Het traditionele handmatige oogstproces blijft arbeidsintensief, wat leidt tot hogere kosten in de tuinbouw. Tegelijkertijd worden volledig geautomatiseerde robots geconfronteerd met uitdagingen op het gebied van precisie bij het navigeren door complexe omgevingen. Onderzoekers in China pakken deze problemen aan door een nieuw model oogstrobot te ontwikkelen dat gericht is op 'samenwerking tussen mens en robot'.
Een onderzoeksteam, onder leiding van Associate Professor Pei Wang van de Southwest University, introduceerde een gebarengestuurde robot die samenwerkt tussen mens en robot en die de efficiëntie van het plukken van fruit verbetert door middel van een innovatieve aanpak. Deze technologie is gericht op het verbeteren van de productiviteit van kleinschalige boomgaarden die overgaan op intelligente systemen.
De kerntechnologie maakt gebruik van de sterke punten van zowel mens als machine: Mensen zijn bedreven in het identificeren van fruitlocaties en het kiezen van plukpaden, terwijl robotarmen uitblinken in repetitieve taken en krachtcontrole. Het motion-sensing interactiesysteem van het team gebruikt realtime input van een Leap Motion sensor om handbewegingen vast te leggen en de robotarm naar de juiste positie te leiden. Dit systeem combineert menselijke visuele vaardigheden met robotachtige mechanische precisie.
Er werden technische uitdagingen aangepakt om een nauwkeurige bediening door de robotarm te garanderen. Het team loste met name problemen op met betrekking tot inverse kinematica-berekeningen, die meerdere oplossingen kunnen opleveren die leiden tot grillige bewegingen. Er werd een screeningmethode in vier stappen ontwikkeld, met controles op mechanische interferentie, controle van de nauwkeurigheid, evaluatie van de rationaliteit van de beweging en optimalisatie van de vloeiendheid van het traject.
In tegenstelling tot camera-afhankelijke traditionele robots, maakt de nieuwe robot gebruik van motion-sensing technologie met de Leap Motion controller, die handbewegingen kan vastleggen met een resolutie van 0,01 millimeter. Hij blijft stabiel presteren onder suboptimale belichting of wanneer gebladerte blokkeert. Intelligente filteralgoritmes verminderen 'schokkerige gegevens' van handtrillingen of omgevingsfactoren en bevorderen soepele armbewegingen.
Het team heeft de interactieruimte van Leap Motion effectief in kaart gebracht in het werkgebied van de robotarm, waardoor gebruikers de arm gemakkelijk kunnen besturen binnen een virtuele 'doos'. Deze interface is intuïtief, vergelijkbaar met het spelen van een bewegingsgevoelig videospel, en bewijst dat het de efficiëntie in kleinschalige boomgaarden kan verbeteren, zelfs in complexe omgevingen.
Testen toonden een gemiddelde reactietijd van het systeem aan van 74,4 milliseconden, met een nauwkeurigheid van 96,7% bij het herkennen van gebaren. Na de training reduceerden de operators de tijd om een enkele vrucht te plukken van 8,3 seconden tot 6,5 seconden, wat bevestigt dat het systeem zich kan aanpassen aan complexe terreinen en variërende boomgaardomstandigheden.