Revolucionando la despaletización con visión artificial, robótica y machine learning

Gracias a los avances en tecnologías como la visión artificial 3D, la robótica está entrando en todas las esferas de los procesos industriales. El brote de COVID-19 ha aumentado la conciencia sobre la necesidad apremiante de aplicar automatización para un cumplimiento de pedidos rápido y preciso y cadenas de suministro eficientes. Un aspecto específico de los procesos logísticos puede alcanzar mayores niveles de productividad con la implementación de automatización inteligente: la despaletización.

¿Qué es la despaletización?

Despaletización es el proceso de descargar palets cargados con cajas uno a uno. A diferencia de la desapilado por capas clásico, en el que el gripper del robot recoge toda la capa del palet "esperando" haber agarrado todas las cajas que contiene, la despaletización robótica utiliza inteligencia artificial. El sistema reconoce cajas individuales y el robot las coloca una a una en una cinta transportadora u otra ubicación predefinida.

La despaletización presenta un nivel superior de descarga de palets y ofrece varias ventajas sobre el desapilado por capas. Requiere un área de colocación más pequeña —el tamaño de la caja más grande en lugar de todo el palet. Y gracias a una carga útil más ligera, se puede usar un brazo y gripper de robot más pequeños, lo que conlleva un ahorro considerable de costes.

Visión 3D e IA: los secretos del éxito

Los mejores sistemas de despaletización pueden hacer que el proceso de descargar palets llenos de diversas cajas sea seguro, rápido, eficaz, fiable y, al final, también rentable. Esto solo se puede lograr combinando visión artificial 3D con robots inteligentes habilitados por algoritmos avanzados de machine learning.

El volumen de escaneo del escáner 3D desplegado debe ser lo suficientemente grande para escanear todo el palet desde una distancia suficiente. Teniendo en cuenta el espacio mínimo requerido para la manipulación robótica, el escáner generalmente necesita montarse aproximadamente a 3 metros sobre el palet. Elegir el escáner 3D adecuado es, por tanto, el primer requisito previo para una despaletización exitosa.

El segundo paso es entrenar la IA con estos datos de imagen. Los algoritmos de machine learning pueden aprender y reconocer constantemente nuevos tipos de cajas, incluidas las de diferentes tamaños o formas irregulares causadas por daños, por ejemplo. Esto hace que las soluciones sean tan universales que la descarga de palets mixtos supone poco reto. Las cajas no necesitan apilarse en patrones, sino que pueden colocarse aleatoriamente, incluso inclinadas en un ángulo, y el robot sigue siendo capaz de recogerlas.

Los sistemas inteligentes también son capaces de reconocer cajas que a menudo están tan apretadas que es difícil reconocer el hueco entre ellas, que puede ser tan fino como 0,5 milímetros. Soluciones más débiles podrían no ser capaces de diferenciar la línea que separa dos cajas de una línea que contornea la abertura de una caja en particular.

En otros casos, puede ser un reto reconocer cajas con superficies problemáticas, incluyendo texturas variables, material brillante o reflectante, cintas salientes, patrones o imágenes que "engañan" a la visión 3D. Las cajas con cubierta negra también pueden causar problemas.

La forma más avanzada de segmentar las cajas individuales basándose en textura y datos 3D es usar una red neuronal convolucional (CNN). El sistema puede entonces decidir qué caja recoger —las cajas colocadas en la parte superior del palet van primero— y cómo agarrarla para maximizar la fuerza de succión del gripper desplegado.

Para manipular de forma segura en el espacio entre las cajas superiores y el escáner, el sistema de despaletización debe tener en cuenta el posible tamaño de la caja. Esto también es importante para la colocación segura de la caja en una cinta transportadora. Eso puede asegurarse calculando la altura de la caja a partir de los datos del escaneo o usando una barrera óptica situada a pocos centímetros por encima de la cinta transportadora.

Cuando la caja toca el haz óptico, el gripper la suelta. Así, todas las cajas se dejan caer a la misma altura sobre la cinta transportadora. Esta es una gran ventaja de la despaletización sobre el desapilado por capas, en el que cajas de diferentes alturas en una misma capa plantean un problema significativo.

El robot puede hacer todo el trabajo

Los sistemas de Photoneo, que incluyen visión 3D desarrollada internamente, son un ejemplo de tal despaletización robótica. El sistema de la empresa escanea un palet completo cargado con cajas y transfiere el escaneo a un conjunto de datos de textura 3D.

Este escaneo es procesado por el algoritmo de machine learning de Photoneo entrenado con más de 5.000 tipos de cajas. La IA reconoce inmediatamente cada caja y envía una orden al robot. Usando un gripper universal especialmente desarrollado, el robot realiza la acción de recogida con una precisión de +/- 3 mm. De esta forma, puede descargar 1.000 cajas por hora, con una precisión de recogida del 99,7 %.

Los sistemas de despaletización deben tener en cuenta la variabilidad

Si, a pesar de todos los cálculos, el gripper falla al recoger una caja debido a una superficie arrugada u otro obstáculo, el gripper envía retroalimentación e informa al usuario sobre el problema para que se pueda realizar una acción correctiva. El tiempo de ciclo es típicamente inferior a 10 segundos, dependiendo del tipo de robot, la superficie de las cajas y su contenido, ya que algunos necesitan manipularse con mayor sensibilidad que otros.

El entorno, el robot y las propiedades mecánicas definen y limitan el tiempo de ciclo. Por ejemplo, sería imposible acelerar y decelerar una caja pesada por encima de un cierto límite físico. En caso de que los clientes necesiten acelerar el tiempo de ciclo y mejorar el rendimiento del robot, pueden optar por un gripper multi-zona capaz de recoger varias cajas de la misma altura a la vez. El gripper luego deja caer las cajas una tras otra.

El secreto detrás de una separación perfecta es conocer los límites de tamaño del área de colocación para no recoger más cajas de las que se puedan dejar caer con seguridad, y también reconocer con precisión el tipo de caja para evitar agarrar cajas con diferentes alturas. El producto de Photoneo es compatible con las principales marcas de robots y funciona "listo para usar" sin ningún entrenamiento. Si se encuentra con nuevos tipos de cajas, el sistema es capaz de reentrenarse, lo que acorta el tiempo necesario para el despliegue e integración.

Adaptando la despaletización a un entorno centrado en el ser humano

Una solución de despaletización exitosa debe tener en cuenta todos los factores discutidos anteriormente. Aunque los robots puedan parecer bastante simples, los algoritmos de machine learning deben ser lo suficientemente robustos para manejar todos los posibles desafíos de la despaletización de diferentes objetos. Desarrolladores e integradores tienen que pensar en cada detalle de la aplicación y probar sus soluciones antes de que los usuarios puedan medir el retorno de la inversión (ROI).

Además, a menudo es necesario adaptar el robot a un entorno centrado en el ser humano. Aunque la automatización evoluciona rápidamente, muchos clientes solo están adaptando gradualmente sus centros de distribución y almacenes para aprovechar al máximo la robótica y la IA.

Uno de los mayores desafíos relacionados con la descarga manual de palets reside en el tamaño y peso de las cajas, así como en la altura desde la que deben tomarse. Las operaciones manuales a menudo conducen a lesiones graves, por lo que los mejores sistemas de despaletización ayudan a los trabajadores a evitar movimientos riesgosos o repetitivos.

Por ejemplo, el Despaletizador Photoneo puede recoger cajas de hasta 50 kg sin intervención humana. Una de las mayores ventajas es que el robot puede trabajar sin parar, sin cansarse nunca.

Despaletizador usando visión 3D, IA y brazo robótico

¿IA = potencial ilimitado?

Las soluciones impulsadas por IA son sin duda el camino al futuro porque los usuarios no necesitan diseñar, depurar ni probar nada. Los sistemas inteligentes pueden liberar a los integradores de las cargas de difíciles cálculos y tareas relacionadas con 3D.

Sin embargo, lo que deberían tener es algún conocimiento mecánico básico, incluyendo cómo funcionan los diferentes tipos de grippers, cuáles son adecuados para recoger una pieza en particular, y cómo distribuir todos los componentes mecánicos desplegados en una aplicación para prevenir fallos en la manipulación robótica o el escaneo.

Los integradores también deberían conocer las capacidades potenciales de un sistema en particular para poder adaptarlo a las necesidades específicas de un cliente. Es importante tener en cuenta que la IA sigue siendo solo una parte de la solución y no debe sobreestimarse. Los integradores siempre necesitarán ciertos conocimientos específicos para desplegar con éxito una solución de automatización inteligente.

Si se cumplen todas estas condiciones, el despliegue de robots de despaletización puede ayudar a las empresas logísticas a obtener un ROI rápido, mejorar sus procesos de cadena de suministro y aumentar su productividad. También pueden ahorrar tiempo, reducir costes y proteger la salud de los trabajadores, liberando a los empleados para tareas que requieren creatividad y pensamiento crítico.

El desafío más apremiante que enfrentan tanto empleados como empleadores hoy es cómo seguir trabajando. Como nadie puede predecir con confianza cuándo se recuperará la economía global de los cierres por COVID-19, ahora es el momento adecuado para automatizar y optimizar los procesos de producción.

Este artículo se publicó originalmente en The Robot Report.