Monitoring bioinspired fibrillar grippers by contact observation and machine learning

Abstract

The remarkable properties of bio-inspired microstructures make them extensively accessible for various applications, including industrial, medical, and space applications. However, their implementation especially as grippers for pick-and-place robotics can be compromised by multiple factors. The most common ones are alignment imperfections with the target object, unbalanced stress distribution, contamination, defects, and roughness at the gripping interface. In the present work, three different approaches to assess the contact phenomena between patterned structures and the target object are presented. First, in-situ observation and machine learning are combined to realize accurate real-time predictions of adhesion performance. The trained supervised learning models successfully predict the adhesion performance from the contact signature. Second, two newly developed optical systems are compared to observe the correct grasping of various target objects (rough or transparent) by looking through the microstructures. And last, model experiments are provided for a direct comparison with simulation efforts aiming at a prediction of the contact signature and an analysis of the rate and preload-dependency of the adhesion strength of a soft polymer film in contact with roughness-like surface topography. The results of this thesis open new perspectives for improving the reliability of handling systems using bioinspired microstructures.

Durch die besonderen Eigenschaften bioinspirierter Mikrostrukturen können diese für verschiedene Anwendungen genutzt werden, einschließlich industrieller, medizinischer und Weltraumanwendungen. Ihre Implementierung, insbesondere als Greifer für Pick-and-Place-Robotiker, kann jedoch durch mehrere Faktoren beeinträchtigt werden. Am häufigsten sind Ausrichtungsmängel an das Zielobjekt, unausgeglichene Spannungsverteilungen, Defekte und Rauheit an der Greifschnittstelle. Die vorliegende Arbeit zeigt drei verschiedene Ansätze, um den Kontakt zwischen strukturierten Adhäsiven und Zielobjekten zu untersuchen. Zunächst werden in-situ Beobachtungen und maschinelles Lernen kombiniert, um Echtzeitvorhersagen der Adhäsionsleistung zu ermöglichen. Die trainierten Modelle werden verwendet, um die Haftungsleistung anhand der Kontaktsignatur des Pads erfolgreich zu prognostizieren. Anschließend werden zwei neu entwickelte, optische Systeme verglichen, mit denen das korrekte ” Greifen“ von verschiedenen Objekten (mit rauen oder undurchsichtigen Oberflächen) durch die Mikrostrukturen live verfolgt werden kann. Zuletzt werden Modellexperimente durchgeführt, die mit Simulationen der Signatur des Kontakts einer weichen Polymerschicht mit einer idealisierten rauen Gegenfläche direkt verglichen werden können. Die Ergebnisse dieser Arbeit eröffnen neue Perspektiven zur zuverlässigeren Verwendung von Handhabungssystemen mit bioinspirierten Mikrostrukturen.