湖北回收西門子PLC模塊 湖北回收西門子PLC模塊

在中國，西門子中國研究院的一個團隊正在探索實現未來工業環境中人機交互的基本功能。這項工作的關鍵環節之一是開發“數據手套”以捕捉和傳遞人手的運動、手勢和壓力，從而向機器人描述復雜的指令和展示安全處理各種物體的方法。

自1952年*亮相以來，工業機器人一直給人以龐大、沉重、靜止、對人類構成危險，且只能執行預先設定的重復性任務的印象。盡管這些描述基本符合事實，但微電子、傳感器、聯網和算法等技術的不斷發展，為半自主機器人新紀元的到來做好了準備。

此外，產品的復雜度與日俱增，人們對個性化解決方案的需求也日益增長。這兩個看似矛盾的趨勢互相融合，推動了重大變革的發生。由此，以輕型工業機器人為特征的靈活生產概念成為了新的關注焦點。輕型工業機器人可以經濟、輕松地完成重新部署。較為重要的是，它們能夠安全地與人類并肩工作。隨著這些新特性的不斷發展，它們將為德國“工業4.0”概念中所展望的短周期、小批量生產打開大門，同時也為自主助手的出現打下基礎。

在進行特定任務的訓練時，機械臂必須知道應該對物體施加多大壓力，以確保準確抓取并實現 移動序列。

用手套“交談”
現在，西門子正沿著這個方向，開展廣泛深入的研發工作。例如，在中國，一組西門子中國研究院的研究人員正在探索用于實現未來工業環境中人機交互的基本功能。乍看起來，自然語言處理或許是促進交互的 技術，因為它不僅高效，而且已經發展成熟。由蘋果公司開發的Siri就使用了自然語言處理技術。然而，在嘈雜的工廠環境中，它卻并非理想之選。因此，西門子中國研究院的研究人員正在開發數據手套，以捕捉人手的運動和手勢，從而向機器人描述復雜的指令。

目前，一只原型數據手套已在測試階段。它裝配了17個帶有慣性傳感器和磁性傳感器的微電子機械系統。通過整合來自傳感器的輸入，手套的手勢（包括每只手指的運動）將被合并傳送到“受訓”的機械臂與機械手處，以實時執行特定任務。隨著這項技術的發展，機器學習將被用來訓練機器人，教它們識別以手勢表達的越來越復雜的指令，向機器人分配高級任務，以及教會機器人新的技能。

機械臂與機械手在進行任務訓練時必須學會對各類物體施加不同的壓力，這樣才能優化抓取和移動的動作。在這方面，數據手套*。例如，西門子的原型手套配有作用力反饋功能，這就在人手與機器人之間形成了交互閉環。數據手套的指尖裝有由微控制器驅動的壓電陶瓷元件。當抓握特定物體時，手套可以產生對應準確壓力值的不同頻率和振幅的振動。一旦接收到這些數據，機械手就可以根據自身壓力傳感器返回的實時反饋，向物體施加適當壓力。

在博士的帶領下，西門子中國研究院的研究人員正在開發數據手套。

數據手套可以捕捉人手的運動和手勢，向機器人傳遞復雜指令。

當數據手套的用戶執行手部動作時，傳感器將實時記錄輸入并將數據轉發至受訓機械臂。

請將扳手遞給我
在高度靈活的未來生產環境中，機器人將無暇參加長期培訓。同人類工人一樣，它們要現學現用。作為朝這個方向邁出的*步，西門子中國研究院的研究人員已經開發出了一套算法，讓機器人能夠執行一項非常重要的基礎任務：抓取未知物體。這項任務雖然對人類而言輕而易舉，但對于機器人卻挑戰性，因為機器人必須自主決定正確的抓取手勢和與目標物體的接觸點。有趣的是，這項任務的解決方案是以Xbox游戲機所用微軟設備Kinect為基礎開發出來的。

Kinect可以同時捕捉圖像中的深度數據和紅綠藍（RGB）數據。前者用于確定抓取手勢，而后者則用于計算抓取點。根據這個數據組合，機器人可以將目標物體與周圍圖像分離，并把它代入基于極限學習算法的模型。這個過程將順序生成一組 抓取點。前文中已經提到，在抓取物體時，機器人需要注意施加的作用力水平。一方面，作用力應當足夠大以確保抓牢；另一方面，作用力也應當足夠小，以免損壞物體。目前，工程師可以預先設定作用力水平，并通過安裝在機器人抓取裝置上的壓力傳感器來完成監測。然而，這種情況也將改變，因為一套自適應的作用力控制機制已在研發當中。

安全*
如果機器人助手真的能與人類并肩工作，那么安全將是一項重要的課題。為此，西門子中國研究院的研究人員正在研發基于阻抗控制理論的全新控制機制，它可以同時控制機械臂的位置和作用力。只要人類工人明確規定作用力的大值，這種機器人就能夠推算出 運動，從而在保持高準確度的情況下成為安全的自主助手。目前，研究人員正在研發阻抗控制型末端執行器來檢驗可能的模型和算法。這種模型和算法將控制機器人在動作過程中對物體施加的作用力。例如，末端執行器的一個可能的應用便是以恒定作用力水平打磨器件。

阻抗控制技術還可以應用在機器人編程中。傳統的機器人編程不僅專業性很強，而且費時、昂貴。工程師要接受專業培訓，并進行大量實踐練習。但阻抗控制型機器人助手可以在培訓領域開啟一片新天地。在這種培訓中，僅通過示范，機器人就可以同時完成學習與編程。這些示范動作可以被分解為不同的拖、放過程，機械臂通過一系列“教學點”學習特定的位置和手勢。如此，機器人助手就能學會整個程序并可精確重復。對于快速變動的命令與需求，這種模式將成為一種簡單而靈活的解決方案。