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

Figure 2.4: Commonly used commercial o
ff-line simulation software
16

---

2.2 Industrial robot programming techniques
2.2.2.3 Visual programming
On the contrary to text-based programming, visual programming tries to simplify the
interaction with the programming environment by allowing the user to visually model
the operation sequence (Weck & Brecher 2006, P. 403). Most of them use cues from
flow-chart, graph or diagram representations (Weck & Dammertz 1995)(Biggs & Mac-
donald
2003). Hence the required program behavior is described in an easy-to-decipher
manner with graphical icons and connections between them. Furthermore, understanding
the relationships between the di
fferent program parts and subsequent debugging is easier
to achieve. Although the user experience and usability of the software is greatly enhanced,
the versatility and capability of the software is correspondingly jeopardized making it less
flexible than its text-based counterparts (MacDonald et al. 2003)(Biggs & Macdonald
2003). A successful example is the Lego Mindstorm NXT (Lego Group 2011) graphi-
cal programming environment introduced in 2006, namely NXT-G. its intuitiveness and
simplicity allows children to program sensor-based robots with remarkable ease. Another
example from Microsoft is the Robotics Developer Studio (Microsoft Corporation
2011) which is not limited to industrial robots and contains a multitude of functions and
simulation capabilities. Within the European research initiative AMIRA Consortium
(Advanced Man Machine Interfaces for Robot System Applications) a general style guide
for developing graphical user interfaces for industrial robots was developed (Schreck
1998). The follow-up project MORPHA focused on the programming user interface area,
uses touch and speech to manipulate an icon-based programming language (Bischoff et al.
2002). Given the need to standardize such interaction techniques, the findings of these
projects culminated in an ISO standard for designing graphical user interfaces for robots
(ISO 15187 2002).
2.2.3 Task-level methods
A departure from the classical programming techniques which depend on the location
of programming(on-line vs. o
ff.line), task-level or task-oriented programming methods
emphasize the description of the goals to be achieved (MacDonald et al. 2003). They
advocate a higher level of instruction abstraction, thus making the task of programming
accessible to anyone with task knowledge rather then programming knowledge. This
however entails three essential steps. The first is creating or obtaining a highly detailed
model of the robot and its surrounding environment including all geometrical and physical
properties. The second is the encapsulation of low level motion instructions into high
level task descriptions. And finally, the system should be capable of translating the
task description into robot motion (Al-Qasimi et al. 1995). Moreover, autonomous or
intelligent functions to interpret the task specifications according to the sensor-based
perception could be added to increase the work-cell’s adaptability and flexibility (Inaba
& Sakakibara 2009, P. 352). Task-oriented programming systems could be considered
as to cover the spectrum between what Hägele (Haegele et al. 2008, P. 978) terms a
product-centric and a process-centric programming system. Closer inspection reveals
17

---

2 Literature Review
that this class of methods and their manifestation in programming systems are but a step
in the direction of full automation (Yong & Bonney 1999, P. 360). Although di
fferent
implementations of task-level programming are abundant in literature they are yet to find
wide spread application in practice. This could be attributed to the modeling inaccuracy
and the limitation of defining manufacturing process in abstract forms without sacrificing
the solution’s generality (Haegele et al. 2008, P. 979). Such systems are usually tailored
for one application thereby addressing specific domains. For example, in the welding
domain, a programming system for remote-laser welding was developed and tested on real
parts (Reinhart et al. 2008a). While in the assembly domain (Castuera et al. 2004) clues
for assembly were specified to an artificial neural network controller which implements
di
fferent assembly strategies according to both task specification and forces on the TCP.
Researchers have also investigated hybrid systems which are based on the classical on-line
and o
ff-line programming paradigms coupled with task-level strategies (Chen 2005).
2.3 Interaction control
2.3.1 Types of tasks
This section addresses the interaction between a robot and its immediate environment.
From a task point of view, interaction is defined in terms of the constraints acting on the
robot (Vukobratovi´c et al. 2008, P. 1-3), and hence could be readily divided into tasks
imposing no constraints and those imposing specific constraints on the robot.
Unconstrained tasks
Unconstrained tasks are defined as those that require no physical interaction between the
robot and the environment (Sciavicco & Siciliano 2005, P. 5). It is therefore the objective
of the robot to position itself as accurately as possible in a predefined pose w.r.t to the
environment, or move along a trajectory with a predefined speed. Depending on the
number of DOF of the manipulator, controlling the position also involves controlling the
orientation of the TCP. Motion control was one of the earliest problems extensively studied
in robotics (Craig 2005, P. 299). Consequently, numerous successful implementations
of position control schemes were deployed in commercial robots leading to their near
ubiquitous presence in certain manufacturing processes nowadays. Typical applications
for this class are for example spray painting, pick and place, arc welding and remote laser
welding. Despite their proliferation, these tasks represent only a small fraction of the
whole range of manufacturing tasks that could be automated by robots (Vukobratovi´c
et al
. 2008, P. 2).
Constrained tasks
Constrained tasks on the other hand involve direct interaction with the robot’s environment.
Interaction in this regard means creating (at the moment of contact) and maintaining
(during contact) a mechanical coupling with static or dynamic objects in the robot’s
immediate environment (Sciavicco & Siciliano 2005, P. 271). Such tasks can be broadly
18

---

2.3 Interaction control
divided into two classes. The first class represents tasks requiring precise control of
the forces and moments arising at the TCP, usually necessary in machining tasks e.g.
cutting and deburring (Pires et al. 2002)(Stelzer et al. 2008). In this case forces directly
a
ffect parameters vital to the quality of the process for instance metal removal rate and
plastic deformation (Zhang 2005). While the second class represents tasks which require
precise positioning; but due to deviations between the programmed path and the actual
environment they can not be classified as unconstrained tasks. On that account, contact
here develops as a byproduct of positional deviations commonly experienced during the
assembly of mating parts in manufacturing processes (Newman et al. 1999)(Park et al.
2008).
2.3.2 Interaction control classification
Despite being a very active topic in robotic research for the last three decades, no standard
classification scheme for interaction control actually exists. Furthermore, terminology
and naming notations of similar control schemes vary from one researcher to another.
Surdilovic & Vukobratovi´c (2002, P. 23.3) published a comprehensive classification,
which starts by dividing interaction control into passive and active control schemes as
shown in Figure 2.5.
Robot interaction
In the task space 
Passive
Active
Fixed
Adaptive
Force
Impedance
Hybrid