גישה יעילה וחסכונית עבור ליקוט מכלים אקראי

ככל שהתעשייה עוברת לקווי ייצור יותר ויותר אוטומטיים, משימות מורכבות רבות שבעבר היו שמורות עבור מפעילים אנושיים, מבוצעות כיום על ידי מכונות. בין המשימות המורכבות ביותר הוא ליקוט מכלים אקראי. כלומר, היכולת להציץ לתוך מגש מלא ברכיבים המסודרים באופן אקראי, ואז לזהות ולשלוף את הרכיבים המתאימים עבור המשימה הבאה - והם עשויים להיות מוסתרים למחצה מתחת לערימה של רכיבים אחרים.

יישומי ליקוט מכלים אקראי נעים בין טעינת מכונה ועד בניית קיטים ומיון, והטכנולוגיה נמצאת בשימוש נרחב בתעשיות הרכב, אלקטרוניקה, מסחר האלקטרוני ומכשור רפואי. בעוד שהמשימה היא פשוטה יחסית עבור אדם, הזרוע הרובוטית המוקצית למשימה חייבת למנף ראיית מכונה 3D‏ במהירות גבוהה, זיהוי תבניות ואלגוריתמים לתכנון נתיבים כדי להצליח. לאחרונה, גישות למידת מכונה מסייעות גם הן בשיפור זיהוי ושליפה מוצלחים של רכיבים במכלים.

סריקת אור מובנה לעומת סריקת לייזר

בעוד שהשימוש באור לייזר לסריקה ומיפוי שיטתיים של פני-משטח הוא מוכר היטב, רוב מערכות ליקוט מכלים אקראי מודרניות ממנפות גישות של "אור מובנה" שהן מהירות, בטוחות, יעילות וחסכוניות יותר לעומת מיפוי לייזר. מעבר לליקוט מכלים, סריקת אור מובנה נמצאת בשימוש נרחב בתחומים כמו תכנון תעשייתי, בקרת איכות, משחקי מציאות רבודה ודימות רפואית. תנאי תאורת סביבה ומשטחי רכיבים רפלקטיביים הם גורמים העלולים לסבך את התהליך.

אור מובנה כרוך בהקרנה מהירה של סדרה של תבניות, כגון פסים ורשתות (איור 1), על תכולת המכל. מכל זווית שאינה זו של המקרן, התבניות מעוותות. עיוותים אלה חושפים את המורכבות התלת-ממדית של תוכן המכל ומצולמים בסדרה של תמונות סטיל, שם נכנס לתמונה הצורך בחיבוריות במהירות גבוהה ובמחשוב רב-עוצמה.

איור 1: על ידי קליטה וניתוח של התמונות שנוצרו על ידי תבניות אור-וחושך המוקרנות לתוך מכל מלא ברכיבים, סריקת אור מובנית חושפת את הזהות, המיקום והכיווניות של החלקים השונים בתוך המכל. (מקור התמונה: Lattice Semiconductor)

FPGAs לוקחים על עצמם משימות חזרתיות

רוב פתרונות התאורה המובנית מורכבים משני מודולים המחוברים באמצעות Ethernet: מודול חיישן ומודול מחשוב. מודול החיישן מחובר למקרן ויוזם את הקרנת סדרה של תבניות אור מובנות לתוך המכל. מצלמה הממוקמת מחוץ-לציר יחסית למקרן קולטת את התמונות המתקבלות. במקרה של פתרון האור המובנה של Lattice Semiconductor‏, נוצרת סדרה של 41 תמונות נפרדות, הכוללות תבניות חיוביות, שליליות, אופקיות ואנכיות. רצף התמונות שצולמו על ידי המצלמה חוזר למודול החיישן דרך קישור ממשק טורי מצלמה (CSI‏) MIPI‏.

מודול החיישן כולל גם משאבי FPGA (מערך שערים הניתנים לתכנות בשטח) המקודדים את סדרת 41 התמונות לתמונה יחידה מקודדת bit‏-10‏, כאשר מצוין מיקום "פיקסל תואם" משותף מהתמונות שנוצרו. תמונה מקודדת זו מועברת לאחר מכן למודול המחשוב דרך קישור Ethernet. קידוד זה מגביר משמעותית את מהירות השידור למודול המחשוב, כמו גם את התגובה והביצועים של המערכת כולה. לדוגמה, שליחת 41 תמונות גולמיות ברזולוציה של 1080‏ x‏ 1920‏ פיקסלים מייצגת 680 מגה-בייט של תעבורת נתונים, בעוד שהתמונה המקודדת היחידה מייצגת רק 41 מגה-בייט של נתונים. זה מייצג הפחתה של 16 ל-1 בנפח הנתונים, יחד עם עלייה מקבילה בביצועי המערכת.

FPGAs נוספים במודול החיישן יכולים להפחית עוד יותר את עומס המשימות של מודול המחשוב על ידי יצירת מפת עומק פיקסל-אחר-פיקסל, אשר מתווה ביעילות אובייקטים בודדים במכל, ועוזרת למודול המחשוב לחשב יעד נקודת ליקוט אופטימלית עבור זרוע הרובוט המשויכת. זוהי משימה חזרתית מאוד שניתן לבצע במקביל עבור כל פיקסל. לחלופין, המשתמש יכול להשתמש באותו משאב מודול מחשוב אך להוסיף יכולות נוספות. בדומה, ה-FPGA יכול לבצע את כל או חלק מזיהוי ופילוח אובייקטים מבוססי למידת מכונה כדי להפחית עוד יותר את העומס על מודול המחשוב.

חומרה לעומת תוכנה

הסיבה שצירוף FPGAs במודול החיישן ומעבדים/כרטיסי מסך במודול המחשוב עובד כל כך טוב ביישום זה טמונה בנקודות החוזק המשלימות של כל פלטפורמה. FPGAs מצטיינים במשימות חזרתיות מאוד, כגון עיבוד ספציפי-לחיישן וסנכרון ברמת-המסגרת הנדרשים כדי לאחד פרטים של 41 תמונות לתמונה מקודדת אחת. זוהי משימה המתאימה היטב עבור מימוש חומרה ניתנת-להגדרה. בינתיים, כוחו של המעבד/כרטיס המסך טמון בחישובים מורכבים ברמה גבוהה, כגון לצורך אופטימיזציה וקבלת החלטות, אשר ממומשים בקלות רבה ביותר בתוכנה (איור 2).

איור 2: על ידי חלוקה נכונה של עומס העבודה החישובי בין משאבי FPGA ו-CPU/GPU, גישת Lattice Semiconductor עבור ליקוט מכלים אקראי ממטבת את ביצועי המערכת ומפחיתה את עלויות המערכת מנקודת מבט של מפרט החומרים (BOM‏). (מקור התמונה: Lattice Semiconductor)

במקרה של יישום ליקוט מכלים אקראי, קידוד ה-FPGA המקומי במודול החיישן מפחית באופן דרמטי את הנתונים שיש לשלוח למודול המחשוב, מה שמגדיל את מהירות ביצוע הליקוט. בינתיים, ה-FPGA גם מפחית את דרישות החישוב מהמעבד/כרטיס המסך הממוקמים במודול המחשוב, ומאפשר שימוש במעבד בעלות נמוכה יותר.

גודל הרכיב הקטן וצריכת ההספק הנמוכה של רכיבי ה-FPGA מאפשרים גם לאחסן את מודול החיישן במארז פלסטיק קטן יחסית ללא צורך בהתאמות לפיזור הספק, כגון מאוורר או צלעות-קירור. התוצאה נטו הכוללת היא מפרט חומרים (BOM‏) קטן יותר עבור הפתרון הכולל.

סגירת החוג

לאחר שהתמונה המקודדת מועברת ממודול החיישן למודול המחשוב, המעבד/כרטיס המסך משתמשים בטריאנגולציה כדי ליצור תמונת עומק מהתמונה המקודדת, בדומה למפה טופוגרפית של קרקעית האוקיינוס. תמונת עומק זו משמשת לאחר מכן לגילוי אובייקטים (פילוח) וחישובי נקודות ליקוט לאחר מכן. בעוד שראייה ממוחשבת ממלאת את התפקיד המנחה העיקרי בזיהוי אובייקטים ובחישוב נקודות ליקוט, ביישומים מורכבים יותר, מודלים של CAD משמשים לעיתים כדי להקל על זיהוי אובייקטים באמצעות התאמה גיאומטרית. לאחרונה פותחו גישות מבוססות למידת מכונה כדי להתמודד עם תרחישים מורכבים יותר; חלקן ממנפות למידה עמוקה כדי לשפר את הביצועים על סמך התוצאות של כל בחירה מתקדמת.

לבסוף, לאחר השלמת פרישת 3D‏ של תוכן המכל ובחירת נקודת ליקוט מתאימה עבור שליפת הרכיב הבא, ההוראות מועברות לרובוט לביצוע. לאחר השלמת הליקוט האקראי, המחזור מתחיל מחדש.

סיכום

אור מובנה הוא גם בטוח יותר וגם בעל ביצועים טובים יותר לעומת לייזרים בכל הנוגע ליישומי ליקוט מכלים אקראי. יתר על כן, גישה היברידית הממנפת הן משאבי FPGA והן משאבי CPU/GPU מבצעת בצורה הטובה ביותר והיא גם חסכונית ביותר מנקודת מבט של מפרט החומרים. זאת בשל חלוקת העבודה המתאימה בין שתי טכנולוגיות המוליכים-למחצה וצריכת ההספק הנמוכה יחסית של רכיבי ה-FPGA במודול החיישן, אשר בתורה מבטלת את הצורך באמצעי קירור נלווים.