Optimaliseren van nauwkeurigheid van een robot-airhockeytafel met machine learning via ensemble trees en neurale netwerken

Abstract

Beckhoff Automation BV te Lummen is een verdeler van automatiseringsoplossingen voor elke industrie. Ter illustratie van haar diverse producten werd er een robot-airhockeytafel ontwikkeld. De robot bepaalt wiskundig het traject van de puck met behulp van visie en speelt de puck terug. Het doel van deze masterproef is het optimaliseren van de nauwkeurigheid van dit traject door middel van machine learning.

Bij deze masterproef werden de eisen opgesplitst in twee delen. Vooraleer er aan het machine learning model gewerkt kan worden moeten er eerst data verzameld worden over het traject van de puck aan de hand van camera’s. Hierbij moet de locatie van de puck bepaald worden door de combinatie van twee camera’s i.p.v. één. Als volgt moet er onderzocht worden hoe de trajectbepaling en de aanvalstechnieken van de puck geoptimaliseerd kunnen worden via machine learning.

Eerst werden de camera’s softwarematig gecombineerd in TwinCAT 3. De PLC logt het traject van de puck in CSV-bestanden die kunnen worden gebruikt voor de training van het machine learning model. Python scripts gebruiken deze logs om de modellen te trainen en het traject te voorspellen. Ten slotte werd het beste model in de TwinCAT 3 real-time omgeving geïmplementeerd om de robot aan te sturen. Uit deze masterproef is gebleken dat het best presterende model een neuraal netwerk was. Deze kan de puck op 50 frames in de toekomst voorspellen met een gemiddelde fout kleiner dan 3 cm.