Af EVST-redaktionen · Sidst opdateret: 6. juni 2026
Robotisk bin picking er en robot, der tager dele, der er stablet tilfældigt i en beholder, én ad gangen, uden fastgørelse. Den har brug for 3D-vision til at finde hver dels position og retning i stakken, software til at planlægge en kollisionsfri grebning og en robot og griber, der kan række ind i beholderen. Det er en af de sværeste opgaver at automatisere, og det er her, AI og 3D-vision udvikler sig hurtigst i 2026.
Hvorfor det er svært at plukke skraldespande
Det meste automatiseringsarbejde antager, at dele ankommer i kendte positioner. Bin picking fjerner dette: dele overlapper, vipper og begraver hinanden, og hver cyklus er forskellig. Robotten skal finde en plukkebar del i rodet, vælge en griber, der ikke kolliderer med kassevæggen eller andre dele, plukke den og ofte omorientere den til den næste station. Ifølge observationer fra branchen er de begrænsende faktorer sjældent robotarmen; de er 3D-visionens evne til at opløse dele i rodet og softwarens evne til at planlægge en pålidelig griber hurtigt nok til at overholde cyklustiden.
De fire elementer i en beholderplukningscelle
| Element | roller |
|---|---|
| 3D-vision | Opbygger en punktsky af beholderen og lokaliserer plukbare dele |
| Grasp planlægningssoftware | Vælger et kollisionsfrit greb til robotten og griberen |
| Robot | Rækker ned i skraldespanden i den planlagte stilling |
| Griberen | Vakuum-, magnetisk eller fingergriber egnet til emnet |
Ifølge observationer fra branchen er valget af griber lige så afgørende som visionen: en vakuumkop håndterer flade eller glatte dele godt, men har svært ved porøse eller ujævne dele, mens en fingergriber når mellem stablede dele, men kræver mere plads. At matche griber til emne er halvdelen af en fungerende beholderplukkecelle.
Hvor AI ændrer beholderplukning
Traditionel bin picking matcher hver scannet del med en kendt CAD-model. Det fungerer for én deltype, men går i stykker, når delene varierer eller er ukendte. Det er her, at indlejret AI ændrer opgaven: lærte modeller kan generalisere til dele, de ikke eksplicit var programmeret til, og plukke varierede eller nye elementer fra en bin. Ifølge brancheobservationer er dette en af de klareste kortsigtede gevinster ved AI i fremstillingsindustrien, fordi tilfældige, blandede bins tidligere var svære at automatisere overhovedet. For det bredere skift, se vores sammenligning af Indbygget AI vs. traditionelle industrirobotter.
I praksis er kasseplukning i 2026 et spektrum: kendte enkeltkomponentkasser kører pålideligt med 3D-vision og CAD-matchning, mens blandede eller ukendte komponenter er det område, hvor AI-baseret gribeteknik er ved at udvikle sig og stadig modnes. Den rigtige tilgang afhænger af, hvor varierede dine komponenter er.
Når det betaler sig at rydde op i skraldespanden
- Dele leveret løse i kasser eller beholdere som i dag kræver manuel sortering eller fiksturering.
- Opstrøms for en maskine eller en samling hvor præsentationen af singulerede dele er flaskehalsen.
- Hvor præsentation af deler er årsagen til, at en opgave stadig er manuel.
Plukning af kasser er ikke altid svaret: Hvis dele kan leveres enkeltvis billigt, er en 2D-styret plukning hurtigere og mere pålidelig. Beslutningen afhænger af, om det er prisen værd at fjerne kassens tilfældighed. For at se, hvordan vision understøtter alt dette, se vores maskinsynsguideEVST integrerer 3D-vision bin picking-celler og kan rådgive om, hvorvidt applikationen er klar til det.
Ofte stillede spørgsmål
Hvad er robotopsamling af beholdere?
Robotisk bin picking er en robot, der tager dele, der er stablet tilfældigt i en beholder, én ad gangen, uden fastgørelse. Den kombinerer 3D-vision til at lokalisere dele i rodet, software til at planlægge et kollisionsfrit greb og en robot og griber, der kan nå ind i beholderen. Det er en af de sværeste produktionsopgaver at automatisere pålideligt.
Hvorfor er det så svært at plukke skraldespande?
Fordi hver cyklus er forskellig: dele overlapper hinanden, vipper og begraver hinanden, skal robotten derfor finde en del, der kan plukkes, i rodet og planlægge en gribeproces, der undgår beholdervæggen og andre dele, hurtigt nok til at overholde cyklustiden. Grænserne er normalt 3D-visionen, der opløser dele i rodet, og gribeplanlægningssoftwaren, ikke robotarmen.
Hvilken rolle spiller AI i bin plukning?
Traditionel bin picking matcher scannede dele med en kendt CAD-model, som fejler for varierende eller ukendte dele. AI-baseret gribeteknik kan generalisere til dele, den ikke eksplicit er programmeret til, så den kan plukke blandede eller nye elementer fra en bin. Dette er en af de klareste kortsigtede gevinster ved indbygget AI i fremstilling, selvom den stadig modnes i 2026.
Hvilken griber bruges til beholderopsamling?
Det afhænger af delen. Vakuumkopper håndterer flade eller glatte dele godt, men har svært ved porøse eller ujævne dele; fingergribere kan nå mellem stablede dele, men kræver mere plads; magnetiske gribere passer til jernholdige dele. At griberen matcher delen er lige så afgørende som visionssystemet for en arbejdscelle.
Hvornår bør jeg ikke bruge bin picking?
Hvis dele kan leveres billigt enkeltstående, for eksempel på et bånd eller i bakker, er en 2D-styret plukning hurtigere og mere pålidelig end bin-plukning. Bin-plukning betaler sig, når fjernelse af bin-ens tilfældighed er flaskehalsen, og singulation upstream er upraktisk eller dyrt. Beslutningen afhænger af præsentationen af delen, ikke robotten.
Om forfatteren: Denne vejledning er udarbejdet af EVSTs redaktionsteam. EVST (EVS TECH CO., LTD) er en robotproducent med base i Chengdu, grundlagt i 2018, der integrerer 3D-vision-robotceller sammen med industrielle og kollaborative robotter og eksporteres til mere end 100 lande med CE-, SGS- og TUV-certificering fra tredjeparter.
Sidst opdateret: 6. juni 2026. Dette er en generel oversigt over et område i hastig bevægelse; bekræft syn, griber og cyklusgennemførlighed i forhold til dine dele, før du forpligter dig.