方案推薦丨3D無序抓取-柔性制造，從精準“抓”起

在汽車制造、工程機械等行業持續走向“小批量、多品種”的柔性化生產趨勢下，產線對自動化程度與靈活性的要求顯著提升，自動上下料等關鍵環節對視覺識別能力、路徑規劃算法和快速換型能力提出更高要求。

無序抓取為何“難落地”？

在工業現場，物料通常以堆疊、混放、遮擋、反光等狀態存在，無序抓取通常面臨四大“落地難題”。

1.抓不準，也抓不穩

工件堆疊無序、遮擋嚴重增加識別難度，路徑規劃缺乏避障機制，易出現誤抓、漏抓，影響節拍穩定性和清框效率。

2.抓不全，還抓不快

柔性工件、非規則結構、動態堆疊形態工件識別困難，節拍控制不穩，效率難以保障。

3.切換慢，又難維護

產品種類頻繁更替，每次換型需反復調參、重建工具鏈，工程部署復雜，維護成本高。

4.AI門檻高，難落地

模型訓練、數據標注依賴專家，客戶難以自主運維，系統復制難、交付周期長。

凌云光打造全新升級3D無序抓取方案，通過抓取精度突破、路徑規劃進化、AI訓練平臺升級，實現小于0.5mm抓取精度，穩定應對多目標、堆疊、遮擋等復雜場景，節拍穩定，在高反光、油污等惡劣環境中穩定運行，在汽車門、沖焊件、發動機總成、零部件等多個復雜抓取場景成功應用，幫助客戶實現從“能抓”到“看得清、抓得穩、換得快、訓得易”躍遷，助力柔性化產線智造升級。

多目標匹配算法：快、準、強

依托自研VisionWare視覺算法平臺，融合AI與點云匹配算法（如PPF、ICP），在精度、速度與環境適應性方面實現顯著提升，有效支撐多品類柔性上料、多目標動態抓取等需求場景。

高精度識別與空間定位

可實現小于0.5mm的抓取精度，即使在料框底部存在深色工件、邊緣反光件等圖像特征缺失區域，也能實現穩定定位，誤匹配率顯著下降。

 

高速識別響應

輕量化部署實現快速多目標識別與路徑切換，滿足多工位分揀與復雜產線節拍控制需求，特別適用于柔性裝配中的快速切機、快速換型場景。

復雜工況適應性強

在沖焊、壓鑄車間等存在強反光、油污、灰塵、金屬屑干擾的復雜環境下，結合多圖像融合算法，可穩定提取物體關鍵形變和表面結構特征，顯著提升在惡劣工況下的圖像質量與魯棒性。

一套模型，識別多類物體

支持混合工況下10+種物料精準識別與定位，兼容有序/無序抓取場景，無需頻繁切換模型或手動調參，工程部署簡單，維護更省心。

▲多目標匹配效果

具有六軸機械手初始位姿到目標位姿的無碰撞可行路徑計算功能，確保機械臂本體、執行器與障礙物、實時點云之間不會出現碰撞，確保在堆疊混放等復雜環境中穩定運行。

多姿態自適應

自動判斷最優夾持姿態與路徑，支持多抓取點位輸入，自動規劃出一條最優抓取路線。

動態避障路徑

根據工況實時規劃，規避工裝、物料遮擋，對于深框場景，可自動規劃出最優無碰撞的抓取路線，規劃成功率可達100%。

抓取容錯機制

異常信號觸發防撞邏輯，保護設備與物料，提升系統長期運行穩定性。

一站式AI訓練平臺，打通從STL模型導入到模型部署的完整流程，實現AI從“難用”到“易用”的轉變。

• 采用仿真訓練無需現場采圖和人工標注，5分鐘配置 + 5小時訓練部署，交付效率提升3倍

• 自動生成COCO數據集，內嵌增強/預處理/標注流程

• 兼容人工標注與仿真數據，支持不同客戶能力與數據環境，適配多場景訓練

▲仿真訓練

?

某新能源汽車電動總成整線

需求背景：

• 抓取對象：高反光金屬件、暗色塑料件等

• 工況特點：堆疊無序、材質反光、物體混放、有油污或異物

• 生產要求：節拍≤2s，支持10種部件快速切換

部署成果：

客戶反饋：

“產品堆得亂七八糟的，系統居然都能抓干凈，一點不剩。”

“每天的生產計劃都變，這套系統能跟著產品快速切線，太省心了。”

“我們是奔著全自動化去的，系統穩定運行一年多了，沒有掉過鏈子。”