WO2023115182A1 - Plataforma de controle para sistemas autônomos - Google Patents

Plataforma de controle para sistemas autônomos Download PDF

Info

Publication number
WO2023115182A1
WO2023115182A1 PCT/BR2022/050457 BR2022050457W WO2023115182A1 WO 2023115182 A1 WO2023115182 A1 WO 2023115182A1 BR 2022050457 W BR2022050457 W BR 2022050457W WO 2023115182 A1 WO2023115182 A1 WO 2023115182A1
Authority
WO
WIPO (PCT)
Prior art keywords
trajectories
autonomous systems
platform
data
fact
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/BR2022/050457
Other languages
English (en)
French (fr)
Inventor
João Marcos Gomes DE MELLO
Oséias Faria De Arruda FERREIRA
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Embraer SA
Original Assignee
Embraer SA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from BR102021025722-9A external-priority patent/BR102021025722A2/pt
Application filed by Embraer SA filed Critical Embraer SA
Priority to EP22908940.4A priority Critical patent/EP4455801A4/en
Publication of WO2023115182A1 publication Critical patent/WO2023115182A1/pt
Priority to US18/747,225 priority patent/US20240335940A1/en
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Program-controlled manipulators
    • B25J9/16—Program controls
    • B25J9/1628—Program controls characterised by the control loop
    • B25J9/163—Program controls characterised by the control loop learning, adaptive, model based, rule based expert control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Program-controlled manipulators
    • B25J9/16—Program controls
    • B25J9/1602—Program controls characterised by the control system, structure, architecture
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Program-controlled manipulators
    • B25J9/16—Program controls
    • B25J9/1656—Program controls characterised by programming, planning systems for manipulators
    • B25J9/1664—Program controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
    • B25J9/1666—Avoiding collision or forbidden zones
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/39—Robotics, robotics to robotics hand
    • G05B2219/39082—Collision, real time collision avoidance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/39—Robotics, robotics to robotics hand
    • G05B2219/39271—Ann artificial neural network, ffw-nn, feedforward neural network
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/40—Robotics, robotics mapping to robotics vision
    • G05B2219/40475—In presence of moving obstacles, dynamic environment
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle

Definitions

  • the present invention refers to a control platform for autonomous systems, which integrates digital product and process information with data obtained through sensors, making use of artificial intelligence such as, for example, artificial neural networks for system feedback and decision-making in the autonomous execution of activities.
  • the main characteristics found in the solutions of the Era of Automation already known from the state of the art are: (a) robots programmed to follow rigid and non-adaptive trajectories, that is, they do not treat errors in the process, nor differences in the environment to which they were programmed; (b) the virtual environment used many times may not be representative of the physical environment and, in this case, the robots of the already known systems do not have adaptive methods and instruments; (c) these systems are not instrumented to operate with Artificial Intelligence (AI) and, therefore, do not have a learning algorithm; (d) process parameterization is done manually, often through trial and error, as they do not use historical data from similar processes to optimize the parameterization process, demanding a high workload. [005] In addition to all these characteristics, it is observed that the cycle and cost are high for validating the entry into production of the equipment and both the cycle and the cost are repeated at any change in the programmed scenario.
  • the method and device provide training of a neural network model to predict at least one transformation, if any, of an image in the robot environment that will occur as a result of implementing at least one portion of motion. particular of the robot in this environment.
  • the training neural network model can predict the transformation based on input data that includes the image and a group of robot movement parameters that define the particular portion of movement.
  • the present invention aims to provide a control platform for autonomous systems, integrating digital product and process information with data obtained through sensors and making use of artificial intelligence such as, for example, artificial neural networks for system feedback, in order to enable decision-making in the autonomous execution of activities by the devices.
  • This invention has as its object, a control platform for autonomous systems, the control platform comprising consumption of process data, product, environment and resources of a digital model for automatic generation of trajectories for autonomous systems, the control platform for autonomous systems, further comprising:
  • Figure 1 - is a flowchart of the control platform for autonomous systems object of this invention. It is [01 1]
  • Figure 2 - is a schematic of the modules that make up the control platform for autonomous systems object of the present invention.
  • the control platform for autonomous systems aims to provide autonomy to autonomous systems, in particular industrial autonomous systems, through a cycle of functions and actions that feed back into the development of products and processes.
  • Autonomous systems can be robotic arms, mechatronic equipment, and the like that move around an environment.
  • control platform for autonomous systems comprises the use or consumption of digital information about the process, product, environment and resources, that is, when a task start request is made, a digital identification of the product and process to be carried out. More precisely, digital information about the product, the process, the scenario of the place where the task is to be carried out and the available resources are obtained through corporate systems and databases (ERP) such as, for example, MES/SAP systems or equivalents.
  • ERP corporate systems and databases
  • the control platform for autonomous systems proceeds with the creation of physical media reference data, which consists of recognizing and comparing the physical with the virtual/digital.
  • a plurality of sensors arranged in the environment in which the autonomous systems perform the generated trajectories has the function of monitoring the displacement of the autonomous systems, creating reference data of the physical means, identifying alterations in this environment, such as, for example, the presence of a new object or the absence of an already identified object, which may require changes in the trajectories to be covered by the autonomous systems.
  • the data obtained by this plurality of sensors are received by the control platform, recognized and compared with the digital model data with the objective of feeding it back in order to change/confirm the trajectories of the autonomous systems for that environment.
  • control platform for autonomous systems also makes use of historical data of processes, product, environment and resources arranged in a database.
  • a parameterization module establishes the process parameters from the generated trajectories.
  • Such parameters consist of process data such as: drilling (rotational speed, tool feed rate, amount of lubricant, peck drilling, etc.), sealing (sealant application rate, application speed), machining, etc., whose histories from previous products are present in databases and can be used as a reference to parameterize processes in new products that are similar.
  • a comparison between historical data and ongoing request data is also performed.
  • the control platform for autonomous systems proceeds with the control and automatic generation of trajectories and processes (parameters and tasks) for autonomous systems.
  • control platform After the automatic generation of trajectories, the control platform provides the execution and monitoring of the requested task, as well as the control of these generated trajectories and processes, detecting any changes in trajectory or parameters if necessary.
  • an anti-collision subsystem operates in this monitoring of the trajectories of the autonomous systems through a self-protection module.
  • This anti-collision subsystem comprises a plurality of sensors such as ultrasonic sensors, Lidares and/or cameras, for example, which monitor the environment forming a volume allowed at each point of the trajectory. If this volume is violated by any object inside that was not covered by the generated trajectory, the subsystem issues a trajectory recalculation or stop command to the platform.
  • the protection volume can have an alert zone for trajectory recalculation and another smaller instantaneous stop zone.
  • the control platform for autonomous systems makes use of Artificial Intelligence (AI) algorithms to generate, execute, actively control and modify these trajectories of autonomous systems constantly.
  • AI Artificial Intelligence
  • data from the digital model, the plurality of sensors and information from the anti-collision subsystem are used to learn the necessary changes in the trajectories and behavior of the autonomous systems, so that the platform for autonomous systems makes the necessary adjustments in the data to be used from then on.
  • the AI can generate an original trajectory or monitor and correct the generated trajectories.
  • the AI is trained in a simulation environment (Digital twin of the product/process).
  • Algorithms and AI techniques for example Reinforcement Learning, are used to learn how to make decisions about the movement of each degree of freedom of the systems that allow building the trajectory to the final goal without colliding.
  • Both the digital model and the referencing on the real model and the readings of the plurality of sensors are used, whether in the virtual or real environment along the entire trajectory.
  • control platform for autonomous systems can deactivate the AI learning module, so that, after generating the trajectories, the autonomous system acts in a repetitive, conventional manner, if there is no more optimization to be performed for the task demanded .
  • the resources and parameters of the autonomous systems during the execution of the generated trajectories are controlled and monitored, in order to guarantee the integrity of the product and the resources used.
  • the control platform for autonomous systems again makes use of Artificial Intelligence (AI) algorithms to provide parameter learning and optimization.
  • AI Artificial Intelligence
  • a plurality of AIs can be used for specific tasks.
  • This parameterization associates historical data of processes executed a priori in similar products to generate new optimized parameters for new products or improvements in current processes.
  • All this information and parameters are used by the inspection module for the automatic inspection of the product and process, that is, the inspection module inspects the product to guarantee its characteristics and identify possible process noise, anomalies, nonconformities that can be used as data for the AI to adjust the parameterization and ensure the quality of the product, for example. If the diameter of a hole tends to exceed the upper limit, this can be captured by inspection and the neural network can reduce the forward speed to overcome this tendency and return to the results of holes close to the nominal. In a seal, the viscosity changes as a function of curing time and temperature. Thus, the neural network can obtain this information through sensors and automatically regulate the sealant application rate, ensuring quality and generating historical data of digital information about processes, products, environment and resources for feedback in the database, both with the data digital data as well as process and parameter data.
  • control platform for autonomous systems is fed back with process data, resources, products and parameters, in a “Closed Loop” approach, providing a constant update of this data and an improvement of the automation of the systems.

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Feedback Control In General (AREA)

Abstract

Descreve-se uma plataforma de controle para sistemas autônomos, que integra informações digitais de produto e processo com dados obtidos por meio de sensores, fazendo uso de inteligência artificial como, por exemplo, redes neurais artificias para retroalimentação do sistema e tomada de decisão na execução autônoma de atividades.

Description

PLATAFORMA DE CONTROLE PARA SISTEMAS AUTÔNOMOS
[001 ] A presente invenção faz referência a uma plataforma de controle para sistemas autônomos, que integra informações digitais de produto e processo com dados obtidos por meio de sensores, fazendo uso de inteligência artificial como, por exemplo, redes neurais artificias para retroalimentação do sistema e tomada de decisão na execução autônoma de atividades.
Descrição do estado da técnica
[002] Os sistemas atualmente conhecidos pertencem à chamada Era da Automação. São sistemas altamente repetitivos e possuem toda sua parametrização (como programação de trajetórias e parametrização de processos) realizados manualmente. Isto é, necessitam de uma programação prévia que deve ser inserida no sistema para que a automação aconteça.
[003] Nesse caso, ainda que possuam interfaces auxiliares de programação como Sistemas CAE, interfaces de programação e simulação como VERICUT e DELMIA, estas são dispendiosas em tempo e não apoiam a tomada de decisão.
[004] Assim, as principais características encontradas nas soluções da Era de Automação já conhecidos do estado da técnica são: (a) robôs programados para seguir trajetória rígidas e não adaptáveis, ou seja, não tratam erros no processo, nem diferenças do ambiente para o qual foram programados; (b) o ambiente virtual utilizado muitas vezes pode não ser representativo ao ambiente físico e, neste caso, os robôs dos sistemas já conhecidos não possuem métodos e instrumentos adaptativos; (c) não há instrumentação destes sistemas para operarem com Inteligência Artificial (IA) e, portanto, não possuem algoritmo de aprendizado; (d) a parametrização dos processos é feita manualmente, muitas vezes através de tentativa e erro, pois não fazem uso do histórico de dados de processos similares para otimizar o processo de parametrização, demandando uma carga de trabalho elevada. [005] Além de todas essas características, observa-se que o ciclo e o custo são altos para validação da entrada em produção do equipamento e tanto o ciclo como o custo se repetem a qualquer mudança no cenário programado.
[006] Um outro exemplo de uso de robôs autônomos é ensinado no documento US 2017/0334066 que faz referência a um método e a um dispositivo que usam algoritmos de “Machine Learning” ou algoritmos de aprendizagem, para prever movimentos que irão ocorrer para objetos em um ambiente de um robô em resposta a um movimento particular deste robô neste ambiente. Para tanto, o método e o dispositivo provêm um treinamento de um modelo de rede neural para prever pelo menos uma transformação, se houver, de uma imagem no ambiente do robô que irá ocorrer como um resultado de uma implementação de pelo menos uma porção de movimento particular do robô neste ambiente. O modelo de rede neural de treinamento pode prever a transformação baseada em dados inseridos que incluem a imagem e um grupo de parâmetros de movimento do robô que definem a porção particular de movimento.
[007] Embora o método a que se refere o documento US 2017/0334066 empregue recursos de Inteligência Artificial para otimizar os parâmetros e faça uso de informações digitais de processo, produto, ambientes e recursos, para controle e geração automática da trajetória do robô, não é ensinado por esse documento, o uso de informações históricas de processo, o uso em conjunto de dados de sensores para o monitoramento da trajetória do robô ou outra solução autônoma e, principalmente, a realimentação das informações digitais, consequentemente, o recurso de algoritmo de aprendizagem desse método já conhecido do estado da técnica fica bastante limitado.
Objetivos da invenção
[008] Assim, a presente invenção tem como objetivo prover uma plataforma de controle para sistemas autônomos, integrando informações digitais de produto e processo com dados obtidos por meio de sensores e fazendo uso de inteligência artificial como, por exemplo, redes neurais artificias para retroalimentação do sistema, de modo a possibilitar tomadas de decisão na execução autônoma de atividades pelos dispositivos.
Breve descrição da invenção
[009] Esta invenção tem como objeto, uma plataforma de controle para sistemas autônomos, a plataforma de controle compreendendo consumo de dados de processo, produto, ambiente e recursos de um modelo digital para geração automática de trajetórias para sistemas autônomos, a plataforma de controle para sistemas autônomos compreendendo, ainda:
(i) Criação de dados de referência de meios físicos;
(ii) Aplicação de dados históricos de processos, produto, ambiente e recursos dispostos em uma base de dados;
(iii) controle das informações digitais, dos dados de referência e dos dados históricos em combinação para geração automática das trajetórias para sistemas autônomos;
(iv) Atuação de um subsistema anticolisão por meio de um módulo de autoproteção no monitoramento das trajetórias automáticas dos sistemas autônomos;
(v) Uso de algoritmos de Inteligência Artificial (IA) para controle ativo e modificação das trajetórias automáticas dos sistemas autônomos;
(vi) Controle e monitoramento de recursos e parâmetros; e
(vii) Inspeção automática e geração de dados históricos de informações digitais de processos, produto, ambiente e recursos para realimentação na base de dados.
Descrição detalhada das figuras
[010] Figura 1 - é um fluxograma da plataforma de controle para sistemas autônomos objeto desta invenção; e [01 1] Figura 2 - é um esquema dos módulos que compõem a plataforma de controle para sistemas autônomos objeto da presente invenção.
Descrição detalhada da invenção
[012] De acordo com uma concretização preferencial e conforme ilustrado nas figuras 1 e 2, a plataforma de controle para sistemas autônomos, objeto desta invenção, tem como objetivo prover autonomia aos sistemas autônomos, em especial os sistemas autônomos industriais, por meio de um ciclo de funções e ações que se realimenta para o desenvolvimento de produtos e processos. Os sistemas autônomos podem ser braços robóticos, equipamentos mecatrônicos e outros similares que se deslocam em um ambiente.
[013] Neste sentido e como pode ser visto nas figuras, a plataforma de controle para sistemas autônomos compreende o uso ou consumo de informações digitais de processo, produto, ambiente e recursos, ou seja, feita uma solicitação de início de tarefa é feita uma identificação digital do produto e processo a ser realizado. Mais precisamente, são obtidas as informações digitais do produto, do processo, do cenário do local a ser feita a tarefa e dos recursos disponíveis obtidas por meio de sistemas corporativos e bancos de dados (ERP) como, por exemplo, sistemas MES/SAP ou equivalentes.
[014] Em seguida, a plataforma de controle para sistemas autônomos procede com a criação dados de referência de meios físicos, que consiste no reconhecimento e comparação do físico com o virtual/digital. Nesta etapa, uma pluralidade de sensores dispostos no ambiente no qual os sistemas autônomos performam as trajetórias geradas tem a função de monitorar o deslocamento dos sistemas autônomos, criando os dados de referência dos meios físicos, identificando alterações neste ambiente como, por exemplo, a presença de um novo objeto ou ausência de um objeto já identificado, que podem demandar alterações nas trajetórias a serem percorridas pelos sistemas autônomos. Os dados obtidos por essa pluralidade de sensores são recebidos pela plataforma de controle, reconhecidos e comparados com os dados do modelo digital com o objetivo de realimentá-la de modo a alterar/confirmar as trajetórias dos sistemas autônomos para aquele ambiente.
[015] Além disso, a plataforma de controle para sistemas autônomos também faz uso de dados históricos de processos, produto, ambiente e recursos dispostos em uma base de dados. Nesse sentido, um módulo de parametrização estabelece os parâmetros do processo a partir das trajetórias geradas. Tais parâmetros consistem em dados de processo como: furação (velocidade de rotação, velocidade de avanço da ferramenta, quantidade de lubrificante, peck drilling, etc.), selagem (taxa de aplicação de selante, velocidade de aplicação), usinagem, etc., cujos históricos provenientes de produtos anteriores estão presentes em bancos de dados e podem ser usados como referência para parametrizar processos em novos produtos que sejam semelhantes. Uma comparação entre os dados históricos e os dados da solicitação em andamento também é realizada.
[016] Assim, com base no cenário ou dados digital, nos dados fornecidos pelo histórico e nos dados obtidos e reconhecidos pelos sensores, a plataforma de controle para sistemas autônomos procede com o controle e geração automática de trajetórias e processos (parâmetros e tarefas) para os sistemas autônomos.
[017] Após a geração automática das trajetórias, a plataforma de controle provê a execução e o monitoramento da tarefa solicitada, bem como o controle dessas trajetórias e processos gerados, detectando eventuais mudanças de trajetória ou parâmetros caso haja necessidade.
[018] Mais especificamente, para que os sistemas autônomos não colidam em razão de alterações no ambiente em que executará suas trajetórias, um subsistema anticolisão atua nesse monitoramento das trajetórias dos sistemas autônomos por meio de um módulo de autoproteção. Esse subsistema anticolisão compreende pluralidade de sensores como sensores ultrassónicos, Lidares e/ou câmeras, por exemplo, e que monitoram o ambiente formando um volume permitido a cada ponto da trajetória. Se este volume é violado por qualquer objeto em seu interior que não foi contemplado pela trajetória gerada, o subsistema emite um comando de recalculo de trajetória ou de parada para a plataforma. Além disso, o volume de proteção pode ter uma zona de alerta para recalcular trajetória e outra zona menor de parada instantânea.
[019] A plataforma de controle para sistemas autônomos faz uso de algoritmos de Inteligência Artificial (IA) para gerar, executar, fazer controle ativo e modificar estas trajetórias dos sistemas autônomos de forma constante. Neste sentido, são usados os dados provenientes do modelo digital, da pluralidade de sensores e informações do subsistema anticolisão para o aprendizado das modificações necessárias nas trajetórias e comportamento dos sistemas autônomos, de modo que a plataforma para sistemas autônomos faz os devidos ajustes nos dados a serem usados dali em diante.
[020] Neste caso, a IA pode gerar uma trajetória original ou fazer o monitoramento e correção de trajetórias geradas. Para isso, a IA é treinada em ambiente de simulação (Digital twin do produto/processo). Algoritmos e técnicas de IA, por exemplo Reinforcement Learning, são usados para aprender a tomar decisões de movimento de cada grau de liberdade dos sistemas que permitam construir a trajetória até o objetivo final sem colidir. Tanto o modelo digital como o referenciamento no modelo real e as leituras da pluralidade de sensores são usadas, seja no ambiente virtual ou real ao longo de toda a trajetória.
[021] Opcionalmente, a plataforma de controle para sistemas autônomos pode desativar o módulo IA de aprendizado, de maneira que, após geradas as trajetórias o sistema autônomo atua de forma repetitiva, convencional, caso não haja mais otimização a ser realizada para a tarefa demandada.
[022] Além disso, os recursos e parâmetros dos sistemas autônomos durante a execução das trajetórias geradas são controlados e monitorados, com o objetivo de garantir a integridade do produto e dos recursos utilizados. Nesta etapa, a plataforma de controle para sistemas autônomos faz uso novamente de algoritmos de Inteligência Artificial (IA) para proporcionar aprendizado e otimização dos parâmetros. Uma pluralidade de IAs pode ser usada para tarefas específicas. Uma para gerar e monitorar trajetórias e outras para parametrizar cada processo que o sistema autônomo efetuará ao chegar no ponto de destino. Esta parametrização associa dados históricos de processos executados a priori em produtos semelhantes para gerar novos parâmetros otimizados para novos produtos ou melhorias de processos atuais.
[023] Todas estas informações e parâmetros são utilizados pelo módulo de inspeção para a inspeção automática do produto e processo, ou seja, o módulo de inspeção inspeciona o produto para garantir suas características e identificar possíveis ruídos do processo, anomalias, não-conformidades que poderão ser usados como dados para que a IA ajuste a parametrização e assegure a qualidade do produto por exemplo. Se o diâmetro de um furo está com tendência de ultrapassar o limite superior isso pode ser captado pela inspeção e a rede neural poderá reduzir a velocidade de avanço para contornar esta tendência e voltar para os resultados de furos próximos ao nominal. Em uma selagem, a viscosidade é alterada em função do tempo de cura e temperatura. Assim, a rede neural pode obter esta informação através de sensores e regular automaticamente a taxa de aplicação de selante, assegurando qualidade e gerando dados históricos de informações digitais de processos, produto, ambiente e recursos para realimentação na base de dados, tanto com os dados digitais como com os dados de processos e parâmetros.
[024] Assim, a plataforma de controle para sistemas autônomos é realimentada com os dados de processo, recursos, produtos e parâmetros, em uma abordagem do tipo “Closed Loop”, proporcionando uma atualização constante desses dados e um aprimoramento da automação dos sistemas.
[025] Neste sentido, a otimização de processos usando os dados históricos que são realimentados permite que a plataforma de controle para sistemas autônomos, objeto da presente invenção, aprimore a geração e execução das trajetórias, sem que seja necessário o uso de métodos de tentativa e erro e melhorando sobremaneira a produtividade dos sistemas autônomos.
[026] Outra vantagem da plataforma de controle para sistemas autônomos está na exclusão da programação manual que não agrega valor ao produto e consome tempo de processo.
[027] Por fim, a realimentação da plataforma de controle para sistemas autônomos com os dados gerados no monitoramento de parâmetros nas execuções das trajetórias e, ainda, a geração de dados para histórico que são posteriormente usados para gerarem novas trajetórias aprimoradas, proporcionam maior precisão no uso dos recursos e maior qualidade no produto.
[028] Tendo sido descrito um exemplo de concretização preferido, deve ser entendido que o escopo da presente invenção abrange outras possíveis variações, sendo limitadas tão somente pelo teor das reivindicações apensas, aí incluídos os possíveis equivalentes.

Claims

9 REIVINDICAÇÕES
1 . Plataforma de controle para sistemas autônomos, a plataforma de controle compreendendo consumo de dados de processo, produto, ambiente e recursos de um modelo digital para geração automática de trajetórias para sistemas autônomos, a plataforma de controle para sistemas autônomos sendo caracterizada pelo fato de que compreende, ainda:
(i) Criação de dados de referência de meios físicos;
(ii) Aplicação de dados históricos de processos, produto, ambiente e recursos dispostos em uma base de dados;
(iii) Controle das informações digitais, dos dados de referência e dos dados históricos em combinação para geração automática das trajetórias para sistemas autônomos;
(iv) Atuação de um subsistema anticolisão por meio de um módulo de autoproteção no monitoramento das trajetórias automáticas dos sistemas autônomos;
(v) Uso de algoritmos de Inteligência Artificial (IA) na geração, execução e uso para controle ativo e modificação das trajetórias automáticas dos sistemas autônomos;
(vi) Controle e monitoramento de recursos e parâmetros; e
(vii) Inspeção automática e geração de dados históricos de informações digitais de processos, produto, ambiente e recursos para realimentação na base de dados.
2. Plataforma, de acordo com a reivindicação 1 , caracterizada pelo fato de que os dados de referência de meios físicos são oriundos de uma pluralidade de sensores dispostos em ambientes nos quais o sistema autônomo performam as trajetórias geradas.
3. Plataforma, de acordo com a reivindicação 1 , caracterizada pelo fato de que os dados de referência de meios físicos são comparados com os dados do modelo digital para realimentação da plataforma com confirmações ou alterações das trajetórias geradas.
4. Plataforma, de acordo com a reivindicação 1 , caracterizada pelo fato de que os dados históricos são usados como referência para parâmetros de novos produtos.
5. Plataforma, de acordo com a reivindicação 1 , caracterizada pelo fato de que o subsistema anticolisão compreende uma pluralidade de sensores que monitoram o ambiente formando volumes permitidos em pontos da trajetória e emitindo comandos de recalculo sempre que esses volumes permitidos são violados.
6. Plataforma, de acordo com a reivindicação 5, caracterizada pelo fato de que o subsistema anticolisão compreende, ainda, uma zona de alerta para recálculo da trajetória e uma zona de parada instantânea.
7. Plataforma, de acordo com as reivindicações 1 a 6, caracterizada pelo fato de que os algoritmos de Inteligência Artificial (IA) para controle ativo e modificação das trajetórias automáticas dos sistemas autônomos utilizam os dados provenientes do modelo digital, da pluralidade de sensores e do subsistema anticolisão para aprendizado das modificações nas trajetórias e em comportamentos dos sistemas autônomos.
PCT/BR2022/050457 2021-12-20 2022-11-23 Plataforma de controle para sistemas autônomos Ceased WO2023115182A1 (pt)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP22908940.4A EP4455801A4 (en) 2021-12-20 2022-11-23 CONTROL PLATFORM FOR STANDALONE SYSTEMS
US18/747,225 US20240335940A1 (en) 2021-12-20 2024-06-18 Control platform for autonomous systems

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
BR1020210257229 2021-12-20
BR102021025722-9A BR102021025722A2 (pt) 2021-12-20 Plataforma de controle para sistemas autônomos

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/747,225 Continuation US20240335940A1 (en) 2021-12-20 2024-06-18 Control platform for autonomous systems

Publications (1)

Publication Number Publication Date
WO2023115182A1 true WO2023115182A1 (pt) 2023-06-29

Family

ID=86900810

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/BR2022/050457 Ceased WO2023115182A1 (pt) 2021-12-20 2022-11-23 Plataforma de controle para sistemas autônomos

Country Status (3)

Country Link
US (1) US20240335940A1 (pt)
EP (1) EP4455801A4 (pt)
WO (1) WO2023115182A1 (pt)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1113973A (zh) * 1994-06-24 1995-12-27 温一林 一种抗菌保健牙刷的生产方法
CN105518248A (zh) * 2013-07-05 2016-04-20 布鲁斯·A.·通盖特 用于培养井下表面的设备和方法
US20170334066A1 (en) 2016-05-20 2017-11-23 Google Inc. Machine learning methods and apparatus related to predicting motion(s) of object(s) in a robot's environment based on image(s) capturing the object(s) and based on parameter(s) for future robot movement in the environment
US20180339456A1 (en) * 2017-05-24 2018-11-29 Divergent Technologies, Inc. Robotic assembly of transport structures using on-site additive manufacturing

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150294496A1 (en) * 2014-04-14 2015-10-15 GM Global Technology Operations LLC Probabilistic person-tracking using multi-view fusion
WO2017197170A1 (en) * 2016-05-12 2017-11-16 The Regents Of The University Of California Safely controlling an autonomous entity in presence of intelligent agents
EP3658340A2 (en) * 2017-07-25 2020-06-03 MBL Limited Systems and methods for operating a robotic system and executing robotic interactions
US11584020B2 (en) * 2018-12-04 2023-02-21 Cloudminds Robotics Co., Ltd. Human augmented cloud-based robotics intelligence framework and associated methods
WO2021021008A1 (en) * 2019-08-01 2021-02-04 Telefonaktiebolaget Lm Ericsson (Publ) Methods for risk management for autonomous devices and related node
EP4069472A4 (en) * 2019-12-05 2024-03-20 MAGNA Powertrain GmbH & Co KG METHOD AND CONFIGURATION IN THE CONTEXT OF BARRIER-FREE ROBOTICS
US12145277B2 (en) * 2020-09-03 2024-11-19 Fanuc Corporation Framework of robotic online motion planning
US12220195B2 (en) * 2021-10-13 2025-02-11 Mazor Robotics Ltd. Systems, methods, and devices for defining a path for a robotic arm

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1113973A (zh) * 1994-06-24 1995-12-27 温一林 一种抗菌保健牙刷的生产方法
CN105518248A (zh) * 2013-07-05 2016-04-20 布鲁斯·A.·通盖特 用于培养井下表面的设备和方法
US20170334066A1 (en) 2016-05-20 2017-11-23 Google Inc. Machine learning methods and apparatus related to predicting motion(s) of object(s) in a robot's environment based on image(s) capturing the object(s) and based on parameter(s) for future robot movement in the environment
US20180339456A1 (en) * 2017-05-24 2018-11-29 Divergent Technologies, Inc. Robotic assembly of transport structures using on-site additive manufacturing

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4455801A4

Also Published As

Publication number Publication date
US20240335940A1 (en) 2024-10-10
EP4455801A4 (en) 2025-12-17
EP4455801A1 (en) 2024-10-30

Similar Documents

Publication Publication Date Title
Huang et al. Hybrid learning-based digital twin for manufacturing process: Modeling framework and implementation
Li et al. A flexible manufacturing assembly system with deep reinforcement learning
Lakhani et al. Stability-preserving automatic tuning of PID control with reinforcement learning
US11644827B2 (en) Method for improving the measuring performance of automation field devices
CN117798934A (zh) 一种协作机器人多步骤自主装配作业决策方法
CN118977237B (zh) 巡检机器人的轨迹规划控制方法及装置
CN116193819B (zh) 一种数据中心机房节能控制方法、系统、装置及电子设备
US11252010B2 (en) System for controlling and monitoring adaptive cyberphysical systems
Wöstmann et al. A retrofit approach for predictive maintenance
CN106557072A (zh) 数控加工设备执行程序的辅助编程方法
CN116679621A (zh) 多轴同步运动控制系统及其控制方法
Zhu et al. Automatic control system design for industrial robots based on simulated annealing and PID algorithms
US10678231B2 (en) Production controller equipped with function of identifying cause upon operation stop of production facility including manufacturing facilities
WO2023115182A1 (pt) Plataforma de controle para sistemas autônomos
BR102021025722A2 (pt) Plataforma de controle para sistemas autônomos
US20170108836A1 (en) Rate-based multivariable control with stability assurance
Haddad et al. Fuzzy ensembles of reinforcement learning policies for systems with variable parameters
CN117589177B (zh) 基于工业大模型自主导航方法
CN120813907A (zh) 过程自动化工厂的模型预测控制系统
Posada et al. Machine learning approaches for offline-programming optimization in robotic painting
CN115407736A (zh) 一种提高产品良率的方法、装置、设备及介质
Iqbal et al. AI-Driven Acoustic and Vibration Data Analysis for Fault Detection in Additive Manufacturing
US20200202178A1 (en) Automatic visual data generation for object training and evaluation
CN110450160A (zh) 一种开放式免编程机器人的控制方法
CN119820560B (zh) 一种基于位置指令的多机械臂同步控制系统

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22908940

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2022908940

Country of ref document: EP

Effective date: 20240722