logo móvil
Contáctanos

Estudio de Usuario para Validar el Rendimiento de un Método de Programación de Robots Offline que Permite la Instrucción Cinestésica Independiente del Robot a Través del Uso de Realidad Aumentada y Captura de Movimiento

Autores: Müller, Fabian; Koch, Michael; Hasse, Alexander

Idioma: Inglés

Editor: MDPI

Año: 2024

Descargar PDF

Acceso abierto

Artículo científico
2024

Estudio de Usuario para Validar el Rendimiento de un Método de Programación de Robots Offline que Permite la Instrucción Cinestésica Independiente del Robot a Través del Uso de Realidad Aumentada y Captura de Movimiento


Categoría

Ingeniería y Tecnología

Subcategoría

Ingeniería Robótica

Palabras clave

Novela
Programación fuera de línea
Programación por demostración
Estudio de usuarios
Enseñanza kinestésica
Representación virtual

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 27

Citaciones: Sin citaciones


Descripción
El documento presenta un nuevo método de programación offline (OLP) basado en la programación por demostración (PbD), que ha sido validado a través de un estudio con usuarios. PbD es un método de programación que implica interacción física con robots, y la enseñanza cinestésica (KT) es un método de programación online comúnmente utilizado en la industria. Sin embargo, los métodos de programación online consumen recursos significativos del robot, limitando las ventajas de velocidad de PbD y enfatizando la necesidad de un enfoque offline. El método presentado aquí, basado en KT, utiliza una representación virtual en lugar de un robot físico, permitiendo la programación independiente sin importar el entorno de trabajo. Emplea dispositivos de entrada háptica para enseñar a un robot simulado en realidad aumentada y utiliza planificación automática de trayectorias. Se realizó una prueba de referencia para estandarizar equipos, procedimientos y técnicas de evaluación para comparar diferentes enfoques de PbD. Los resultados indican una disminución en el tiempo de programación en comparación con los métodos tradicionales de KT en sistemas industriales establecidos. Aunque la precisión aún no está al nivel de los sistemas industriales, los usuarios han mostrado una rápida mejora, confirmando la capacidad de aprendizaje del sistema. Los comentarios de los usuarios sobre la carga de trabajo percibida y la facilidad de uso fueron positivos. En conclusión, este método tiene potencial para uso industrial debido a su capacidad de aprendizaje, reducción del tiempo de inactividad del robot y aplicabilidad en diferentes tamaños y tipos de robots.

Otros recursos que podrían interesarte

Temas Virtualpro