Formula 1’de olduğu gibi paketleme hattındaki her bir araç turunu mümkün olan en hızlı ve güvenli şekilde tamamlamalıdır. Ancak bu süreçte hassas ya da belirli hız sınırlarına sahip ürünlerin kontrollü hızlanması, dar makine alanlarında çarpışmaların önlenmesi ve tahrik sistemlerinin sınırları gibi birçok faktör de dikkate alınır. Tüm bu karşılıklı bağımlılıkları uyumlu hale getirmek için modern hareket kontrol algoritmaları, klasik optimizasyonu öğrenme modelleriyle birleştirir.

Yol planlamasını hızlandıran yapay zeka: Optimum yol eğrisini matematiksel olarak belirlemek oldukça yüksek hesaplama gücü gerektirir. Sınır koşulları arttıkça optimizasyon süreci de giderek karmaşıklaşır. Bir hareketin düzgün ilerlemesini sağlamak için gerekli ince ayarlar teorik olarak manuel şekilde yapılabilir; ancak bu yaklaşım değişen koşullara kayıpsız uyum sağlayamaması nedeniyle ölçeklenebilirlik açısından oldukça sınırlıdır.

Ayrıca hareket sekanslarının uzun eğitim ya da optimizasyon süreçlerine ihtiyaç duymadan, format değişikliğinin hemen ardından da güvenilir şekilde çalışması gerekir. Örneğin Schubert Motion ekibinin benimsediği yaklaşımda hesaplama yükünün büyük bir kısmı sanal bir test ortamına taşınır. F2 veya F4 robotlarıyla ürün alma, hizalama ve yerleştirme gibi tipik işlemler için sistemde çok sayıda senaryo çalıştırılır ve elde edilen sonuçlar nöral ağlarda hareket profilleri olarak saklanır. Gerçek makinede ise kontrol sistemi, bu öğrenilmiş en uygun yörüngeleri yalnızca birkaç milisaniye içinde kullanıma alır. Daha önce saniyeler süren hesaplamaların milisaniyeler içinde tamamlanabilmesi, gerçek zamanlı kontrol açısından önemli bir avantaj sağlar.

Kavisli yollar, daha az titreşim: Yol tasarımında da önemli bir optimizasyon potansiyeli bulunur. Geleneksel olarak programlanan robotlar genellikle geçiş noktalarında “yuvarlatılmış” ya da düzeltilmiş basit hareket prensiplerine göre ilerler; yani aralarında ani yön değişimleri bulunan doğrusal segmentler kullanılır. Bu durum robot ve çevresinde kısa süreli yerel gerilimlere yol açabilir ve özellikle geçiş bölgelerinde titreşimi artırabilir. Sürekli maksimum güçte çalışmak gerekmiyorsa yüzde 20'ye varan düzeyde enerji tasarrufu yapmak da mümkündür. Yeni TLM serisi de yavaşlama sırasında enerjiyi geri kazanarak önemli ölçüde verimlilik sunar.

Ürün hızı belirlediğinde: Hareket optimizasyonu söz konusu olduğunda ürünün kendisi giderek daha fazla ilgi odağı haline geliyor. Sıvılar içeren, gözenekli unlu mamuller içeren veya yumuşak, deforme olabilen ürünler içeren film torbalar yüksek ivmeye ve beklenmedik hareket yaylarına karşı hassastır. Öte yandan ürün odaklı bir hareket yaklaşımı öncelikle ürünün hangi strese maruz kalabileceğini sorgular ve bu sınırlar dahilinde hareketi optimize eder. Bu da ürünlere zarar vermeden performans rezervlerinin kullanılmasını sağlar.

Dinamikler yapıya meydan okuduğunda: Paketleme robotları söz konusu olduğunda dikkate alınması gereken ek bir etki daha vardır: Hızlanmanın neden olduğu her kuvvet darbesi, robotun monte edildiği makine çerçevesinin titreşmesine neden olur. Bu çerçeve çok esnek veya yeterince sönümlenmemişse sistem hızla dengesiz hale gelir. Sonuç olarak tüm sistemin doğruluğu azalır ve bu da gerçek toplama prosesinin kalitesini etkiler veya sonraki istasyonlara yayılır. Optimize edilmiş hareket profilleri tasarımın fiziksel sınırlarını tamamen ortadan kaldıramasa da yapıya giren bu enerji girdilerini azaltır. Bu konsept robotun salınımını önemli ölçüde azaltırken alan kullanımı ve sistem erişilebilirliğini de iyileştiriyor. Schubert, Interpack Fuarı’nda bu teknolojisini ilk kez detaylı olarak tanıtacak.