Les bras de robot - Modèles évolués

Les bras de robot - Modèles évolués

Dans la première partie du blogue sur les bras de robots, nous avons présenté un kit de base qui permet une introduction aux Bras robotisés :

 https://wiki.keyestudio.com/Ks0198_keyestudio_4DOF_Robot_Mechanical_Arm_Kit_for_Arduino_DIY

 

Ce kit est parfait pour l’apprentissage et l’expérimentation, car il offre un mécanisme complet et fonctionnel à petit prix. Cependant, pour ceux qui désirent pousser les expérimentations ou veulent implanter un système de manipulation automatisé, il est alors nécessaire de travailler avec un système qui offre plus d’axes, plus de degrés de liberté et plus de précision. De plus, dépendamment de la tâche envisagée, on aura besoin de manipuler des objets plus lourds.

Il est évident que le coût du bras robotisé est proportionnel aux caractéristiques désirées. Par exemple, chez ELECTROMIKE nous sommes distributeurs officiels des produits ARDUINO et nous pouvons offrir le Bras Robotisé BRACCIO : https://store.arduino.cc/usa/tinkerkit-braccio

 

Le bras se compose d’un total de 6 degrés de liberté (DoF) et est fourni avec toutes les composantes nécessaires ainsi qu’un « shield » spécialisé qui comporte les connecteurs spécifiques aux différents Servo Moteurs (M) :

  • M1 - Base
  • M2 - Épaule
  • M3 - Coude
  • M4 - Poignet vertical
  • M5 - Poignet rotatif
  • M6 – Grabber

 

Fabrication d’un bras robotisé à 6 degrés de liberté (DoF)

Considérant que le prix pour un kit de 6 DoF est l’équivalent d’une imprimante 3D de base (en effet chez ELECTROMIKE, nous vendons une ENDER 3 Pro à moindre prix !!),  la construction d’un bras de robot semble une option intéressante.   Nous avons construit un modèle 6 Dof  en imprimant les pièces et en utilisant des composantes disponibles en magasin.

Notez que l’auteur a utilisé une CREALITY CR10S Pro, également disponible chez ELECTROMIKE.

https://howtomechatronics.com/tutorials/arduino/diy-arduino-robot-arm-with-smartphone-control/

 

La méthode proposée pour la manipulation consiste à utiliser une interface de type Android sur téléphone ou tablette. Quoique simple, cette méthode manque de précision lorsqu’on désire travailler sur des séquences précises. D’autres avenues sont possibles dont, l’utilisation d’un contrôleur PWM offrant plus de résolution comme le PCA9685 qui offre un contrôle à 12 bits, soit 4096 pas (steps). 

 

Voici un blogue qui implémente ce contrôleur avec un Raspberry Pi 3 en Python sur un bras de robot similaire : https://custom-build-robots.com/raspberry-pi-robot-cars/sainsmart-6-axis-desktop-robotic-arm-raspberry-pi-software-installation/9505?lang=en

 

 

Plus de puissance et plus de précision

 

Afin d’obtenir ces éléments, nous devons quitter le monde des Servo Moteurs et se diriger vers d’autres technologies pour nos articulations. Les autres technologies disponibles pour le DIY (ce qui exclut les actuateurs hydrauliques) sont les Moteurs Pas-a-Pas (Step Motors) et les Moteurs BrushLess.

Plusieurs projets à base de « Step Motors » sont disponibles sur le web et en voici quelques-uns :

 

 

Pour ce qui est des BrushLess Motors, on retrouve beaucoup d’informations sur cet excellent vlogue. 

https://www.youtube.com/channel/UCcgqJ1blFKqbC2bWGY4Opmg

 

Simulation et contrôle plus intelligent

 

Un domaine dans lequel l’intelligence artificielle et l’apprentissage Machine (Machine Learning) sont prolifiques c’est bien dans les Bras de robots. En effet, les premières générations de robots étaient plus comme des automates, c.-à-d. qu’ils suivaient un programme préenregistré de séquences et de répétitions. Souvent, ces mastodontes sont enfermés dans des cages avec un contrôle d’accès très restrictif qui réduit le risque qu’un humain subisse des blessures par les mouvements de ses articulations.

 L’émergence des Robots collaboratifs – COBOTS – implique que la machine doit être sensible de son environnement et qu’elle puisse apprendre en continu afin d’offrir plus de sécurité et de flexibilité. Afin d’optimiser l’apprentissage, les développeurs se tournent de plus en plus vers les simulateurs qui offrent beaucoup d’avantages, dont la principale est d’accélérer le processus d’apprentissage, car le simulateur peut opérer sur une quantité massive de bras de robots et dans un temps relativement plus rapide que la réalité.

Voici un modèle Docker que vous pouvez télécharger et avec lequel vous pouvez procéder à des Apprentissages Machine : https://github.com/shadow-robot/smart_grasping_sandbox

 

Enfin, voici un exemple d’Apprentissage Machine qui démontre la puissance de cette approche :

https://openai.com/blog/solving-rubiks-cube/

Voici le vidéo :

https://www.youtube.com/watch?v=x4O8pojMF0w

 

 

En espérant que ce blogue puisse vous inspirer à pousser vos expérimentations plus loin, nous restons disponibles pour vous assister dans la construction de vos projets.