Dissertation: a work Piece bases Approach for Programming Cooperating Industrial Robots

Industrial robot 
programming  
techniques
Interaction 
control
Cooperative 
manipulators
On-line 
Off-line 
Task level
Commercial 
systems
Scientific
research
Passive 
vs.
Active
Remote
Center 
Compliance
Impedance
control
Figure 2.1: Literature classification
2.2 Industrial robot programming techniques
As specified in (DIN EN ISO 8373 1996), programming an industrial robot entails creating
a user application for a production task. Research e
fforts tend to classify different pro-
gramming techniques according to the location of programming (Humburger 1997)(Weck
& Brecher 2006, P. 378). In this classification scheme, if programming occurs either in
the vicinity of the robot or directly on the factory floor, it is termed ’on-line’ (DIN EN ISO
8373 1996, section 5.2.3). While creating a program in a location separate from the robot
is termed ’o
ff-line’ (DIN EN ISO 8373 1996, section 5.2.4). Other researchers classified
programming techniques according to the level of task abstraction (Biggs & Macdonald
2003)(Haun 2007)(Dillmann 2010). In the following sections classical on-line
/off-line pro-
gramming techniques will be introduced and subsequently augmented with task-oriented
methods thereby covering goal-oriented programming techniques as described in (DIN
EN ISO 8373 1996, section 5.2.5).
2.2.1 On-line programming
On-line programming is characterized by leading the robot through a sequence of desired
movements by an operator in the vicinity of the robot (DIN EN ISO 8373 1996, section
5.2.3). Although these methods are easy to learn and produce highly accurate robot
10

---

2.2 Industrial robot programming techniques
programs executed on the robot (see Figure 2.2), they cause a significant loss in production
time especially if the task is complicated (Hesse & Malisa 2010, P. 74). This is attributed
to the fact that programming takes place in a production cell on the factory floor and hence
contributes to production downtime (Haegele et al. 2008, P. 977). According to (DIN
EN ISO 8373 1996, section 5.2.3) the two major on-line programming techniques are
programming by Teach-In and Lead-through methods.
Teach-in
Programming
Lead-through
Intuitive HMI
1: MOVE INSTRUCTION
2: MOVE INSTRUCTION
.
.
.
.
N: INSTRUCTION
Deployment
Figure 2.2: On-line programming process
2.2.1.1 Teach-in
This method is based on an ergonomically designed teach-pendant which allows the user
to precisely control the robot’s movement whilst being in its vicinity (Hesse & Malisa
2010, P. 74). Such pendants usually contain programming specific features such as buttons
for saving and editing the program, a joystick
1
for easy manipulation of the robot or even
a 3D Mouse
2
. Additionally, process specific features such as emergency stop and safety
indicators are usually included (Kreuzer et al. 1994, P. 247)(Holzbock 1996, P. 344). In
addition to programming those pendants serve as the human machine interface (HMI) with
the robot. Hence they are coupled to the robot controller from the respective manufacturer
(Deisenroth & Krishnan 1999, P. 341). The teach-in process commences by moving the
robot in a reduced speed mode
3
along the desired path while constantly checking whether
the points on the path correspond to the actual process. The programmer is allowed
to move the robot in either tool center point (TCP) coordinates or joint coordinates i.e.
separately moving each motor, during which key-points are saved in the program. Finally,
the user can add branching and logic instructions to the movement instructions and test
the program to check whether it corresponds to the desired functionality (Holzbock 1996,
1
e.g. FlexPendant from ABB Group
2
e.g. KR CX Teach Pendants from KUKA Robot Group
3
In most commercial robots the speed during teach mode is automatically reduced
11

---

2 Literature Review
P. 348). Although teach-in represents one of the most simple programming techniques, it
requires considerable knowledge of robot kinematics and coordinate systems in order to
fully understand the programming operation.
2.2.1.2 Lead-through
Lead-Through or playback methods are characterized by enabling the programmer to hold
the robot either from its TCP or from similar kinematic structure and move it along the
required paths (Schraft & Meyer 2006)(Deisenroth & Krishnan 1999, P. 347). During
movement, the robot controller saves data sets containing either the actual position and
orientation of the TCP or the readings of the joint angles at equal time intervals (Hesse
& Malisa 2010, P. 74). By replaying these data sets the robot duplicates the motion
executed by the programmer. The most basic form of this method started in the 80’s
where back-drivable motors with mechanisms to counterbalance the weights were utilized
(Haegele et al. 2008, P. 977). This soon evolved to applying compliance control in
order to counter the size restrictions. By measuring the forces using a force torque sensor
(FTS) at the TCP and utilizing a simple compliance control scheme, the robot could be
rendered movable from the its tool by sheer human e
ffort (Winkler 2006, P. 25-67). A
similar scheme utilizes torque sensors on the joint motors and hence making each joint
independently movable by applying force to it (Grunwald et al. 2003). Modern light
weight robots take advantage of their light structures and o
ffer this teaching method either
by back-drivable motors or joint torque measurement
4
. The apparent advantage of this
method is its intuitiveness and the ability to execute complicated motions within a task by
mimicking the human’s motions. However, the recorded points can not easily be edited
later making changing the whole trajectory module inevitable each time a small deviation
occurs.
2.2.1.3 Modern approaches
On-line teaching has garnered a lot of attention from researchers world-wide due to its
simplicity and intuitiveness. Many in the research community have geared their work to
overcome the drawbacks of the aforementioned methods. Whether it be by sensor-assisted
programming or by re-inventing the discipline all together through incorporating new
devices or techniques. A fresh take on the classical lead-through programming method
was presented in (Maeda et al. 2008). Where the operator moves the robot through
a volume hence defining a collision free space for the given task. Consequently this
information is used to automatically generate a TCP based trajectory conforming to the
swept volume. Reinhart et al. (2008c) for example, attempted to augment the trajectory
taught using an input device with a force sensor. This was located at the TCP to overcome
4
An example thereof is the KUKA LWR (http:
//www.kuka-robotics.com/en/products/addons/lwr/) and Universal
Robot’s UR6 robot (http:
//www.universal-robots.com/)
12

---

2.2 Industrial robot programming techniques
positional discrepancies during contact with sti
ff environments. A similar approach was
investigated in (Neto et al. 2009), where force control assisted tasks were mandated by
verbal commands and translated to robot code with speech recognition. Furthermore, the
Nintendo wireless remote device (WiiMot) was utilized as an intuitive and wireless teach
pendant, where human gestures were extracted and interpreted in robot motion instructions
using artificial neural networks. Other popular research directions were based on utilizing
camera based tracking for tracking the operator’s hand movements holding a stylus or
guiding device. This can be extended to include assistance functions in a model based
on-line simulation environment (Hein et al. 2008). Additionally, the user can even directly
interact with spatial trajectories through intuitive metaphors projected on a work-piece
(Reinhart et al. 2007).
2.2.2 O
ff-line programming
O
ff-line programming denotes the act of programming the robot using a PC-based simula-
tion environment or other means without actually needing an actual industrial robot (DIN
EN ISO 8373 1996, section 5.2.4). Therefore allowing the robot’s program to be devel-
oped independently from the production cell and subsequently deployed on it (Inaba &
Sakakibara 2009, P. 357). The need for o
ff-line programming stems from the deficiencies
inherent in on-line programming as discussed in the latter section. The major disadvantage
being unable to create large, complex programs. By separating the programming process
from the production cell, robot downtime is avoided hence increasing productivity of
the manufacturing line. Furthermore, using standard interfaces with commercial robots
make it possible to create programs applicable to robots from di
fferent vendors (Yong &
Bonney 1999, P. 354). Thus making it feasible to change the hardware without having to
re-program the whole task. Standardization e
fforts have culminated in the RSS (Realistic
Robot Simulation); a de facto standard for defining robot models (Bernhard et al. 2002).
Despite its numerous advantages compared to other programming methods, o
ff-line suffers
from an inevitable and fatal issue. Di
fferences and discrepancies between the actual real
world and the idealized virtual world render the code generated in an o
ff-line manner
useless without further on-line adaptation or sensor-based calibration (Weck & Brecher
2006, P. 380) as illustrated in Figure 2.3. These di
fferences and deviations could be
attributed to (Yong & Bonney 1999, P. 357-358):
1. The exact spatial locations of objects in a robotic work-cell are never precisely
conveyed to the virtual world.
2. Tight tolerances in the robot components (linkages, motor etc.) cause errors, which
are eventually compounded to produce large errors at the TCP.
3. Di
fference between the numerical accuracy of the simulation environment and the
controller’s resolution.
13

---

2 Literature Review
4. Environmental factors, such as temperature can a
ffect the robot’s operation in the
most unpredictable ways.
To overcome the latter factors, researchers have been investigating methods and techniques
to simplify calibration (Sunnanbo 2003, P. 17). Moreover, some research works advocated
using real world data to update o
ff-line simulation (Denkena et al. 2004)(Brecher et al.
2010). Robot manufacturers have also been concentrating on the accuracy of o
ff-line
programming which has been dramatically enhanced (Hesse & Malisa 2010, P. 199). In
spite of all the latter e
fforts, off-line programming and its subsequent factory floor adapta-
tion still represents a major monetary and technical hindrance against the proliferation of
robots in many production facilities, specifically in SME (Schraft & Meyer 2006)(Pires
2008a).
Adaptation & Calibration
Deployment
Programming