AccuPick 3D
ビンピッキングソリューション

数分でピッキングを開始

通常のAIより50倍速い
必要なサンプル数が90%減少

インテリジェントビンピッキング機能

迅速な学習AI

AccuPickの内蔵AIは、わずか1~3枚のサンプル画像から数分で新しいアイテムを学習します

コーディング不要

AccuPickの直感的なドラッグ&ドロップインターフェイスを使用して、コーディングなしで簡単にAIモデルを構築できます

ロボット+カメラ互換性

AccuPickは30以上のロボットブランドに対応し、構造化光、アクティブステレオビジョン、ToF(Time-of-Flight)、レーザーなど、さまざまな3Dカメラ技術をサポートします

シームレスな統合

AccuPickは既存のシステムや生産ラインに簡単に統合でき、最適なロボットビジョンシステムソリューションを提供します

数分でピッキング開始

AccuPickのドラッグ&ドロップインターフェイスと即時トレーニングは、大量の時間とリソースを節約します

NVIDIA Isaac Manipulator搭載のAccuPick 3Dビジョン

Solomonは最新のNVIDIA技術をAccuPickに統合し、高度なモーションプランニングを可能にし、ロボットアームの機能と性能を向上させました。

NVIDIAのCEO兼創設者であるジェンスン・ファン氏がGTC基調講演で発表したNVIDIA Isaac Manipulatorは、最先端のモーション生成とAI機能を提供します。

スマートビンピッキング

ピック&プレース

AccuPickは、他のシステムが苦労するような小さく、透明で、反射性があり、変形しやすい、または不規則な形状の物体をピッキングするのに優れています。ロボットがアイテムを自律的に選択して配置するピック&プレースタスクの最適化において、高い能力を発揮するのは、AccuPickの迅速なAIと30以上のロボットブランドとの互換性によるものです。

適用分野:
重荷物の持ち上げ、アイテムの積み重ね、CNC加工

金属部品CNC加工事例はこちら >

未知のピッキング

AccuPickは、ロボットがアイテムの種類、位置、方向を事前に知らなくても、ビンから物体を識別して取り出すことを可能にします。これにより、お客様は未知のピッキングタスクをより迅速かつ正確に、そして効率的に完了することができます。
適用分野:
パレタイジング/デパレタイジング、倉庫業務、物流

物流自動アンスタック事例はこちら >

ランダムビンピッキング

AccuPickは、ランダムに配置されたり混合された物体をビンからロボットが取り出すランダムビンピッキングを使用することで、マテリアルハンドリングを効率化します。これにより、手動の仕分けが不要になり、比類のない精度で全体の効率が向上します。
適用分野:
製造業、自動車、製薬、食品&飲料務、物流


透明おしゃぶりのピック&プレース事例はこちら >

その他のAccuPickのアプリケーション

デパレタイズ

未対応のロボットブランドをPLCと統合し、効率的な制御を実現。
箱の位置や方向が変わっても高い精度と効率でピッキングを達成。
デパレタイズ時のサイクルタイムを箱ごとに5秒に短縮。

デラック

AIベースのロボット3Dビジョンが、ランダムなラック配置でもボビンの位置を正確に識別。
正確な座標でボビンを完璧に取り外し、手作業を減らし生産性を向上。
自動デラックソリューションの導入により、手作業による扱いが不要となり、作業者の安全性を向上。

キッティング

スペースの利用を最適化し、完全自動化された組立ラインにわずか1平方メートルのスペースしか占有しません。
ビジョンシステムは複雑な物体を正確に認識し、1 mm未満の許容誤差で部品を正確に配置します。
迅速な認識と多機能グリッパーデザインにより、部品ごとのサイクルタイムを5秒未満に短縮し、全体の効率と生産性を向上させました。

インスタントインテリジェンス迅速なAIモデルトレーニング

60秒以内での新しいアイテム認識

AccuPickは、わずか1~3枚の画像からアイテムを認識できるよう設計されており、AIモデルのトレーニングプロセスを数時間ではなく数分で完了します。

既存のプロジェクトに新しい
アイテムを追加

AccuPickの先進的なAIは、新しいオブジェクトのアノテーションを最小限に抑え、既存のアイテムでAIモデルを再トレーニングする必要がないため、ビンピッキングタスクに新しいアイテムを追加する際の効率を最大限にし、ダウンタイムを最小限に抑えます。

ピックポイントと方向の選択

AccuPickは、正確なピッキングポイントと方向を迅速に決定し、従来のAIベースのビンピッキングシステムに関連する広範なアノテーションや長時間のモデルトレーニングの必要性を排除します。