel de l’application.Un algorithme de suivi d’un « mur virtuel » est proposé utilisant une transformée de Hough rendue plus robuste grâce à plusieurs niveaux de filtrage. La synchronisation et la commande de ces deux systèmes est assurée par des réseaux de Pétri. Enfin le prototype développé durant cette thèse CIFRE a été non seulement testé au laboratoire mais aussi dans les conditions réelles d’un entrepôt logistique
Logistics involves the storage and displacement of goods. These goods are stored in warehouses and shipped to retailers in pallets. Pallets are produced on a customer’s order. Order picking for a pallet is a fatigue induced process resulting in poor performance of the workers, decreasing the productivity and inducing delays in supply chain. Flexibility is introduced to increase productivity by commissioning robots for process automation. These robots consist of autonomous ground vehicles for transporting freight and static manipulators for pick and place. A static robot has limited workspace and the capability of a manipulator is significantly enhanced by adding a mobile base. Mobile manipulation is now being exploited for pick & place and pallet production. This thesis presents a first attempt to achieve autonomous palletization using mobile manipulation. To acquire palletization by mobile manipulation requires the identification of functional blocks, to conceive a framework to achieve this task. A thorough state of the art has been prepared in this thesis corresponding to each element of the global framework. To realize the proof of concept, a prototype has been developed by leveraging existing technologies, by integrating a mobile base with manipulator and a grasping system with a gripping element. For each functional block of the global framework, control execution strategies have been developed and tested in industrial environment. Specifically, localization is acquired by the use of synthetic landmarks, a motion planning and control strategy is employed for global navigation and a rack tracking motion control has been developed for moving inside the racks. To combine and execute all the elements without deadlocks a coordination framework is used as a global supervisor. The path planner for global navigation is based on the shortest distance between two points, and rack tracking is developed by applying the conventional Hough transform to the lidar data and using the output in a nonlinear controller, while the motion planner for manipulation is based on linear trajectories. The framework for supervisory control is based on discrete event systems topology and state machines corresponding to each element have been modelized using Petri nets. Finally, the framework has been tested for a complete picking task on the mobile manipulator to validate the selection of strategies and performance of each functional element. The successful demonstration has been concluded as a first step towards the evolution of autonomous palletization

Dans les entrepôts logistiques, les moyens robotiques sont de plus en plus fréquemment utilisés pour réduire les temps non productifs, déplacer des charges lourdes, limiter les risques d'erreurs pendant les opérations de préparation de commandes (picking, de/palettisation,...), faire des inventaires (drones,...) et améliorer les conditions de travail des opérateurs humains. Bien que l'homme reste incontournable pour les tâches de préparation de commande à cause de son adresse et de son aptitude à s'adapter à des tâches toujours différentes, l'augmentation de la productivité est souvent synonyme d'augmentation de la pénibilité au travail (troubles musculo-squelettiques,...). Les travaux de recherche présentés dans cette thèse sont une contribution à la robotisation des opérations de dé/palettisation pour des colis de taille variable qui exigent une grande polyvalence du système de préhension. La solution innovante que nous proposons consiste à utiliser un torse humanoïde équipé de deux bras manipulateurs munis de préhenseurs adaptés à la saisie d'objets de taille et de masse différentes. La principale contribution porte sur la conception d'une loi de commande hybride Force/Position-Position avec commutations, estimation du glissement de l'objet, prise en compte de la compliance et correction de la force de serrage pendant la manipulation. Cette solution suppose d'assurer la collaboration entre les deux bras manipulateurs et de s'adapter à l'environnement matériel et humain (cobotique)
In logistics warehouses, automation in the sense of robotization is frequently being employed to cut down production times by efficiently managing the processes of picking heavy loads, place, pack and palletize, while reducing the risks and errors to improve the working conditions of human operators along the way. The flexibility of human is fundamental for order preparation owing to adaptive skills for task variation, but at the same time increasing productivity is complemented with fatigue (musculoskeletal disorders). In this context the research presented in this thesis is a contribution in the robotization of palletization operations requiring exceptional versatility of manipulation and gripping. We have proposed an innovative solution of utilizing a humanoid torso equipped with two manipulator arms with adaptive grippers to grasp and hold the objects of variable size and mass. The main contribution of research is the development of a hybrid Force / Position-Position control law with commutation and estimation of the object surface slip, while taking into account the compliance and correction of the clamping force during handling. The execution of the control involves the collaboration of the two arms for coordinated manipulation and adaptation to the material and the human environment (cobotics)

Cette thèse de doctorat explore le développement et l'implémentation d'URNik-AI, un système de dépalettisation automatisé basé sur l'intelligence artificielle (IA), conçu pour manipuler des boîtes en carton de tailles et de poids variés à l'aide d'un torse humanoïde à double bras. L'objectif principal est d'améliorer l'efficacité, la précision et la fiabilité des tâches de dépalettisation industrielle grâce à l'intégration de la robotique avancée, de la vision par ordinateur et des techniques d'apprentissage profond.Le système URNik-AI est composé de deux bras robotiques UR10 équipés de capteurs de force/torque à six axes et d'outils de préhension. Une caméra RGB-D ASUS Xtion est montée sur des servomoteurs pan-tilt Dynamixel Pro H42 pour obtenir des images haute résolution et des données de profondeur. Le cadre logiciel comprend ROS Noetic, ROS 2 et le framework MoveIt, permettant une communication fluide et une coordination des mouvements complexes. Ce système assure une haute précision dans la détection, la saisie et la manipulation d'objets dans divers environnements industriels.Une contribution importante de cette recherche est l'implémentation de modèles d'apprentissage profond, tels que YOLOv3 et YOLOv8, pour améliorer les capacités de détection et d'estimation de pose des objets. YOLOv3, entraîné sur un ensemble de données de 807 images, a atteint des scores F1 de 0,81 et 0,90 pour les boîtes à une et plusieurs faces, respectivement. Le modèle YOLOv8 a encore amélioré les performances du système en fournissant des capacités de détection de points clés et de squelettes, essentielles pour la manipulation précise des objets. L'intégration des données de nuage de points pour l'estimation de la pose a assuré une localisation et une orientation précises des boîtes.Les résultats des tests ont démontré la robustesse du système, avec des métriques élevées de précision, rappel et précision moyenne (mAP), confirmant son efficacité. Cette thèse apporte plusieurs contributions significatives au domaine de la robotique et de l'automatisation, notamment l'intégration réussie des technologies robotiques avancées et de l'IA, le développement de techniques innovantes de détection et d'estimation de pose, ainsi que la conception d'une architecture de système polyvalente et adaptable
This PhD thesis explores the development and implementation of URNik-AI, an AI-powered automated depalletizing system designed to handle cardboard boxes of varying sizes and weights using a dual-arm humanoid torso. The primary objective is to enhance the efficiency, accuracy, and reliability of industrial depalletizing tasks through the integration of advanced robotics, computer vision, and deep learning techniques.The URNik-AI system consists of two UR10 robotic arms equipped with six-axis force/torque sensors and gripper tool sets. An ASUS Xtion RGB-D camera is mounted on Dynamixel Pro H42 pan-tilt servos to capture high-resolution images and depth data. The software framework includes ROS Noetic, ROS 2, and the MoveIt framework, enabling seamless communication and coordination of complex movements. This system ensures high precision in detecting, grasping, and handling objects in diverse industrial environments.A significant contribution of this research is the implementation of deep learning models, such as YOLOv3 and YOLOv8, to enhance object detection and pose estimation capabilities. YOLOv3, trained on a dataset of 807 images, achieved F1-scores of 0.81 and 0.90 for single and multi-face boxes, respectively. The YOLOv8 model further advanced the system's performance by providing keypoint and skeleton detection capabilities, which are essential for accurate grasping and manipulation. The integration of point cloud data for pose estimation ensured precise localization and orientation of boxes.Comprehensive testing demonstrated the system's robustness, with high precision, recall, and mean average precision (mAP) metrics confirming its effectiveness. This thesis makes several significant contributions to the field of robotics and automation, including the successful integration of advanced robotics and AI technologies, the development of innovative object detection and pose estimation techniques, and the design of a versatile and adaptable system architecture