Hans robot sparar tid och pengar

Fredrik Bagge Carlsons forskningsmål är att öka förståelsen för metoder som styr en robot. Han tar hjälp av både traditionell reglerteknik och ny maskininlärning, och hoppas att kunskapen leder till en accelererad teknikutveckling av robotiken.  

Han lägger handen på forskarrummets element och konstaterar att reglerteknik finns inbyggd i alla instrument och ställdon. Temperaturen i en byggnad, att en bil kör med viss fart automatiskt, ett flygplan som styr sig själv eller att robotar i en industrianläggning gör som människan vill.

Maskininlärning är exempelvis när en dator automatiskt lär sig innehållet i en bild eller översätter texter mellan olika språk. Det är en del av artificiell intelligens och bygger på reglerteknikens grunder. Datorn tänker ett steg vidare på den inslagna reglertekniksvägen.

Men det är svårt att samla in den mängd data som metoden kräver och för att skapa en automatisk regel för maskinens självutveckling.

Friktionssvetsning

Fredrik Bagge Carlson började sin forskning med att undersöka hur industrirobotar kan styras för friktionssvetsning och andra verkstadsuppgifter.

Vid friktionssvetsning sammanfogas två metallskivor med ett verktyg som roterar och trycker ner i fogen mellan plåtarna. Svetsen vispar ihop ämnena till en blank osynlig fog.

Jobbet brukade utföras av fast stationerade stora, robusta och extremt dyra maskiner. En robot som svetsar är både billigare och mer flexibel. Om den delvis styr sig själv är mycket vunnet eftersom arbetstiden för människor är en stor del i kostnaden vid automatisering av ett arbetsmoment med en robot.

– Det är kanske okej att avsätta en lång tid om roboten producerar tio miljoner exemplar av något slag. Handlar det bara om 100 exemplar är programmeringen för kostbar, säger Fredrik Bagge Carlson.

Utför egna beräkningar

Genom att kombinera klassisk reglerteknik med modern maskininlärning kan Fredrik Bagge Carlson snabba upp programmeringsprocessen.

Roboten utrustas med mätinstrument - som en kamera eller trycksensor – så att den känner av och ser sin omgivning. För att roboten ska förstå signalerna från sensorerna, så att den vet sin position, måste sensorernas bild av verkligheten samordnas, alltså kalibreras med robotens rörelser.

Roboten ska sprutmåla ett bord. Fredrik Bagge Carlsson indikerar en sprutningsbana för roboten med en laserpenna i luften. Roboten fotograferar bordet och banan. Med hjälp av bilderna och banan räknar roboten själv ut hur den ska röra sig för att uppfylla uppgiften.

– Det lilla verktyget som jag höll i handen är instrumenterat med små lysdioder. Tillsammans med ett kamerasystem i taket får datorn information om exakt på millimetern hur jag rör min hand. Roboten tar en bild för att ta reda på hur ytan ser ut. När roboten har förkunskaper att om ytan har ett visst utseende kan jag lägga upp programmet på ett sätt som gör spraymålningen perfekt.

Det tog Fredrik Bagge Carlson endast fem minuter att programmera roboten med förkunskaper, istället för 30 minuter om han skulle programmera varje steg i målningsprocessen.

Efter modelleringen av industrirobotar för tung industri började Fredrik Bagge Carlson bygga modeller och programmera robotar för montering av mobiltelefoner. Han har undersökt hur man skapar en teknik som gör att roboten inte trycker sönder detaljerna.

– Om roboten får känsel utan en kraftsensor, sparar vi mycket tid och pengar, säger Fredrik Bagge Carlson.

Husdjursexemplet

Det är svårt att skriva ett program som kan avgöra om en bild föreställer en hund eller en katt. Men med hjälp av miljoner bilder via internet, går det att skapa program, som automatiskt hittar en regel som avgör djurarten.

Vi låter datorn titta på mängder av bilder på våra populära husdjur. Den svarar med en siffra, antingen 0 eller 1, där 0 står för katt och 1 står för hund. Skickar du in en bild på en katt och får ett hundsvar, alltså 1, justerar du alla parametrarna lite grand så att ettan närmar sig noll.

– Jag vet egentligen inte exakt var som händer, men jag justerar. Låter jag sedan datorn se en hundbild, och får ut siffran 0,5, justerar jag mot siffran 1 och fortsätter på samma sätt massvis med gånger med massvis med bilder. Till slut har parametrarna ställt in sig så att datorn ger rätt djurartsvar. Det bli 0 för katt och 1 för hund. Men exakt hur det går till är det ingen som vet. Principen är den samma vid maskininlärning av en robot, säger Fredrik Bagge Carlson.

Avhandlingen: Machine Learning and System Identification for Estimation in Physical Systems av Fredrik Bagge Carlson.

http://portal.research.lu.se/portal/files/55399444/phdthesis.pdf