Yhteistyöcaset
RoboAI:n yhteistyöcaset yhdistävät yritysten tarpeet, asiantuntijoiden ammattitaidon ja opiskelijoiden tuoreet ja innovatiiviset näkemykset.
Yhteistyöprojektit ovat tärkeä osa RoboAI:n toimintaa. Asiantuntijat tuottavat ja testaavat projektien avulla uutta tutkimustietoa yritysten käyttöön. Akatemioiden opiskelijat pääsevät casejen kautta käytännönläheisesti oppimaan, innovoimaan ja kokeilemaan uusia ideoita. Tällä sivulla esittelemme uusimpia ja merkittävimpiä casejamme.
RoboAI Industry
RoboAI-akatemia sai toimeksiannon konenäon hyväksikäytöstä Bolidenin Harjavallan tehtaan nikkelisulattamon prosessissa. Konenäön mahdollisuuksia tutkittiin opiskelijoiden toimesta. Tarkoituksena oli tutkia konenäön avulla sulatusprosessin jälkeisen kuonan eri ainesosien pitoisuuksia.
Konenäöksi kutsutaan sellaista järjestelmää, jossa tietokonenäköä sovelletaan teolliseen tarkoitukseen. Järjestelmä koostuu valonlähteestä, kuvattavasta kohteesta, kamerasta, tietokoneesta sekä siinä toimivasta kuvankäsittelyohjelmasta, joka tulkitsee kuvan automaattisesti.
Konenäköjärjestelmät suorittavat pääasiassa tarkoin ennalta ohjelmoituja tehtäviä. Tässä toimeksiannossa liukuhihnalta tunnistettiin asiakkaan toivomia pitoisuuksia. Käytössä oli Cognexin sovellus In-Sight. Älykamerassa kaikki kuvankäsittely ja laskenta tapahtuu itse kamerassa.
Projektissa opiskelijat oppivat miten hyödyntää erilaisia kamera- ja valovaihtoehtoja. Kokonaisuutena projektista saatiin molemminpuolisia hyötyjä. Opiskelijoiden osaaminen kasvoi ja asiakkaalle pystyttiin antamaan heidän toivomansa informaatio. Opitun avulla konenäköä tarvittavissa projekteissa haasteisiin pystytään vastaamaan paremmin.
Robotiikka ei ole välttämättä pelkästään teollisuudessa käytettävä apuväline, vaan sitä voi myös hyödyntää arkisemmissa työtehtävissä. RoboAI-akatemian opiskelijaryhmä sai tehtäväkseen tutkia UR5e-yhteistyörobotin käyttömahdollisuuksia kahvilassa, erityisesti kahvin keitossa ja vohvelien paistossa.
Aluksi Pietari Pulkkisen, Jukka-Pekka Rajahalmen ja Timo Virtasen projektiryhmä keräsi kasaan tarvittavat välineet demokahvilan rakentamiseen. Kahvin keittoon soveltui hyvin koulusta löytynyt vanha Moccamaster ja vohveleiden paistoon asiakas toimitti belgialaisvalmisteisen vohvelirautojen ”mersun”. Jotta keittiötyöt sujuisivat robotilta sulavasti, piti ryhmän suunnitella ja 3D-tulostaa robotin sormitarttujaan sopivia apuvälineitä mm. kahvipannuun tarttujalle sopiva uusi kahva.
Demokahvilan valmistuttua robotin toiminnallisuuksien ohjelmointi sujui ryhmältä oikein näppärästi ja robotti suoriutui tehtävistään loistavasti. Teollisuus-painotteisten projektien lomassa vohvelien paisto oli mukavaa ja makoisaa vaihtelua. Ja kahvihan maistuu insinööriopiskelijoille aina.
Demon perusteella opiskelijoiden mielestä UR5-yhteistyörobotti sopii kahvilatehtäviin mainiosti.
– UR5e soveltuu hyvin yksinkertaisiin ja itseään toistaviin tehtäviin kahvilassa. Demossa suoritettujen tehtävien lisäksi robotilla voi esim. levittää taikinan siihen soveltuvalla työkalulla, kaataa erilaisia juomia, leikata kakkuja ja piirakoita ja koristella kakkuja, Pietari Pulkkinen listaa.
Asiakkaana tässä casessa toiminut Hangon Vohveli ja sen omistajat Aarno ja Leena Törmälä olivat tyytyväisiä yhteistyöhön opiskelijoiden kanssa, ja he aikovat tulevaisuudessa ottaa robotin avukseen kahvilaan.
– Työ sujui opiskelijoiden kanssa hienosti. Työssään he olivat erittäin oma-aloitteisia ja pyrkivät löytämään aidosti toimivan robotisoidun ratkaisun kahvin keittämiseen ja vohvelin paistoon uudessa kahvilassamme. Ideamme on toteuttaa myös robotilla toimiva ratkaisu, jos ei nyt tulevana kesänä niin ainakin myöhemmässä vaiheessa. Se on toiminnallisuuden lisäksi myös mukava nähtävyys asiakkaille ja näin voimme kaikki oppia, mitä avustavia töitä roboteilla voidaan toteuttaa jo nyt, kertoo Aarno Törmälä.
Katso opiskelijoiden tekemä demovideo UR5-yhteistyörobotin käytöstä kahvilatyössä! (Youtube)
Tämä robottikokeilu on tehty osana HLS-robo-projektia, jolle on myönnetty osarahoitus Manner-Suomen maaseudun kehittämisohjelmasta.
RoboAI-akatemia otti vastaan toimeksiannon tutkia alumiiniprofiilien valaistusta konenäköjärjestelmää varten. Projektissa kuvattiin viisi erimuotoista alumiiniprofiilia kahdeksalla eri valaistuksella. Profiileista korostettiin naarmuja, kuplia ja saumoja. Projektiryhmä tutki erilaisten valaistusmetodien käyttäytymistä linjastolla liikkuvia alumiiniprofiileja kuvattaessa. Projektiryhmässä työskentelivät Atte Ali-Hokka, Meeri Simberg, Toni Seessalo ja Markus Virtanen.
Toimeksiantajayritys on ohjelmistokehittäjä, jonka ei ole kannattavaa kohdistaa resurssejaan valaistuksen tutkimiseen. Opiskelijoille tällaiset projektit antavat loistavia mahdollisuuksia päästä tekemään käytännönläheistä tutkimusta.
Projektin työryhmä aloitti tutkimukset tutustumalla erilaisiin valaistustekniikoihin, kuten suora-, dark field- ja diffuusiovalaistukseen. Tämän jälkeen ryhmä tutki muita kuvaamisen vaikuttavia tekijöitä, kuten valon väriä, kameran tarkennusta ja ulkopuolisen valon esiintymistä kuvausympäristössä.
Tavoitteena riittävä kontrasti
Koska tutkittavien alumiiniprofiilien pinnat olivat värittömiä ja kiiltäviä, ei eri valon väreillä saada korostettua tutkittavia
virheitä. Eri muotoisten profiilien valaiseminen osoittautui haastavaksi, eikä optimaalinen valaistus ole toteutettavissa yhdellä valaisutekniikalla. Optiikkana käytettiin moottorioptiikkaa, jolla pystyttiin tarkentamaan profiilin korkeuden mukaan kuvattavaan pintaan, jolloin opiskelijoille jäi selvitettäväksi mahdollisimman suuren kontrastin tuottaminen yritystä kiinnostaviin kohteisiin.
Alustavan tutkimuksen ja testausympäristön optimoinnin jälkeen työryhmä teki testiajon, jossa profiilit liikkuivat valaistuksen poikki ja kamera kuvasi profiileista virheellisen pinnan. Kuvadatan keräämisen jälkeen työryhmä teki kuvien perusteella analyysin, jossa pohdittiin kappaleiden muodon, riittävän kontrastin ja inhimillisen virheen vaikutusta testien tuloksiin. Kun kaikkien profiilien ominaisuudet otettiin huomioon, kahdeksasta valaistusasetelmasta parhaaksi osoittautui sivuvalo. Sivuvalaistus tuotti parhaan kontrastin kuvausalalle.
RoboAI-akatemia sai Neorem Magnetsilta haasteen magneettien dimensioiden mittaamiseen liittyen. Monikulmion muotoisen magneetin dimensiot pitäisi mitata sadasosamillimetrien tarkkuudella.
Haastetta lähdettiin purkamaan toteuttamalla ensin projekti, jossa vaihto-opiskelijat Belgiasta ja Espanjasta tutkivat, miten magneetin dimensiomittaus olisi toteutettavissa älykamerajärjestelmällä. Ensimmäisen projektin aluksi jo tiedettiin, ettei korkearesoluutioisimmankaan älykameran tarkkuus riitä sadasosamillimetrien tarkkuuteen, mutta projektille asetettiinkin tavoitteeksi selvittää, millaisilla työkaluilla ja millaisella setupilla mittaaminen onnistuisi.
Colin ja Nicolas Belgiasta ja Jaime Espanjasta perehtyivät projektin aluksi älykameran analysointiohjelmistoon ja rakensivat setupin, jolla magneetti saatiin kuvattua mahdollisimman tarkasti, stabiileissa olosuhteissa ja toistettavasti. Kun analysointiohjelmiston perustoiminnat oli opiskeltu, he lähtivät toteuttamaan mittausohjelmaa. Mittausohjelmalla konenäköjärjestelmä tunnistaa kappaleen, etsii siitä reunat ja mittaa reunojen etäisyyksiä suhteessa toisiinsa sekä mittaa reunojen väliset kulmat. Kun ohjelma oli valmis, opiskelijat toteuttivat vielä testikuvaukset ja –mittaukset mittaamalla kaikki kappaleet kolmeen kertaan molemmilta puolilta. Näin saatiin dataa analysointiohjelman toistettavuudesta ja mittausvirheestä
Tämän ensimmäisen projektin perusteella saatiin selville, että magneettien dimensioiden mittaaminen onnistuu konenäön avulla ja mittaustekniikalla saadaan mittausprosessin toistettavuutta ja nopeutta parannettua. Tämän projektin perusteella määriteltiin myös seuraavan projektin tavoitteet eli tarkemman kuvausjärjestelyn rakentaminen ja siihen soveltuvan analysointiohjelman tekeminen. Tavoitteeksi asetettiin myös tarkemman kuvausjigin suunnittelu. Sen avulla magneetin paikka kuvausalustalla saadaan stabiloitua.
Tämän ensimmäisen projektin toteuttaminen oli vaihto-opiskelijoille oikein mieluinen projektityö. He oppivat ohjelmoimaan älykamera-analysointiohjelmaa heille ennestään tuntemattomassa ohjelmointiympäristössä. He panostivat paljon myös tulosten esittelyyn erilaisten kappaleiden ja eri mittausten osalta.
”Opiskelijat olivat tehneet lyhyessä ajassa todella vakuuttavan ohjelman ja raporttiin oli koostettu paljon mittausdataa, joka on erityisen arvokasta järjestelmän toimivuuden arvioinnissa sekä parannuskohteita analysoitaessa. Yhteistyön avulla saamme arvokasta tietoa erilaisista konenäköjärjestelmistä sekä niiden hintaluokista ja soveltuvuuksista eri tarpeisiimme investointipäätöksen tueksi.”
Jukka Hissa
Tuotannon kehitysinsinööri
Neorem Magnets
RoboAI-akatemia sai toimeksiannokseen kasata tietynlaisia magneetteja vaadittuun pituuteen ja muotoon. Teollisuusrobotin käytön mahdollisuuksia tutkittiin opiskelijoiden toimesta. Tarkoituksena oli tutkia, voiko tämän annetun tehtävän suorittaa käyttäen erilaisia teollisuusrobotteja.
Teollisuusrobotiksi kutsutaan tietokoneohjattua konetta, joka pystyy suorittamaan saman itseään toistavan tehtävän määritetyllä tarkkuudella ja nopeudella useasti. Teollisuusrobotti on yleiskäyttöinen kone, ja sama robotti voi suorittaa monta erilaista tehtävää, riippuen ohjelmasta ja tarkoituksesta.
Asiakkaana oli Neorem Magnets. Heidän päätuotteenaan toimii erilaiset magneetit sekä magneettiratkaisut. Neorem Magnets on Suomen ainoa magneettitehdas. He tuottavat korkealaatuisia magneetteja teollisuuden eri osa-alueille hyödyntäen alan viimeisintä teknologiaa.
Projektissa oli käytössä kaksi robottia: UR-5 sekä ABB IRB-120. Lopulliseksi robotiksi projektin loppuunsaattamiseen valittiin UR-5, koska se vastasi tarpeiltaan enemmän asiakkaan vaatimuksia ja toiveita. UR-5 on helppo ohjelmoida ja on toiminnoiltaan tarpeeksi nopea suorittamaan tätä kyseistä tehtävää.
Projektissa opiskelijat oppivat miten ohjelmoidaan ja hyödynnetään eri robottien ominaisuuksia teollisuuden ympäristössä, kokonaisuutena siitä saatiin molemminpuolisia hyötyjä. Opiskelijoiden osaaminen kasvoi huomattavasti ottaen huomioon, että tämä projekti oli muutamalle opiskelijalle heidän ensimmäinen kosketuksensa robotiikan ihmeelliseen maailmaan. Opitun avulla robotiikkaa tarvittaessa pystytään vastaamaan tuleviin haasteisiin entistä tehokkaammin.
RoboAI-akatemia sai toimeksiannon Oras Groupilta tutkia robotin soveltuvuutta kokoonpanotyöhön. Tavoitteena oli automatisoida viisiosainen linjasto kokoonpanorobottia hyödyntäen.
Työhön valittiin ABB:n kaksikätinen YuMi®-robotti, joka on kehitetty pienten osien kokoonpanoon. Aitoon yhteistyöhön kykenevällä robotilla on joustavasti asentoa muuttavat kädet, kameraan perustuva osien paikannustoiminto ja tarkka ohjausjärjestelmä.
Projektissa RoboAI-akatemian opiskelijoiden tehtäviin kuului robotin ohjelmointi ja simulointi, konenäön hyödyntäminen sekä robotin työkaluihin liitettävien osien, eli jigien, palettien ja tasojen suunnittelu sekä toteutus 3D-tulostamalla. Opiskelijat oppivat projektissa laaja-alaisesti robotin toimintaa ja rajoitteita. Tärkein tavoite saavutettiin, eli kokoonpanotehtävä onnistuttiin toteuttamaan robotilla.
”Yhteistyö RoboAI-akatemian kanssa oli luontevaa ja yhteinen aallonpituus saavutettiin heti ensimmäisessä tapaamisessa. Tuotteemme kokoonpanot ovat vaihtelevia ja tämän projektin myötä oivallettiin varmasti mahdollisia uusia tapoja toimia. Tulokset olivat mielenkiintoisia ja niistä on hyvä jatkaa asioiden pohdintaa eteenpäin. Uskon, että yhteistyön molemmat osapuolet hyötyivät projektista.”
Maarit Ruohola
Oras Group
RoboAI-akatemian opiskelijat saivat toimeksiannon Satakunnan Osuuskaupalta: Porin Prisma Rautaan, asiakkaita opastavan robotin. Projektin tavoitteena oli suunnitella ja toteuttaa mobiilirobottisovellus, jonka avulla asiakas voi kysyä tietyn tuotteen sijaintia Prisma Raudan remontoidussa kaupassa ja jonka jälkeen mobiilirobotti saattaa asiakkaan oikeaan hyllyväliin.
RoboAI-akatemian opiskelijat käyttivät Omronin mobiilirobottia ja sen ympärille rakennettiin sovellus. Omronin mobiilirobotti soveltuu hyvin esimerkiksi rutiininomaisiin materiaalien siirtelyihin. Mobiilirobotti kartoittaa ympäristönsä ja pystyy sen jälkeen navigoimaan siellä itsenäisesti. Robotti voidaan ohjelmoida myös kommunikoimaan reittipisteillään. Robotissa on laser tunnistimet, joiden avulla se pystyy kiertämään sen eteen tulevat ihmiset tai muut esteet.
Asiakkaita varten robottiin kiinnitettiin teline, jossa oli tabletti. Tabletin kautta asiakkaat pystyivät valitsemaan haluamansa tuotekategorian (esim. laminaatit) ja sen jälkeen robotti lähti opastamaan asiakasta oikeaan paikkaan. Tilaaja toivoi käyttöliittymästä yksinkertaisen ja selkeän näköisen. Opiskelijat tekivät nämä toiveet silmällä pitäen aloitussivun, tuotteidenhakusivun sekä ohjesivun. Lisäksi tehtiin sivu, joka kertoi reaaliaikaisesti mihin robotti on matkalla ja milloin se on perillä.
Tässä esimerkissä suunniteltiin ja toteutettiin konenäköjärjestelmä, joka ohjaa robottia poimimaan suklaalevyjä linjastolta ja pakkaamaan erimakuiset suklaalevyt omiin laatikkoihinsa.
Konenäköjärjestelmä toteutettiin perinteisenä konenäköjärjestelmänä, joka koostuu konenäkökamerasta, suklaalevyjä valaisevasta Led-valaisimesta sekä tietokoneella pyörivästä analysointiohjelmasta. Konenäkökamera kuvaa suklaalevyt aina samassa kohtaa kuljetinta (kuva1).
Tietokoneella pyörivä analysointiohjelma tunnistaa sitten suklaalevystä pakkauksen makumerkinnän sekä suklaalevyn paikan eli koordinaatit kuljettimella (kuva 2). Kun robotti saa tiedon koordinaateista, se poimii suklaalevyn kuljettimelta ja pakkaa sen makutiedon mukaan oikeaan laatikkoon.
Tässä esimerkissä laserskannaukseen perustuva 3D-kamera ohjaa yhteistyörobottia kuljettimella kulkevien leikkelepakkausten poimimisessa ja laatikoihin pakkaamisessa.
Tässä 3D-kuvauksella on merkittävä rooli, koska sillä tunnistetaan leikkelepakkauksen koko, korkeus ja asento kuljettimella, jolloin robotti osaa aina tarttua juuri oikeasta kohdasta. Tällainen sovellus voisi olla linjastolla, jossa kulkee pakattavaksi samanaikaisesti erilaisia ja erikokoisia pakkauksia, koska 3D-kuvauksella robotille saadaan joka pakkauksen osalta tietoa siitä, mikä pakkaus on kyseessä ja näin robotti osaa pakata samanlaiset pakkaukset samaan laatikkoon tai tilauksen mukaan koota useita tuotteita sisältäviä laatikoita.
Yhtenä 5VTA-projektin esimerkkitapauksena oli Pekan Parhaat -leipomon pakkauslinjaston automatisointisuunnitelma. Suunnitelmaa tehtäessä selvitettiin, miten leipomotuotteen leikkaaminen ja pakkaaminen voisi olla mahdollista ja millaisia kustannuksia eritasoinen automatisointi aiheuttaisin. Automatisointisuunnitelmasta tehtiin myös opinnäytetyö Satakunnan ammattikorkeakoulun opiskelijan Jenni Alatalon toimesta.
Selvityksessä etsittiin tuotantomäärät huomioiden sopivimmat laitteet, arvioitiin investoinnin hankintahinta ja tehtiin lopuksi simulointi automatisointisuunnitelman mukaisesti. Tavoitteena on, että automatisointi mahdollistaisi tehokkaamman ajankäytön, säästöjen saavuttamisen pakkaamisen nopeutumisen vuoksi sekä tuotantomäärän kasvattamisen.
Laitteiden valinnassa huomiota kiinnitettiin laitteiden hinnan lisäksi myös sopivuuteen leipomoympäristöön, jolloin hygienia on erityisen tärkeää. Laitteiden vaatima tila on myös merkittävä tekijä, jotta työskentely on miellyttävää ja turvallista. Laitteiden valinnassa on suuri etu, mikäli niitä voidaan käyttää tarvittaessa muidenkin tuotteiden valmistusprosessissa. Näin investoinnista saadaan suurempi hyöty.
Automatisointia varten tehtiin kolme eritasoista suunnitelmaa:
- Ensimmäisessä suunnitelmassa kaikki leikkaamiseen ja pakkaamiseen liittyvät vaiheet automatisoidaan hyödyntäen leipomoihin tarjottavia automaattisia koneita. Ainoa käsin toteutettava työ on pakattujen tuotteiden siirtäminen pahvilaatikkoon.
- Toisessa suunnitelmassa leikkaaminen tapahtuu yhteistyörobotilla ja sitä varten suunnitellulla leikkuutyökalulla. Sama robotti myös siirtää leikatut tuotteet yksittäispakkauksiin, jotka kulkevat flow-pack –pakkauskoneen läpi. Tuotteet kulkevat pakkauskoneelta pyörivälle pöydälle, jonka työntekijä käy sopivin väliajoin tyhjentämässä laatikoihin.
- Kolmannessa suunnitelmassa hyödynnetään ainoastaan flow-pack –pakkauskonetta ja sen perässä pyörivää pöytää. Näin ollen leikkaaminen, yksittäisten tuotteiden pakkaaminen ja muovitettujen tuotteiden laatikointi tapahtuvat ihmisvoimin.
Kun näiden suunnitelmien perusteella tehtiin kustannuslaskentaa, todettiin, että ensimmäisen suunnitelman mukaisen automatisoinnin hinnaksi tulee selvästi yli 200 000 € jo ilman asennus- ja ohjelmointikustannuksia. Toisen suunnitelman mukaiset laitteet maksavat yhteensä reilut 70 000 € ja kolmannen suunnitelman mukaiset laitteet reilut 40 000 €. Näiden suunnitelmien perusteella tässä tilanteessa kustannustehokkaimmaksi vaihtoehdoksi osoittautui toinen ratkaisuvaihtoehto.
5VTA-projektissa päädyttiin tekemään ratkaisuvaihtoehdosta 2 simulaatio (kuva 1), jolla osoitetaan, miten tällainen automatisoitu linjasto toimii. Simulointi tehtiin Visual Components -ohjelmalla käyttäen geneerisiä komponentteja eli ohjelmasta valmiina löytyviä koneita ja laitteita. Tämän vuoksi simulointi ei ole riippuvainen tiettyjen valmistajien laitteista ja mitat ovat muokattavissa vastaamaan suunniteltujen laitteiden mittasuhteita. Yhteistyörobottina simuloinnissa käytetään UR5-robottia ja robotin tarttujana on Robotiqin kaksisormitarttuja, joka soveltuu tähän tarkoitukseen erityisen hyvin.
Simulaatio toteutettiin aluksi käyttämällä tätä tarkoitusta varten suunniteltua moniteräistä leikkuria.
Kun moniteräinen leikkuri mallinnettiin ja siitä 3D-tulostettiin esimerkkiversio, saatiin leikkurin toiminta testattua oikeasti SAMKin laboratoriossa käytössä olevalla Universal Robotsin UR5-yhteistyörobotilla. Testit osoittivat, ettei moniteräinen leikkuri toimi suunnitellulla tavalla vaan terien välit aiheuttavat liian suuren vastuksen eikä robotin voima riitä koko tuotteen leikkaamiseen kerrallaan.
Ensimmäisen simulaation perusteella päädyttiin tekemään toinen vastaava simulaatio, jossa robotti käyttää leikkaamiseen yhtä leikkuuterää. Yhden leikkuuterän toiminta todennettiin myös oikealla robotilla ja se oli toimiva ratkaisu.
Simulaatiot ja todelliset testit robotilla tuottivat vakuuttavia tietoja siitä, että toisen suunnitelman mukainen ratkaisuvaihtoehto on suositeltavin. Kaikki toivotut prosessit saadaan automatisoitua, mutta laitteiden hankintahinta on kohtuullinen.
Laajemmin tässä esitellystä esimerkistä voi lukea Jenni Alatalon opinnäytetyöstä.
Tässä esimerkissä käsitellään erilaisia leipomotuotteita robotin tarttujalla, jonka tartuntavoimaa voidaan säätää tarkasti niin, ettei helposti muotoaan muuttavat tuotteet veny tai litisty.
Esimerkin leipomotuotteina ovat donitsi ja minimunkki. Kevyen kosketuksen tarttujaa käytetään tässä esimerkissä:
- Donitsien käsittelyyn nostamalla niitä reiän sisäreunasta
- Munkkien käsittelyyn nostamalla niitä ulkoreunoista
Tällaiset kevyen kosketuksen tarttujat mahdollistavat joustavan tuotannon, koska niillä voidaan käsitellä monenmuotoisia tuotteita vaikuttamatta tuotteiden muotoon. Näin linjastolla voidaan käsitellä samanaikaisesti moniakin eri tuotteita.
Donitsien ja munkkien paikat tunnistetaan tässä PickIt:n 3D-kameralla, joka ohjaa robottia noukkimaan leipomotuotteet oikeasta kohdasta.
Kun mobiilirobotin halutaan kuljettavan elintarvikepakkauksia laatikointiin tai laatikoita lavaukseen tai lähettämöön, pitää mobiilirobotti saada kutsuttua tarvittaessa kuljettamaan tuotteita. 5VTA-hankkeessa tehtiin esimerkinomainen kutsusovellus mobiilirobotille.
Kutsusovelluksella työntekijä voi kutsua mobiilirobotin hakemaan tuotteita esimerkiksi pakkauskoneelta lavaamoon. Kutsusovellus (kuva 1) toimii mobiililaitteella ja siitä työntekijä voi valita, minne mobiilirobotti kutsutaan ja minne se taas lähetetään, kun tuotteet ovat kyydissä. Kutsusovelluksella voidaan myös tehdä robotille varaus eli jos robotti on liikenteessä, se voidaan varata tulemaan seuraavaksi määrättyyn paikkaan. Sovelluksella voidaan myös tehdä robotille reitti, jonka mukaan se voi edetä automaattisesti toimintapisteeltä toiselle tai vaikka ensin pakkaamoon ja sitten lähettämöön.
RoboAI Health
Yhä useampi kohtaa arjessaan mielen hyvinvointiin liittyviä haasteita. Esimerkiksi sosiaalisten tilanteiden pelko, esiintymisjännitys ja stressi ovat monelle arkipäivää. Erityisesti nuorillle tarvitaan uudenlaisia heidän näköisiään ratkaisuja perinteisten kynä-/paperi -menetelmien tueksi. Teknologia tarjoaa kaivattuja matalan kynnyksen välineitä näiden haasteiden työstämiseen.
Kustannustehokkaita ja helposti saavutettavia ratkaisuja mielen hyvinvoinnin edistämiseksi.
Altistus
Altistushoito on yksi tehokkaimmista menetelmistä ahdistuksen hoidossa. Tutkimusten mukaan 60-75% altistushoidolla hoidetuista henkilöistä kokevat saavansa tilaansa jonkinlaista helpotusta ja vaikutukset ovat pitkäaikaisia. Altistushoito perustuu pelon kohtaamiseen. Kun ihmisen altistetaan pelkonsa kohteelle riittävän pitkään, mieli sopeutuu pelkoa aiheuttavaan ärsykkeeseen, jolloin se ei aiheuta enää stressitilaa. Virtuaalitodellisuus on potentiaalinen työkalu altistushoidolle, koska sen avulla pystytään tuottamaan aidontuntuisia kokemuksia turvallisessa ympäristössä. Digitaalisessa ympäristössä pystytään myös tekemään monenlaisia muutoksia (esim. säätämään ärsykkeiden määrää ja tilanteen etenemistä), joita todellisessa maailmassa on hankala tai kallis toteuttaa (vrt. esim. lentopelko ja lentäminen).
Esimerkki: Altistussovellus julkisten paikkojen pelkoon
Demossa käyttäjä asioi kaupassa. Hänen tavoitteenaan on jonottaa ja maksaa ostokset. Demossa käytetään aitoa 360 -kuvaa, jota katsellaan virtuaalilaseilla. Käyttäjä voi edetä demossa interaktiosta (mene jonoon) toiseen (asioi myyjän kanssa) omaan tahtiinsa. Harjoitteen tarkoituksena on saada aikaan ahdistusvaste, odottaa stressitilan lieventymistä ja jatkaa sitten yksi askel kerrallaan, omassa tahdissa.
Rentoutus
VR -teknologiaa voidaan käyttää myös rentoutumisen tukemiseen. Käyttäjä voidaan viedä virtuaalisesti monenlaisiin rentouttaviin ympäristöihin (esim. luontoon). Virtuaalimaailmaan voidaan lisätä erilaisia terapeuttisia työkaluja, joiden avulla rentoutumista ja palautumista voidaan tehostaa. Esimerkiksi virtuaalimaailmaan lisättyjen hengitysharjoitteiden avulla voidaan aktivoida
parasympaattista hermostoa palautumisen edistämiseksi.
Esimerkki: Hengitysharjoite
Rentoutusdemossa käytetään aitoa 360 -kuvaa, jota on kuvattu tunturimaisemassa Lapissa. Rentoutusharjoitteen ohjaaminen tapahtuu demoon rakennetun hahmon kautta. Lisäksi demossa hyödynnetään oikeanlaisessa rytmissä suurenevaa ja pienenevää palloa, joka ohjaa hengitystä rentoutumisen ja palautumisen tehostamiseksi.
”Virtuaalitodellisuus tarjoaa parhaimmillaan täysin uudenlaisia mahdollisuuksia toteuttaa mm. altistushoitoja. Virtuaalitodellisuuden ja erilaisten teknologisten sovellusten hyödyntäminen ja jatkuva kehittäminen on nykypäivää ja teknologian rooli psykiatrisessa hoitotyössä tulee todennäköisesti vain tulevaisuudessa kasvamaan”
Anna Mäkelä
Nuorisopsykiatrian erikoislääkäri, vs ylilääkäri, Satakunnan sairaanhoitopiiri, Porin nuorisopsykiatrian poliklinikka
Dyme Solution Oy:n Florie-paineanturia testattiin keväällä 2023 Satasairaalan kehitysvammapalveluiden asumisyksikkö Naskalissa.
Testauksen tavoitteena oli arvioida, miten sängyn jalkoihin asetetut anturit mahdollistavat liikkumisen reaaliaikaisen seurannan ja sen vaikutukset asukkaan yöaikaiseen turvallisuuteen ja koko yksikön öiseen rauhallisuuteen. Lisäksi arvioitiin Florie-antureiden toimivuutta ja käytettävyyttä tuotteena ja käyttöliittymän käyttäjälähtöisyyttä ja toimivuutta.
Testauksessa Naskalin asumisyksikön asukkaan sängyn jalkojen alle asennettiin anturit, jotka painon muutosten avulla havaitsevat sängystä poistumisen ja lähettivät tiedon Dyme Solution Oy:n pilvipalveluun. Hoitajat saivat hälytyksen sängystä poistumisesta kännykkään ladattavan sovelluksen avulla.
Tuotteen koettiin sopivan erityisesti heikosta tasapainosta kärsiville, kaatumisvaarassa oleville ”huonojalkaisille” asukkaille, jotka kuitenkin ovat virkeitä tai levottomia öisin tai voivat pyrkiä jalkeille sängyn laidoista huolimatta. Tuote on hyödyllinen, kun yksikkö on pinta-alaltaan suuri ja välimatkat pitkiä ja yksikössä on paljon tehtävää yöllä ja vain vähän valvovaa henkilökuntaa.
Henna Leppäsen YAMK-opinnäytetyö Floriesta (Theseus)
Tutkimuskeskukset yritysten kumppaneina - RoboAI ja Dyme Solutions Oy (Youtube)
Kuntoutuskentällä kaivataan uudenlaisia keinoja omaehtoisen kuntoutumisen tueksi. Asiakaskunta on kuitenkin hyvin heterogeenista toimintakyvyn ja kuntoutustarpeen ollessa yksilöllinen. Peleissä hyödynnetään paljon elementtejä, joiden avulla motivaatiota, innostusta ja sitoutumista voidaan lisätä. Peleihin voidaan upottaa myös ”hyöty” elementtejä, jolloin puhutaankin tyypillisesti hyötypeleistä. Haasteena hyötypeleissä on pelin sisällön sovittaminen erilaisille käyttäjäryhmille. Erityisesti kaivataan modulaarista ja käyttäjän mukaan muovautuvaa ratkaisua.
Pelin ideana on aktivoida käyttäjää kevyeen fyysiseen harjoitteeseen sekä samalla harjaannuttaa koordinaatiota ja havainnoimista. Vaikeimmin toimintarajoitteisilla keskeinen tavoite on osallistaminen ja uusien elämyksien mahdollistaminen.
Ohjaimet
Fyysisen aktiivisuuden lisäämiseksi, käytetään pelin ohjaukseen kehon liikkeitä. Peliä ohjataan pienellä asentoa tarkkailevalla anturilla (kallistusanturi). Anturidata lähetetään bluetoothilla mobiililaitteelle, jossa peli on asennettuna. Anturi voidaan kiinnittää eri raajoihin tai erilaisiin esineisiin, joita pelaaja liikuttaa. Näin vaadittavaa ohjausliikettä voidaan modifioida käyttäjän tarpeen mukaisesti. Modulaarisuutta pystytään lisäämään kustomoitavilla ohjainratkaisuilla, jotka 3d-tulostetaan. 3d-tulostus mahdollistaa täysin yksilöllisten ohjainten valmistamisen, kunhan anturi saadaan liitettyä ohjaimeen.
3D-tulostusteknologiaksi valikoitui FDM (fused deposition modeling), jossa suuttimeen syötetty muovilanka kuumennetaan materiaalille sopivaan lämpötilaan. Sulanut muovi pursotetaan tulostusalustalle kerros toisensa jälkeen muodostaen näin lopulta koko kappaleen. Tulostusmateriaalina käytettiin PLA:ta (polyactide) sen tulostusominaisuuksien, kuten matalan tulostuslämpötilan takia sekä sen mittatarkkuuden vuoksi.
Tässä esimerkkiohjaimina käytettiin:
- tasapainolautaa, jolloin liikkeitä voidaan tehdä jaloilla (istuen tuolilla tai seisoen
tasapainolaudan päällä)
tasapainolaudan päällä)
- käsiohjaimia, joissa on lukuisia tapoja tarttumiseen (kahvat voidaan vaihtaa ja ohjain voidaan kiinnittää vartaloon)
- pääohjaimella, jolloin ohjaus mahdollistuu ilman käsien ja jalkojen käyttöä
Pelit
Esimerkkipelinä toteutettiin yksinkertainen labyrinttipeli, jossa pelaajan (hiiri) on tarkoitus kerätä sydämiä (kuva). Peliä voidaan säätää eri käyttäjien mukaan. Esimerkiksi pelielementtien kokoa ja nopeutta, sokkeloiden määrää ja sijaintia sekä vastustajien määrää/laatua voidaan helposti muuttaa käyttäjän tarpeen mukaisesti. Olennaista on sovittaa vaikeustaso ja pelaajan kyvyt. Peli toteutettiin adaptiiviseksi -se mukautuu pelaajan kykyihin lisäämällä vaikeustasoa vastustajien ja sokkeloiden avulla. Peli alkaa kuitenkin mahdollisimman yksinkertaisesti ilman sokkeloita ja vastustajia. Tällöin esimerkiksi hahmottamis- ja motorisia haasteita omaavat voivat keskittyä vaikka koko pelinsä ensimmäisen sydämen keräämiseen ilman, että pelin liika vaikeus tappaa motivaation. Toisaalta edistynyt pelaaja ei tylsisty, sillä peli vaikeutuu automaattisesti, kun sydämiä onnistutaan keräämään lisää. Samaa ohjausteknologiaa voidaan hyödyntää lukuisien erilaisten pelien kanssa ja niitä työstetään parhaillaan.
"On tärkeää, että kuntoutuminen on myös mukavaa. Juuri mielekkyyden lisäämiseen pelit ovat hyvä apukeino. Olemme ottaneet uusia työkaluja sekä yksilöharjoitteluun että osaksi ryhmiä."
Helena Myllymäki
laatupäällikkö ja työfysioterapeutti, Kuntoutuskeskus Kankaanpää
RoboAI Healthin ja Rauman Fysikaalinen Hoitola Oy:n yhteistyönä kehitettiin virtuaalitodellisuutta hyödyntävä kuntoutukseen soveltuva Mokke-peli. Kehitystä vauhditti johtava ajatus asiakkaan yksilöllisten tavoitteiden mukaan säädettävistä ominaisuuksista ja pelaamisen aikaisen liikkeen tietojen hyödyntämisestä. Oleellinen osa pelin soveltuvuudesta terapiakäyttöön on peliin kehitetty mahdollisuus hallita pelin säätöjä ulkoisesti.
Tarve pelin kehittämiseen syntyi Rauman Fysikaalinen Hoitola Oy:n (RFH) omistajien ideasta saada käyttöön virtuaalisuutta hyödyntävä peli, jonka avulla aktivoidaan koko kehoa ja ennen kaikkea alaraajoja. SAMKissa kehitettyä Mokke-peliä ohjataan yläraajojen avulla, mutta pelissä voidaan kuitenkin aktivoida tarpeen mukaan alaraajoja tai toteuttaa harjoittelu istuen. RFH:n fysioterapeuttien toiveesta pelin tuli olla asiakkaalle yksinkertainen, mutta haasteellinen ja yksilöllisesti säädettävä, jotta motivaatio peliin säilyisi ja harjoittelu olisi tavoitteellista. Kuntoutumisen ja tavoitteiden toteutumisen seuraaminen edellyttävät asiakkaan toimintojen mittaamista ja tarkkailua. Fysioterapeuteille on tämän vuoksi tärkeää saada nähtäväksi pelaamisen avulla kertyvä tieto liikeradoista, liikkeen laajuudesta, nopeudesta ja tarkkuudesta.
Kuntoutuksessa hyödynnettävä virtuaalisuus, erityisesti “immersiivinen virtuaalisuus” VR-lasien avulla, vähentää kivuntuntemusta (Wong, Tse & Qin, 2022). Mokke-pelissä harjoittelun avulla tavoitellaan asiakkaan aktivoimista liikkeelle ja harjoitusten tekemistä luonnollisilla liikeradoilla vähäisemmällä kiputuntemuksella. Kuntoutuja saattaa pelin aikana suorittaa suurempia liikeratoja ja useampia toistoja, kuin perinteisesti tehtyjen harjoitteiden muodossa.
Yksilöllinen ja hauska tapa kuntoutua
Mokke-pelissä kuntoutuja toimii jalkapallomaalivahtina hyödyntäen virtuaalilaseja (kuva 1). Pelin keskeisenä ominaisuutena on peliasetusten säätäminen hyödyntäen etäohjaussovellusta (kuva 2). Esimerkiksi pallojen tuloaikoja, -paikkoja, -nopeuksia ja pallon kokoa säätämällä voidaan säätää asetuksia fysioterapian näkökulmasta kuntoutujan tarpeita ja tavoitteita vastaaviksi.
Itse pelissä kerätään virtuaalilasien ohjainten tuottamaa dataa fysioterapeutin analysoitavaksi. Dataa saadaan ohjainten sijainnista, liikkeen nopeudesta ja kiihtyvyydestä. Etähallintasovelluksessa näkyy koordinaatistossa liikelaajuuksien maksimi- ja minimiarvot, maksimi -ja miniminopeudet, harjoituksen kesto sekä torjuttujen pallojen lukumäärä. Lisäksi saadaan visuaalisia kuvaajia ohjainten sijainti- ja nopeusdatasta. Tietokantaan kerääntyvän harjoitusdatan avulla pystytään seuraamaan kuntoutujan edistymistä ja suunnittelemaan uusia harjoitteita.
Harjoittelualueen tulee olla riittävän suuri, jos halutaan hyödyntää koko pelin kapasiteetti. Jalkapallomaali vastaa siis tässä pelissä kooltaan oikeaa jalkapallomaalia. On kuitenkin mahdollista pelata pienemmällä alueella, jolloin säädöillä voidaan huomioida eri asiakkaiden tarpeet. Pelin edelleen kehittäminen on mahdollista ja alaraajojen käyttäminen ohjaimissa olisi mielenkiintoinen variaatio. Tässä vaiheessa ohjaimia ei vielä voitu kiinnittää alaraajoihin, mutta erilaiset sensorit tai kiinnitysmekanismit voisivat mahdollistaa tämän.
RFH:n fysioterapeuttien Hannakaisa Mäkitalon ja Hanna Teerialhon mielestä Mokke-peli on kiinnostava lisä kuntoutukseen, kuten koko VR-maailma yleisestikin: “Pelinä jalkapallo nimenomaan oli hyvä ratkaisu tuttuuden vuoksi. Peliä voisi toteuttaa hyvin myös muissa lajeissa, kuten salibandyssa tai jääkiekossa. Olisikin hienoa, jos samassa simulaatiossa olisi mahdollista valita eri lajien välillä.”
Mokke-peli on kehitetty Opetus- ja kulttuuriministeriön rahoittamassa (Erityisavustus varhaiskasvatuksen ja opetustoimen henkilöstön osaamisen kehittämiseen ja korkeakoulutuksen verkostomaiseen kehittämiseen) hankkeessa Verkostoyhteistyöllä vauhtia tekoälypohjaisten virtuaaliteknologioiden saavutettavuuteen kuntoutuksessa.
Mokke-peliä on myös testattu Pallo-Iirojen maalivahtivalmennuksen apuvälineenä. Lue tästä lisää Satakunta Testbedin sivuilta!
Lisätiedot:
Taina Jyräkoski
taina.jyrakoski@samk.fi
RoboAI Intelligent Systems
Robocoast-hankkeen pilottikohteena oli Cimcorp Oy Ulvilassa. Pilotin ensimmäisessä vaiheessa tutkittiin Cimcorpin Dream Factory -konseptiin kuuluvaa rengasrobotiikaan liittyvää tietoa.
Toimilaitteista mitataan dataa koko toiminnan ajan laadun varmistamiseksi sekä tuotekehityksen tueksi. Data-analytiikan avulla toimilaitteiden prosesseja voidaan analysoida sekä optimoida joitakin osa-alueita suorituskyvyn (edelleen) parantamiseksi. Analytiikassa tietokannasta haetaan laitteiden tuottamaa dataa, jota analysoimalla voidaan päätellä sekä yksittäisten laitteiden että kokonaisuuden toimivuutta, ja tehdä tarvittavia muutoksia (iteratiivisesti) ohjausjärjestelmään.
Iteroinnin lisäksi on lukuisia mahdollisuuksia tehostaa tuotantoa optimoimalla esimerkiksi vääriä liikeratoja roboteista, kuten liian suuri ajan/virran käyttö, liikkuvan aktuaattorin kaari/kulma liian iso sekä histogrammien käyttö virhetilojen löytämisessä.
Data-analytiikalla voidaan myös luoda rinnakkaisia mittareita, tarkistamalla tiedon luotettavuus käyttämällä useasta tietolähteestä saatua dataa. Näin voidaan varhaisessa vaiheessa huomata toimilaitteen/komponentin mahdollinen vikaantuminen tai häiriötilanne.
Pilotin toisessa vaiheessa keskityttiin laatikkovaraston hallintajärjestelmän datan analysointiin. Kehitystyössä kokeiltiin erilaisia datan visualisointikeinoja, pääasiassa kunnossapidon ja kehityksen tarpeisiin. Samalla oli kuitenkin pidettävä mielessä, että samaa tietoa voisi tulevaisuudessa lisätä myös asiakaspalvelun tarpeisiin selkeänä ja johdonmukaisena.
Pilotti kesti vuoden ja loppui joulukuussa 2020. Pilotin aikana kävi selväksi, että datan analyysityö on pitkäjänteistä ja jatkuvasti muuttuvaa alati kehittyvässä toimilaiteympäristössä. Kun toimilaitteisiin tulee uusia piirteitä ja uusia mittauskohteita, niin data-analyysin on pysyttävä mukana ja tarjottava asiakkaille ajanmukaista, selkeästi jäsennettyä tietoa.
Cimcorp Oy tuottaa teollisuudelle varaston hallinnan, sekä materiaalin käsittelyn automatisoituja toimilaitteita. Lisätietoja Cimcorpista.
Porin kaupungin pilotissa pyrittiin datan analysoinnilla ja datan visualisoinnilla tukemaan kahden vuoden välein toteutettavan työhyvinvointikyselyyn liittyvän etätyökokemusosion suunnittelua ja toteutusta. Tampereen yliopiston DAO-tutkimusryhmän asiantuntija laati kyselyalustan, joka rakentui käytännössä kahdesta osasta: puolistrukturoiduista haastatteluista ja sähköisestä kyselystä. Aihe oli hyvin ajankohtainen vallitsevan tilanteen vuoksi ja kyselyä varten haluttiin saada tutkimusryhmän asiantuntijalta uudenlaista näkökulmaa.
Oli tärkeää selvittää, miten etätyöskentely on työhyvinvoinnin osalta koettu, mitä haasteita siinä on mahdollisesti kohdattu, ja miten se on vaikuttanut työntekijän kokonaisvaltaiseen hyvinvointiin. Erityisesti etätyön jäädessä pysyvämmäksi työtoimintamalliksi myös epidemian jälkeen.
Puolistrukturoituihin haastatteluihin osallistui 20 henkilöä, joista esihenkilöasemassa oli 6 henkilöä; naisia 12 ja miehiä 8. Keski-iän ollessa noin 45 vuotta; haastattelun kesto n. 25-45min; haastatellut edustivat useita eri toimialoja ja erityyppisiä työtehtäviä. Haastatteluista saatu materiaali litteroitiin ja analysoitiin laadullisesti temaattisen data-analyysin avulla.
Kirjallisessa raportissa tullaan tarkemmin kuvaamaan mm. toimialakohtaisia eroja tarkemmin, mutta aineistoanalyysin pohjalta voidaan jo nyt todeta, että ne noudattavat samaa linjaa kuin sähköisen kyselyn tulokset.
Yhteensä etätyökyselyyn vastasi 922 Porin kaupungin työntekijää, 69 % vastaajista ei ollut tehnyt etätyötä aikaisemmin. Ennen etätyösuositusta etätyötä tehtiin keskimäärin 0,22 päivää / viikko. Etätyö lisääntyi keskimäärin 2,27 päivää / viikko.
Tampereen yliopiston Porin yksikössä tehdään paljon myös yritysyhteistyötä tilattuina case-tapauksina. Honkajoki Oy:lle kehitetään parhaillaan luotettavaa, hyperspektrikuvauksiin perustuvaa automaattista teurasjätteiden analysointimekanismia, mitä voitaisiin käyttää hyväksi teurasjätteen jatkokäsittelyssä.
Yksikön käytössä oli Specim Oy:n hyperspektrikamera, jonka avulla voidaan linjastolta havaita teurasjätteen pilaantumisaste ja vierasesineet, kuten metalli, muovi, lasi sekä teurasjätteen vesipitoisuus. Hyperspektridatan referenssiarvoina käytetään teurasjätteestä otettuja laboratorionäytteitä, jotka on yhdessä kuvattu Tampereen yliopiston ja Specim Oy:n tutkijoiden yhteistyönä.
Hyperspektrikameran mittaukset syötetään Tampereen yliopiston neuroverkko (keinoäly) laskentayksikköön, missä neuroverkko pyrkii oppimaan syy-seuraussuhteen hyperspektrikameran mittauksien sekä teurasjätteistä otettujen laboratoriomittausten välille. Neuroverkon opettamiseen tarvitaan useita välivaiheita, sillä hyperspektridataa on paljon ja ennen neuroverkon opettamista, datan määrää täytyy vähentää kuitenkaan menettämättä mitään oleellista datasta. Tämän jälkeen neuroverkon koko täytyy selvittää ja hakea optimaaliset verkon oppimisparametrit ennen varsinaista neuroverkon opetusta. Lisäksi Dyme Solutions Oy on toteuttanut tiedonkeruuratkaisun, jonka avulla Honkajoki Oy:n tuotantolaitokselta kerätään dataa eri prosesseista yhteen paikkaan. Tampereen yliopiston tutkijat pyrkivät löytämään kerätystä datasta syy-seuraussuhteita, jonka avulla voidaan tehdä kehitystoimenpiteitä eri prosessien kohdalla, esimerkiksi energian kulutuksen tarkasteluun ja tulevaisuudessa energian kulutuksen vähentämiseen tai prosessiin liittyvien komponenttien hajoamisen ennakointiin.
Katso myös
Tilaa RoboAI:n uutiskirje
Tilaamalla uutiskirjeen saat uutiset ja tapahtumat uunituoreena sähköpostiisi ja pysyt ajan tasalla.