Janne Seikola
AUTONOMISET MOBIILIALUSTAT SISÄLOGISTIIKAN TEHOSTAMISEEN
– Nykytekniikka ja mitä markkinat siltä odottavat
2020 | 57 sivua, 7 liitesivua
Janne Seikola
AUTONOMISET MOBIILIALUSTAT SISÄLOGISTIIKAN TEHOSTAMISEN
- Nykytekniikka ja mitä markkinat siltä odottavat
Tiivistelmä
Robotiikka on yleisellä tasolla lähtenyt räjähdysmäiseen kasvuun, mutta sisälogistiikan automatisointi ottaa vasta ensi askelia. Tehtaissa monet yksittäiset prosessin vaiheet on automatisoitu, mutta sisäiset logistiikka ketjut takeltelevat, koska tuotteita
kuljetetaan ihmisvoimin paikasta toiseen. Tuotteita ei saada oikea aikaisesti
työstettäväksi eri jalostuspisteille ja tähän apua voidaan saada näiden väliprosessien automatisoinnilla.
Tässä opinnäytetyössä tutkitaan sisälogistiikan automatisointiin erikoistuneiden valmistajien tuotteita, niiden käyttämää tekniikkaa ja minkälaisiin kohteisiin tuotteet voisivat sopia. Markkinatutkimusosiossa kartoitettiin minkälaiseen kohderyhmään ja minkälaisilla tuotteilla ensin kannattaa markkinoille lähteä.
Teknisen osion tutkimus suoritettiin kvalitatiivisin metodein puhelinhaastatteluja tehden.
Aineistoa kerättiin haastattelemalla tehtaiden johtavaa henkilökuntaa ja alan asiantuntijoita. Teknisistä yksityiskohdista tietoa saatiin artikkeleista, julkaisuista ja valmistajien manuaaleista.
Markkinatutkimusosion tutkimuskysymyksiin haettiin vastauksia
kirjallisuuskatsauksesta laadullisin metodein ja itse markkinatutkimus suoritettiin määrällisen tutkimuksen avulla Webropol -alustaa käyttäen ja LinkedIn -
verkkoyhteisöpalvelua levityskanavana hyödyntäen.
Tutkimustuloksissa ilmeni olemassa olevien laitteistojen tekniset erot, niiden toimintaperiaatteet ja minkälaisissa kohteissa laitteistoja voidaan hyödyntää.
Markkinatutkimuksen tuloksista voidaan päätellä potentiaaliset markkina-alueet ja hyvät kohderyhmät.
ASIASANAT:
Autonomiset mobiilialustat, Sisälogistiikka, Markkinatutkimus
Janne Seikola
AUTONOMOUS MOBILE PLATFORMS IN INNER LOGISTICS
-Current technology and what market expects from it
Summary
On a general level, robotics has started to explode, but the automation of internal logistics is only taking its first steps. In factories, many individual steps in the process are automated, but internal logistics chains get stuck as products are transported by manpower from one location to another. Products are not delivered in time for different processing points and this can be solved by automating these intermediate processes.
This thesis examines the products of manufacturers specializing in internal logistics automation, the technology they use and the types of applications the products could be suitable for. The market research section mapped out what kind of target group and what kind of products are worth entering the market first.
The research of the technical section was conducted using qualitative methods by conducting telephone interviews. The material was collected by interviewing the leading staff of the
factories and experts in the field. Technical details were obtained from articles, publications, and manufacturers ’manuals.
Answers to the research questions of the market research section were sought from the literature review using qualitative methods, and the market research itself was conducted with the help of quantitative research using the Webropol platform and the LinkedIn social
networking service as a distribution channel.
The research results revealed the technical differences of the existing equipment, their operating principles and the types of applications in which the equipment can be utilized. The results of the market research can be used to deduce potential market areas and good target groups.
KEYWORDS:
Autonomous mobile platforms, Inner logistics, Market research
KÄYTETYT LYHENTEET TAI SANASTO 7
1 JOHDANTO 8
1.1 Miksi juuri mobiilirobotiikasta 8
2 MIKSI SISÄLOGISTIIKKAA KANNATTAA AUTOMATISOIDA 9
2.1 Suomen väestöllinen näkökanta 9
2.2 Robottikaupan nykytila 11
3 MARKKINATUTKIMUS 15
3.1 Markkinatutkimusprosessi. 18
3.2 Näytteenotto suunnitelma 20
3.3 Markkinatutkimus kysymysten luonti 21
3.4 Kysymysten testaus 22
3.5 Datan kerääminen 22
3.6 Datan analysointi 24
4 MOBIILIROBOTIIKKA 25
4.1 Autonomous mobile robot AMR/ Automated guided vehicle AGV 26
4.2 Ratkaisut 27
4.2.1 Omnidirectional movement 29
4.3 AMR navigointi 30
4.4 Mobile Robot Swarm/ Fleet management 31
5 NELJÄN TUOTTEEN VERTAILU 32
5.1 Historia 32
5.2 Hyötykuormaltaan lähellä olevien tuotteiden määrittelyt 34
5.3 Ohjelmointi ja navigointi 38
5.4 Avoimuus ja yhteisön hyödyntäminen 40
5.5 LAITTEISTOVERTAILU 41
5.5.1 KUKA/ MIR vertailu 44
5.5.2 AGILOX/ LINDE Vertailu 45
5.5.3 KUKA, MIR, AGILOX, LINDE vertailu 45
LÄHTEET 58
LIITTEET
Liite 1. Autonomiset mobiilirobotit, Perusraportti, Sisälogistiikan automatisointi.
KUVAT
Kuva 1. Havainnekuva mobiiliroboteista a) MIR Mobiilialusta. (mobile-industrial-
robots.com 2020) ja b) Linde Mobiilitrukki. (Linde-mh.com 2020) ... 27
Kuva 2. Yleisesti käytetyt päälimoduuliratkaisut a) ROEQ kuljetin. (mobile-industrial- robots.com 2020) b) ROEQ Europaletin nostolaite. (mobile-industrial-robots.com 2020) c) MIR hyllyratkaisu laatikoiden siirtoon. (mobile-industrial-robots.com 2020) ja d) KUKA:n mobiilialusta, jossa IIWA robotti päällä. (Kuka.com 2020) ... 28
Kuva 3. Mobiilitrukki a) Toyota, Mobiilitrukki. (Toyotaforklift.com 2020) ja b) Agilox kuljetinmoduulilla. (Agilox.net 2020) ... 29
Kuva 4. Käytetyt pyöräratkaisut a) Universal wheel. (Pepsonpu.en.made-in-china.com 2020) ja b) Mecanum wheel. (Opencircuit.shop 2020) ... 30
Kuva 5. KUKA:n mobiilirobotti autotehtaan linjastolla. (Kuka.com 2020) ... 35
Kuva 6. MIR 1000 toimintaympäristössään. (mobile-industrial-robots.com 2020)... 36
Kuva 7. Agilox on the work. (Agilox.net 2020) ... 37
Kuva 8. Linde L-Matic at the work. (Linde-mh.com 2020) ... 38
Kuvio 1. Syntyneet, kuolleet, nettomaahanmuutto ja väkiluvun muutos 1990-2018 ja
ennuste 2019-2040, (SVT 2019). 9
Kuvio 2. Vuosittaiset robottiasennukset maailmanlaajuisesti, (Muller & Kutzbach 2019,
38). 11
Kuvio 3. Vuosittaiset robottien asennukset Suomessa, (Muller & Kutzbach 2019, 463).
12
Kuvio 4. Vastausprosentit eri ajankohtina. 47
Kuvio 5. Jakauma vastaajien tietotasosta mobiilirobotteja kohtaan 48 Kuvio 6. Mielipide jakauma mobiilirobottien hyödystä alalla, joilla vastaajat
työskentelevät. 49
Kuvio 7. Jakauma vastaajien työalasektoreista 49
Kuvio 8. Mielipidejakauma, josta selviää vastanneille sopivin sovellus. 50 Kuvio 9. Mielipidejakauma toivotusta mobiilirobotin kantokyvystä. 50 Kuvio 10. Jakauma investointi halukkuudesta, jos laitteiston takaisinmaksuaika olisi 12-
24kk. 51
Kuvio 11. jakauma investointien mahdollisesta aikataulusta 52
TAULUKOT
Taulukko 1. Väestöllinen huoltosuhde ja väkiluku 1970-2070 (vuodet 2020-2070:
ennuste), (SVT 2019). 10
Taulukko 2. Suomeen myydyt robotit/ vuosi toimialoittain, (Muller & Kutzbach 2019,
466). 13
Taulukko 3. B2B-/ Kuluttaja tutkimuksen kohtaamat erot. B2B marketing management
(Blythe & Zimmerman 2013, 92). 17
Taulukko 4. Markkinatutkimusprosessi (Blythe & Zimmerman 2013, 94). 19 Taulukko 5. Määrällisen- ja laadullisen tiedon ero (Medium 2018). 23 Taulukko 6. Laitteisto määrittelyt. kuka.com, mobile-industrial-robots.com, Agilox.net,
linde-mh.com. 34
Taulukko 7. SWOT -analyysi/ vahvuudet. 42
Taulukko 8. SWOT -analyysi/ heikkoudet. 42
Taulukko 9. SWOT -analyysi/ mahdollisuudet. 43
Taulukko 10. SWOT -analyysi/ uhat. 44
2.5D Kolmiulotteinen ympäristö kuvattuna kahdessa ulottuvuu- dessa, (three-dimensional environment is shown in 2D form), Path Planning inside Multi-Storey Buildings: an Algo- rithm for Autonomous Mobile Robot, artikkeli s.1-2
3D Kolmiulotteinen, (Three-dimensional), yourdictionary.com 2020)
AGV Vihivaunu, (Automated Guided Vehicle) Atav Automa- tionsteknik AB 2020
AMR Älykäs mobiilirobotti, (Autonominen mobiilirobotti), (Autono- mous Mobile Robot), Mobile Industrial Robot A/S 2020 IGV Älykäs automaattinen ajoneuvo, (Intelligent Automated Vehi-
cle), Agilox Systems GmbH 2020
KMP KUKA Mobiilialusta, (KUKA Mobile Platform) KUKA GmbH 2020)
MIR Mobile Industrial Robot (Mobile Industrial Robot A/S 2020) SLAM Samanaikainen lokalisointi ja kartoitus, (Simultaneous Loca-
lization and Mapping) http://ais.informatik.uni-frei- burg.de/teaching/ss12/robotics/slides/12-slam.pdf 2020 WIFI Langaton Verkko, (Wireless Fidelity) yourdictionary.com
2020)
1 JOHDANTO
1.1 Miksi juuri mobiilirobotiikasta
Tämä opinnäytetyö on tehty mobiilirobotiikasta, koska se tulee todennäköisesti seuraa- vaksi kasvamaan huikeaa vauhtia. Omaan viiden vuoden työkokemuksen robotiikan parissa. Nämä viisi vuotta ovat tulleet järjestelmäkaupasta, joissa jalostetaan tuotteesta aina jokin kohta. Näitä jalostusvaiheita voi olla yhdessäkin tuotteessa useita ja jokai- sessa jalostusvaiheessa voidaan käyttää jonkinnäköistä automaatiota/ robottia avuksi.
Kuitenkin välivaiheet eli tuotteiden kuljettaminen useassa tehtaassa hoidetaan manu- aalisesti eli lihasvoimin. Mikäli tuotteet eivät ole oikea aikaisesti oikeassa paikassa, niin pahimmillaan koko tehdas pysähtyy. Tätä varten kiinnostukseni on herännyt sisälogis- tiikan automatisointia kohtaan.
Tavoitteena on tutkia mobiilirobotiikkaa myynninedistämisen näkökulmasta. Opinnäyte- työssä on tarkoitus kartoittaa olemassa olevia mobiilirobottien valmistajia ja niiden tar- joamia tuotteita. Niistä on tarkoitus poimia potentiaalisimmat valmistajat Suomen mark- kinoille, joita voidaan alkaa tarjoamaan olemassa oleville ja uusille asiakkaille. Tarkoi- tus on myös syventyä mobiilirobottien käyttämiin tekniikoihin ja ratkaisuihin. Kun ole- massa olevia valmistajia ja niiden käyttämiä tekniikoita on tutkittu tarpeeksi, niin teh- dään markkinatutkimus, jonka avulla haarukoidaan, minkälaisia tuotteita lähdetään aluksi myymään ja markkinoimaan. Markkinatutkimuksen avulla pyritään löytämään oi- keat markkina sektorit, joihin ollaan yhteydessä. Lisäksi opinnäytetyön pohjalta voidaan työstää infopakettia, jonka avulla ostajille saadaan annettua vastauksia laitteistojen eroista ja ominaisuuksista, sekä minkälaisella laitteistolla sisälogistiikkaa voidaan auto- matisoida kustannustehokkaasti.
Opinnäytetyön tutkimusmenetelminä käytettiin Kvantitatiivista- ja kvalitatiivista tutki- musmetodia. Laitteistopuolen tutkimukset suoritettiin kvalitatiivisesti käyttäen puhelinta ja sähköpostia. Haastattelun kohteina olivat valmistajien henkilökunta ja alan asiantun- tijat. Markkinointitutkimus tuotettiin kvantitatiivisin tutkimusmenetelmin. Kysely luotiin Webropol -palvelulla, jonne koululla on käyttäjätunnukset. Kyselyn markkinointika- navana toimi LinkedIn.
AUTOMATISOIDA
Suomessa tuotantoprosesseja on hiottu automaation avulla ja ihmiset valvovat proses- seja, kun itse tuotanto tapahtuu automaation avulla. Robotit valmistavat tuotteita, pak- kaaminen hoidetaan automaatiolla. Eli tuotantoprosessit on hiottu huippuunsa, mutta silti tuotanto yskähtelee johtuen sisälogistiikan manuaalisesta toiminnasta. Tavaravirrat eivät kulje oikea aikaisesti vaan ne töksähtelevät ja aiheuttavat turhaa odottelua. Tava- rat toimitetaan koneille manuaalisesti, valmiit tuotteet siirretään pakkaamoihin manuaa- lisesti. Kaikissa näissä väleissä laitteet tai ihmiset odottavat, että seuraavaa prosessin vaihetta päästää tekemään. Kaikki tämä voitaisiin välttää sisälogistiikan automatisoin- nilla. Syy miksi sisälogistiikkaa ei ole automatisoitu on se, että sitä ei ole tunnistettu kiinteäksi osaksi tuotantoketjua, sekä siksi, että mobiilirobotiikka on vasta tullut markki- noille. Sisälogistiikan automatisoinnilla saavutetaan tasainen tavaravirta ja kuormitus eri työvaiheille. Silloin tuotantoa on helpompi optimoida (Toyota 2020).
2.1 Suomen väestöllinen näkökanta
Suomi ikääntyy kovaa vauhtia. Kuvio 1:ssä voidaan havaita ennuste, jonka mukaan Suomen väkiluku kääntyy tappiolliseksi vuonna 2032. Tilastokeskuksen ennusteessa on huomioitu syntyneet, kuolleet ja nettomaahanmuutto.
Kuvio 1. Syntyneet, kuolleet, nettomaahanmuutto ja väkiluvun muutos 1990-2018 ja ennuste 2019-2040, (SVT 2019).
Taulukosta 1 voidaan havaita, että vuonna 2018 väestöllinen huoltosuhde Suomessa oli 60.8. Eli 100 työikäistä kohden oli 60,8 ei työikäistä huollettavaa. Ei työikäisiksi las- ketaan kaikki alle 0-15 vuotiaat ja yli 65-vuotiaat kansalaiset. Ennuste vuodelle 2030 on 64.5 nuorta sekä eläkeläistä 100 työikäistä kohden. 2070 ennuste onkin sitten jo 81.1/
100 työikäistä kohden (Tilastokeskus). Harva alle 20-vuotias on todellisuudessa työelä- mässä, kaikki 15-65 vuotiaat eivät ole työllistyneet ja osa voi olla työkyvyttömiä ennen 65:ä ikävuotta.
Taulukko 1. Väestöllinen huoltosuhde ja väkiluku 1970-2070 (vuodet 2020-2070: en- nuste), (SVT 2019).
Suomen väestöllinen huoltosuhde on jossakin määrin ennustettavissa oleva. Taloudel- linen huoltosuhde on vaikeasti ennustettavissa, koska työttömyysaste voi olla odotta- mattomista syistä minkälainen tahansa. Taloudellinen huoltosuhde on ei työssäkäyvien työikäisten suhde työssäkäyviin työikäisiin nähden. 2018 väestöllinen huolto suhde oli 60.8/ 100. Taloudellinen huoltosuhde oli vuonna 2017 137 ei työssäkäyvää työikäistä/
100 työssäkäyvää kohden (Findikaattori 2019). Tämä tarkoittaa sitä, että jokainen työs- säkäyvä elättää tällä hetkellä 1,37 ei työssäkäyvää työikäistä itsensä lisäksi. Mikäli ta- loudellinen tilanne pysyy vakaana ja muuttumattomana ja mikäli taloudellinen huolto- suhde korreloi väestöllistä huoltosuhdetta, niin vuonna 2070 jokainen työssäkäyvä hen- kilö elättää itsensä lisäksi hieman yli kolme työtöntä työikäistä.
Suomen vähenevä väkiluku ja heikkenevä huoltosuhde vaatii tulevaisuuden johtajilta muutoksia tapaan toimia. Teollisuuden yrityksiin ei tulevaisuudessa todennäköisesti
tion ja robottien lisääminen tuotannon työntekijöiksi.
2.2 Robottikaupan nykytila
Robottimarkkinat ovat globaalisti kasvaneet vuosien 2013-2018 aikana keskimäärin 19%/ vuosi (kuvio 2). Jos tarkastellaan vuotta 2009 verrattuna vuoteen 2018, niin mark- kinat ovat kasvaneet yli 700%. Ala on vahvasti kasvava. Teollisuuden käytössä robot- teja on tällä hetkellä käytössä n. 2.4 miljoonaa kappaletta. Robotiikkaan panostetaan, jotta saadaan kilpailukykyä kasvatettua. Etuja, joita saavutetaan käyttämällä robotteja ovat mm. keskeytymätön työtahti, henkilöresurssien vähentäminen, virhemahdollisuu- det pienenevät ja laatu pysyy tasaisena (Muller & Kutzbach 2019, 38).
Kuvio 2. Vuosittaiset robottiasennukset maailmanlaajuisesti, (Muller & Kutzbach 2019, 38).
Suomeen teollisuuden käyttöön myytyjen robottien määrä oli vuosina 2008-2015 n.300 +-30kpl/ vuosi. Vuonna 2016 tilastossa on suuri hyppy, jolloin valmetin autotehdas teki suurinvestoinnin tehtaalle. Jos autotehtaan investoinnin poistaa tilastosta, niin silloin ollaan vuosien 2008-2015 tasolla päättyen n.340:een robottiin. Vuonna 2017 kokonais myynti oli 476 robottia, joista autotehtaan investointeja oli n. 85 robottia. Vuonna 2017 oli pientä kasvua aikaisempiin vuosiin verrattuna päätyen kokonaislukemaan 390 robottia autoteollisuus pois luettuna. Vuonna 2018 myytiin 532 robottia teollisuuteen
(Kuvio 3). Tänä vuonna autotehdas investoi vain n.30 robottia, joka tarkoittaa sitä, että muu teollisuus investoi ennätykselliset 500 robottia vuoden aikana. Vuoden 2009 jälkeen Suomessa on robottien poistuma suhteessa korvausinvestointeihin ollut laskemaan päin aina vuoteen 2018 saakka poikkeuksena vuosi 2017, jolloin Valmet Automotive teki Suomen mittakaavassa suurinvestoinnin Uudenkaupungin
autotehtaalle. Tällä hetkellä Suomessa on käytössä olevia robotteja arviolta n. 4600kpl.
Suomen maailmanlaajuinen sijoitus robottitiheydessä vuonna 2018 oli 34. Sijoitus mitataan robottien määrällä/ 10000 työntekijää. Suomen robottitiheys on 140 robottia/
10000 työntekijää. Sijoitus on laskemaan päin, koska muut maat investoivat robotiikkaan aktiivisemmin (Muller & Kutzbach 2019, 463).
Kuvio 3. Vuosittaiset robottien asennukset Suomessa, (Muller & Kutzbach 2019, 463).
Suomeen myydyt robotit toimialoittain (Taulukko 2) on jaoteltuna seuraavanlaisiin pää- ryhmiin: käsittely operaatiot/ konepalvelu, Hitsaus ja juotos, annostelu, prosessointi, asennus/ purku ja muut sovellukset.
Taulukko 2. Suomeen myydyt robotit/ vuosi toimialoittain, (Muller & Kutzbach 2019, 466).
Hitsauksen pääryhmään kuuluu myös pistehitsausrobotit, jotka ovat usein autotehtaalle meneviä robottisovelluksia. Jos autotehtaan robotit poistetaan tilastoista, niin suomeen myydään keskimäärin n. 30 robottisolua/ vuosi. 2018 on tilastollisesti poikkeuksellinen, koska hitsaukseen myytyjen robottien määrä oli 77kpl (Muller & Kutzbach 2019, 466).
Tässä pääryhmässä olevien robottisolujen myyntihinta on keskimäärin korkeampi, kuin muissa pääryhmissä olevien sovellusten hinta johtuen muista komponenteista, joita ro- bottisoluun tarvitaan.
Suurimman pääryhmän käsittelyoperaatiot ja konepalvelu ryhmän suurimmat robotti- määrät menivät vuonna 2018 materiaalinkäsittelyyn 160kpl ja konepalveluun 72kpl (Muller & Kutzbach 2019, 466). Tilastoista voidaan päätellä, että jos haluaa liiketoimin- nalle tasaisuutta ja suurempaa volyymia, niin silloin kannattaa keskittyä käsittely ja ko- nepalvelu sektorille.
Globaali kasvu vuonna 2018 oli n. 3.6%:n luokkaa, joka oli n. 0.2% alempi, kuin vuotta aikaisemmin. Kasvun lasku johtui osittain Kiinan ja U.S.A välisistä jännitteistä, epätie- toisuus Brexitistä ja muutenkin epävakaasta maailmantilanteesta (Turkki, Iran, Latina- lainen Amerikka jne.). Näistä asioista johtuen moni yritys on viivästyttänyt investointi- päätöksiään, joka heijastuu maailmanlaajuiseen kasvuun. 2019 ensimmäisen kvartaa- lin kasvu oli n.2.5%:n luokkaa (Muller & Kutzbach 2019, 518). Lähitulevaisuuden kas- vun ennustaminen on todella vaikeaa, koska maailmalla seurataan mahdollisten kon- fliktien vaikutusta markkinoilla. 2019 robottisektorin maailmanlaajuinen kasvun ennuste on 0% verrattuna vuoteen 2017, mutta vuosina 2020-2022 kasvua ennustetaan n.
12%/ vuosi (Muller & Kutzbach 2019, 528). Euroopan sisäinen kasvunennuste vuosille 2020-2022 on n.5%/ vuosi (Muller & Kutzbach 2019, 529).
Varsinaisia robotteja on ollut teollisuudessa vain joitakin kymmeniä vuosia. Voidaan siis pitää teollisuusrobotteja varsin uutena keksintönä. Niiden määrä on kasvanut kovaa
vauhtia. Voidaan siis päätellä, että robotit ovat tulleet pysyäkseen. Ne yritykset, jotka sivuuttavat robottien käytön kokonaan voivat olla tulevaisuudessa ahtaalla, koska tuo- tettujen yksiköiden kustannukset ovat korkeampia, kuin robotteja käyttävillä yrityksillä.
Jos tarkastellaan länsimaita, niin väestö vanhenee ja työntekijöitä ei ole tulevaisuu- dessa saatavilla. Työtä tekevien pitäisi elättää suurempi määrä työtä tekemättömiä ih- misiä. Jos halutaan pitää elintaso samana tai jopa parempana, niin työtä täytyy auto- matisoida. Se tosin jää filosofiseksi tai poliittiseksi kysymykseksi, että kuka kerää hyö- dyn siinä vaiheessa, kun lähes kaikki on automatisoitu.
Markkinatutkimuksella tutkitaan ihmisen osto käyttäytymistä. Markkinatutkijan työ meto- deja ovat tutkiva, kuvaileva ja kokeellinen tapa toimia. Alkeellisella tasolla tutkitaan käyttäytymistä. Pelkkä kuvaus ostokäyttäytymisestä ei yleensä riitä, vaan silloin halu- taan tietää selitys käyttäytymiselle. Kun selitys käyttäytymiselle on saatu, tutkimuksen hankkija yleensä haluaa tietää käytettävissä olevia taktisia ja strategisia vaihtoehtoja ja haluaa kuulla mitä suosituksia tutkimuksen tekijällä tai sen analysoijalla on siitä antaa.
Markkinatutkimuksen avaintehtävä on tarjota luotettavaa näyttöä, joka auttaa tekemään hyviä päätöksiä. Tämä ei ole yksinkertaista, koska se edellyttää kykyä kerätä ja analy- soida tietoa sekä kykyä tulkita tulokset siten, että muut ymmärtävät ja pystyvät käyttä- mään niitä. Tutkijalla on oltava kyky tunnistaa tutkimuksen ydinkysymys ja mitä todis- teita vastauksista saadaan, jotka tukevat myöhempää päätöksentekoa. Tutkimuksen tekijällä tulee olla taito tehdä kompromisseja tutkimuksen laajuuden, käytettävän ajan ja budjetin suhteen, jotta saadaan tarpeeksi laadukas lopputulos sopivilla resursseilla.
aina ei ole taloudellisesti kannattavaa haastatella kaikkia mahdollisia kohteita vaan sil- loin kannattaa suorittaa kysely otoskyselyä. Se mahdollistaa luotettava kvantitatiivisen tiedon keräämisen huomattavasti halvemmalla, kuin suuren joukon haastatteleminen.
Hyvin tehdyllä tutkimuksella ja saadaan halutut tutkimustulokset ja niitä hyödyntämällä pystytään tekemään järkeviä päätöksiä. Yleisesti markkinatutkimus luokitellaan kvanti- tatiiviseksi- tai kvalitatiiviseksi tutkimukseksi. Kvantitatiivisessa tutkimuksessa yleinen piirre on, että kysymykset on jäsennelty sillä tavalla, että vastaukset on helppo kerätä ja prosessoida suuriltakin joukoilta. Kvantitatiivisessa tutkimuksessa kysymykset voivat olla monimutkaisia ja vastaukset moninaisia. Tässä tutkimustavassa joudutaan vas- tausten prosessointiin käyttämään suurempi aika. Nykyään tietotekniikka sumentaa näiden kahden tutkimusmetodin rajoja, koska suuresta datasta voidaan saada moni- mutkaisista sidonnaisuuksista prosessoitua vastauksia, jotka täyttävät laadullisen tutki- muksen kriteerit, vaikka tutkimukseen on hyödynnetty suurta massaa. Tätä voitaisiin kuvailla, vaikka laadulliseksi kvantitatiiviseksi tutkimukseksi (Bont ym. 2007)
Kuluttajamarkkinatutkijat tutkivat lähes pelkästään tuoteominaisuuksiin, tuotteiden hy- väksymiseen, mainontaan ja pakkaustutkimukseen liittyvää markkinatutkimusta. Yritys- markkinatutkijat tutkivat myös edellä mainittuja, mutta painotus on suunnattu markkina-
potentiaalille ja ostokeskuksen tai verkon jäsenten määrittämiselle. Yritysmarkkinatutki- jat kohtaavat erilasia ongelmia, kuin kuluttajatutkijat. Taulukko 7 antaa kokonaiskuvan näistä eroista (Blythe & Zimmerman 2013, 91).
Seuraavalla sivulla olevan Taulukko 3:n mukaan markkinatutkimusta tehdessä voitiin todeta, että markkinatutkimukseen osallistettavien määrä oli melko rajallinen, koska tut- kimus tehtiin mobiilivaunutarpeista yritysten sisälogistiikan automatisointiin liittyen. Po- tentiaalisia vastaajia oli vaikea löytää, koska sisälogistiikan automatisointi on Suo- messa vielä lähtökuopissa. Suurissa yrityksissä vastaavana henkilönä voi toimia tuo- tanto-, logistiikkajohtaja, osasto- tai projektipäällikkö. Oikean henkilön löytäminen on haastavaa. Sosiaalisen median välityksellä jaetussa kyselyssä oli helppo jättää kyse- lyyn vastaamatta. Tuloksekkaampana tapana olisi voinut toimia suorat puhelut yrityk- siin. Haastattelun tekeminen, jos ei tunne tuotteita on vaikeaa, koska usein tulee haas- tateltavilta kysymyksiä liittyen aiheeseen, koska tuotteista ei löydy Suomessa paljoa kokemusta. Laadukkaan tutkimuksen tekeminen vaatii aikaa, rahaa ja kokoemusta.
Taulukko 3. B2B-/ Kuluttaja tutkimuksen kohtaamat erot. B2B marketing management (Blythe & Zimmerman 2013, 92).
3.1 Markkinatutkimusprosessi.
Kun lähdetään tekemään markkinatutkimusta, niin ensimmäiseksi on tärkeää määritellä selvästi, että mitä tietoja tarvitaan. Tehdäänkö strateginen vai taktinen päätös, tuleeko sillä olemaan suuria vai pieniä kustannusvaikutuksia? Alkuvaiheessa on myös päätet- tävä, lähestytäänkö teknistä- vai johtavaa porrasta. Tutkimusvaiheen tärkein näkökohta on ongelman määrittely. Ongelman määrittelyn jälkeen siirrytään tutkimussuunnitte- luun. Tässä vaiheessa on tärkeää selkeiden tutkimustavoitteiden asettaminen. Nämä tavoitteet täytyy olla jollakin tavalla mitattavissa. Kun tavoitteet ovat määritelty täytyy miettiä, että miten saatua dataa voidaan hyödyntää. Näiden vaiheiden jälkeen on hyvä tutkia, että löytyykö sekundääristä dataa, jota voitaisiin hyödyntää, koska sen hankkimi- nen on halvempaa ja nopeampaa. Toissijaisella eli sekundäärisellä tiedolla tarkoitetaan sellaista tietoa, joka on tullut esim. jonkin muun tutkimuksen sivutuotteena. Tällaista tie- toa on saatavilla esim. julkaisut, muiden instanssien tutkimukset yms. Hyvä paikka al- kaa etsimään tällaista on meta-hakukoneet, kuten Google. Tässä vaiheessa voi olla, että tietoa on jo saatu tarpeeksi eikä varsinaista tutkimusta edes tarvitsee aloittaa teke- mään (Blythe & Zimmerman 2013, 93-95). Jos tutkimuskysymyksiin ei saada riittävää vastausta toissijaisella tutkimuksella, niin silloin täytyy siirtyä keräämään primääridataa eli ensikäden tietoa. Sitä saadaan tekemällä räätälöity kysely, jossa kohdehenkilöltä ky- sytään juuri ne tarkat kysymykset, joihin halutaan vastaukset. Primääridatan suurin hyöty on siinä, että tieto on tarkkaa, merkityksellistä ja ajantasaista. Huonona puolena on, että sen kerääminen on kallista. Tietoja voidaan kerätä valitsemalla määrällisen ja laadullisen tekniikan väliltä riippuen halutaanko analyysituloksilta leveyttä vai syvyyttä (Hollensen, 188,193).
Taulukko 4. Markkinatutkimusprosessi (Blythe & Zimmerman 2013, 94).
Taulukko 4:ssä on havainnollistettu markkinatutkimusprosessin vaiheet. Käymällä tau- lukon kohdat vaihevaiheelta läpi, saadaan tehtyä oikeat asiat ja vältytään turhalta työltä. Ensin määritellään tarvittavalle tiedolle halutut vaatimukset. Kun tiedetään mitä halutaan, siirrytään suunnittelu vaiheeseen. Oikein suunniteltu tutkimus sisältää vain oleellisen ja tarvittavan tiedon. Muuten varsinainen tutkimus laajenee tarpeettoman laa- jaksi. Tutkimusvaiheen jälkeen siirrytään hankkimaan toissijaista dataa, jota pystytään seulomaan kustannustehokkaasti. Jos tässä vaiheessa todetaan, että tietoa on tar- peeksi, voidaan siirtyä analysoimaan tuloksia ja esittämään havainnot niitä tarvitseville.
Jos tietoa ei ole tarpeeksi, niin silloin täytyy aloittaa ensisijaisen datan kerääminen.
Tämä on työläs ja aikaa vievä vaihe. Kun tätä primääridata on tarpeeksi, voidaan siirtyä analysoinnin kautta esittämään havainnot niitä tarvitseville.
3.2 Näytteenotto suunnitelma
Näytteenottoa tehdessä on liian kallista haastatella kaikki ihmiset, joilla on merkitystä tutkimusongelman kanssa. Haastateltavien kokonaismäärää kutsutaan tilastollisesti ni- mellä Universumi tai väestö. Näytteenotolla haetaankin potentiaalisten asiakkaiden suhdetta todellisten asiakkaiden kokonaismäärään verrattuna. Väestö voidaan määri- tellä myös Elementtien ja näytteenottoyksiköiden perusteella. Näytteenottoyksikkö voi olla esim. kaikki tietynryhmän sisällä olevat tietyn ikäiset henkilöt. Ja elementti olisi edellä mainittu ryhmä. Käytännössä kun tehdään tutkimusta, valitaan jokin rajattu ryhmä edustamaan koko populaatiota. Mahdollisten haastateltavien kokonaismäärää kutsutaan otoskehykseksi ja niitä, jotka oikeasti haastatellaan, kutsutaan otokseksi (Hollensen, 199).
Näytteenottomenetelmiä on useita, mutta ne jaetaan kahteen pääluokkaan, todennä- köisyys- ja epätodennäköisyysnäytteet. Todennäköisyysnäytteenotossa on mahdollista määritellä, että jokainen populaation elementti joudutaan sisällyttämään otokseen, vaikka jokaisella elementillä ei välttämättä ole yhtä todennäköisyyttä. Esimerkkejä to- dennäköisyysnäytteenotosta voisi olla: yksinkertainen satunnainen näytteenotto, syste- maattinen näytteenotto, ositettu näytteenotto ja klusterinäytteenotto. Ei todennä- köisyysnäytteenotossa ei ole mahdollista määritellä edellä mainittua todennäköisyyttä tai arvioida näytteenottovirhettä. Tämä menettely perustuu tutkimuksen tekijän henkilö- kohtaiseen arviointiin. Esimerkkeinä: Sopivuusnäytteenotto ja kiintiönäytteenotto. Epä- todennäköisyysnäytteiden haittoja ovat, että tuloksia ei voida ennustaa koko väestölle ja otantavirhettä ei voida laskea. Epätodennäköisyysnäytteenotossa on kuitenkin luon- taisia etuja, kuten kustannukset ovat alhaisemmat, kysymyksillä on vetovoimaa, saa- daan tehtyä nopeammin, voi tuottaa riittävästi edustavia näytteitä populaatiosta (Hol- lensen, 199-200).
Kun aloitetaan miettimään sopivia kysymyksiä markkinatutkimusta varten, on pidettävä haluttu päämäärä mielessä. Eli täytyy tietää mitä markkinatutkimuksella halutaan tutkia.
Tutkimuksen tavoite on oltava:
tarkkaan määritelty mitattavissa oleva saavutettavissa oleva
relevantti suhteessa taktisiin tai strategisiin päämääriin
Taulukko 9. Tutkimuksen tavoite
Tutkimuskysymyssarjojen tulee olla lyhyitä, jotta saavutetaan korkea vastaus suhde.
Kysymyssarjoista tulee poistaa kaikki ylimääräinen mikä ei ole täysin pakollista tutki- muksen kannalta. Ennen varsinaisen kysymyssarjan kirjoittamista kannattaa miettiä seuraavia kysymyksiä:
Minkälainen on ideaalinen asiakas (vastaako se tämänhetkistä asiakaskuntaasi)?
Minkälaisten ongelmien kanssa he painivat?
Mitä he oikeasti haluaisivat?
Mitä eroa on itsellä ja kilpailijoilla?
Mitä etuja omat asiakkaat ajattelevat saavansa sinulta?
Taulukko 10. Asioita, joita kannattaa miettiä ennen kysymyssarjojen luontia
Kun luodaan varsinaisia kysymyksiä, niin pitää ajatella ensin suurempaa kokonaisuutta ja myöhemmässä vaiheessa kysyä vasta tarkentavia kysymyksiä. Tämä pitää mielen- kiinnon yllä. Keksityt kysymykset kannattaa yrittää lyhentää otsikoiksi, jotta saadaan kokonaiskysymyssarja ja tutkimusaika lyhyeksi. Kun halutaan saada arvokasta tietoa asiakkaalta, niin tulee välttää johdattelevia kysymyksiä. Vastaajaa kannattaa kohdella, kuin vertaistaan niin silloin saadaan tutkimus tehtyä loppuun asti suuremmalla todennä- köisyydellä (Typeform 2020).
3.4 Kysymysten testaus
Asiantuntija-arvioijia on usein käytetty arvioimaan kyselylomaketta, jotta löydetään on- gelmalliset kysymykset ennen varsinaisen kysymyssarjan esittämistä asiakkaalle. Asi- antuntija arvioijalla on usein teoreettista tietoa aihealueesta, kysymys-, vastausproses- sin tuntemusta, ymmärtämystä mittausvirheiden osalta tai yleisesti käytännönkoke- musta kyselyiden tekemisestä. Ulkopuolinen henkilö pystyy tarkastelemaan kysymyk- siä kriittisesti ja objektiivisesti, koska he eivät ole liian lähellä kohderyhmää. Yleensä käytetään 1-20 arvioijaan riippuen tulevan kyselyn laajuudesta. Asiantuntija-arvioijan käyttö on suhteellisen halpa tapa tehdä esitestaus. Ulkopuolisen asiantuntijan käytön hankaluutena voidaan pitää, että jokainen arvioija on yksilö ja jokaisella arvioijalla on myös oma subjektiivinen näkökanta asioihin ja oma tapa tehdä töitä. Osa on tarkempia ja osa taas tuntee jonkin osa-alueen hyvin (Ikart 2019, 1-14). Tärkeää onkin löytää luo- tettava arvioija, johon voi tukeutua, jotta kysymyssarjasta saadaan mielenkiintoinen, asiakas jaksaa käydä koko sarjan läpi, kysymykset ovat jouhevia eivätkä takeltele, ky- symyksiin on helppo vastata, ja ennen kaikkea ne antavat vastauksen niille osa-alueille mitä varten markkinatutkimusta tehdään.
3.5 Datan kerääminen
Mikään yritys voi harvoin menestyä ilman, että ymmärretään asiakkaita, tuotteita, pal- veluita sekä markkinoita yleensä. Kilpailu on kovaa ja siksi kannattaakin tehdä jonkin asteinen markkinatutkimus. Tiedonkeruussa on kaksi luokkaa: laadullinen ja määrälli- nen. Kvantitatiivisessa- eli määrällisessä tutkimuksessa tarvitaan suuri otoskoko ja niitä analysoidaan matemaattisesti. Tästä saadun datan tulokset valaisevat tilastollisesti merkittäviä eroja. Kvantitatiivista tutkimusta voidaan tehdä, vaikka keräämällä verkkosi- vuston käytöstä saatavaa dataa (esim. Google Analytics jne.). Laadullisella menetel- mällä voidaan kehittää kvantitatiivisia tutkimusmenetelmiä. Kvalitatiivisella menetel- mällä voidaan oppia asiakkaiden mielipiteitä ja niillä pystytään määrittämään myös ole- massa olevia ongelmakohtia. Laadullisen tutkimuksen otoskoko on yleensä pieni (Ent- repreneur 2010). Kun kerätään asiakkaan mielipiteitä tai dataa yleensä, niin olisi hyvä, että näytät asiakkaalle, että datan keräys tehdään anonyymisti ja turvallisesti. Heille tu- lisi kertoa, että miten dataa tullaan keräämään käyttämään myöhempää analyysia var-
tarpeensa liittyen datan keräykseen. Yksi hyvä tapa saada asiakas antamaan dataa va- paaehtoisesti on antamalla ilmaisia tarjouksia vastineeksi datasta (Business2Commu- nity 2014).
Taulukko 5. Määrällisen- ja laadullisen tiedon ero (Medium 2018).
Taulukosta 5 voidaan todeta miten määrällinen ja laadullinen tieto eroaa toisistaan.
Määrällisessä tutkimuksessa voi kiinnostaa markkinoiden koko, kun taas laadullisessa tutkimuksessa oman kohdemarkkinan kysyntä. Niin kuin Entrepreneur 2010 artikkelissa todettiin, niin tutkimuksen tekemisessä ei tarvitse lokeroitua ja käyttää vain toista tapaa, vaan molempia voidaan sekoittaa. Aluksi voidaan käyttää laadullista tutkimusta ja mää- rittää Taulukko 9:n mukaisesti halutun kohdemarkkinan kysyntä, tai nykyisten/ uusien asiakkaiden arvot ja uskomukset jne. Laadullisen tutkimuksen tuloksilla voidaan kehit- tää kvantitatiivisia tutkimusmenetelmiä ja siirtyä tekemään kysymyksiä markkinoiden
koon, potentiaalisten asiakkaiden jne. pohjalta. Molempia tapoja käyttäen päästään pa- rempaan lopputulokseen ja saadaan tehtyä oikeita kysymyksiä oikeille kohderyhmille.
3.6 Datan analysointi
Kyselylomakkeella kerättävät tiedot voivat olla joko laadullisia tai määrällisiä. Paremmin ne kuitenkin soveltuvat kvantitatiivisiin analyysimuotoihin. Tämä johtuu siitä, että saa- dut vastaukset tulevat yleensä numeroina, tai sanoina, jotka voidaan koodata nume- roiksi. Tämä metodi vaatii vähintään tilastotieteiden perusteiden hallintaa ja ymmärtä- mistä. Yksinkertaisimmillaan vastaukset voidaan analysoida käyttäen kuvailevia tilas- toja ja parin muuttujan välistä suhteiden tarkastelua. Esimerkkinä voitaisiin kuvailla, että kysymyksiin vastattiin tietyllä tavalla ja että tiettyjen kysymysten välisissä vastauk- sissa oli havaittavissa liitos toisiinsa. Tällaisten analyysien kuvaamiseen käytetään usein mittasuhteita, prosenttimääriä ja keskimääräisen taipumuksen sekä -hajonnan eri mittareita. Välillä tarvitaan kuitenkin korkeamman tason analytiikkaa ja silloin täytyy käyttää päättelytilastoja (päätelmä oletuksesta johtopäätökseen) tai esim. Monimuut- tuja analyysimenetelmiä. Päätelmä tilastoja on monentyyppisiä. Näiden tilastojen funk- tiot vaihtelevat. Näitä käytetään yleisesti vertaamaan näytteen jonkin muuttujan perus- teella kerättyjä näytteitä suhteessa toiseen otokseen tai populaatioon kanssa, jotta saa- daan arvioitu, löytyykö niistä yhtäläisyyksiä tai eroavaisuuksia keskenään. Päättely ti- lastoissa tehdään tiettyjä oletuksia tiedon luonteesta ja siitä, miten tieto on kerätty. Jos oletukset eivät pidä paikkaansa päättelytilasto ei tulisi käyttää. Jos tutkittavana on kol- men tai useamman muuttujan keskinäisiä suhteita samanaikaisesti, niin silloin voidaan hyödyntää monimuuttuja analyysimenetelmiä. Näiden menetelmien käyttämiseen ei välttämättä tarvitse omata laajaa matemaattista osaamista, mutta niiden periaatteet ja tarkoitukset olisi hyvä ymmärtää. Yksi avainkohta tehtäessä kvantitatiivisia analyysejä on kysymys syy-yhteydestä. Yksi analyysin tarkoitus on etsiä selitystä ja ymmärrystä ja näin ollen tulee pystyä toteamaan, että jokin johtuu jostakin toisesta. Vaikka kaksi mitattua muuttujaa näyttää liittyvän toisiinsa, se ei tarkoita, että näin olisi. Tilastollinen korrelaatio kahden muuttujan välillä voi johtua kolmannen muuttujan vaikutuksesta tai sattumanvaraisesta tuurista. Syy-seuraussuhteen osoittamiseksi on löydettävä tai eh- dotettava mahdollista mekanismia, joka yhdistää muuttujat toisiinsa (Blaxter ym. 2010, 228-242).
Autonomiset mobiilirobotit ovat nykyään maailmalla vakiintunut ratkaisu materiaalien ja tavaroiden kuljetuksiin suurissa teollisuusyrityksissä ja varastoissa. Niillä saavutetaan merkittäviä taloudellisia- ja hallinnollisia etuja. Sairaaloissa, vanhainkodeissa, hotel- leissa, museoissa, kauppakeskuksissa, kaupallisissa tiloissa, toimistoissa ja vähittäis- kaupoissa niitä käytetään vielä vähän. Teollisuusyrityksille ja varastoille suunniteltujen robottien käyttöä on vaikea soveltaa yleisissä tiloissa toimiviin yrityksiin ja laitoksiin, koska niissä pätee erilaiset rajoitukset ja vaatimukset. Suurissa teollisuusyrityksissä ja varastoissa on hyvin jäsennelty ja ennustettava ympäristö, missä robotit liikkuvat en- nalta määriteltyjä reittejä pitkin ja vuorovaikutusta ihmisten kanssa voidaan minimoida.
Kaupalliset ja yleiset tilat ovat vähemmän jäsenneltyjä, ympäristö on dynaamisempi ja vuorovaikutusta ihmisten kanssa on enemmän. Laitoksissa ja kaupallisissa yleisissä ti- loissa tehdään päivittäin paljon tavaroiden siirtelyä ja näiden automatisoinnilla voi olla suuri taloudellinen vaikutus. Esimerkkinä 500:n potilaspaikan sairaalassa käytetään enemmän, kuin 850 henkilötyötuntia viikossa tavaroiden, liinavaatteiden, biologisten näytteiden, lääkinnällisten laitteiden, postipakettien ja lääkinnällisten jätteiden siirtoon.
Tämä työ tehdään tällä hetkellä mm. sairaanhoitajia ja hoitajia käyttäen. Tämä työ on arvoa lisäämätöntä ja on suoraan pois potilaiden hoitamisesta. Samat argumentit sopi- vat moneen aikaisemmin lueteltuun kaupalliseen tilaan. Automatisointi lisää myös jälji- tettävyyttä, parantaa palvelua ja pienentää vasteaikaa. Sisälogistiikan automatisoinnilla on suuri potentiaali, joka on vielä lähes täysin hyödyntämättä (Randami ym. 2019, 425- 426).
Vaikka maailmalla onkin sisälogistiikkaa automatisoitu robotteja käyttäen, niin Suo- messa automaation taso on alhainen. Perinteisiä AGV -ratkaisuja on nähtävissä suu- rissa yrityksissä. Se on kuitenkin joustamaton muutoksille ja vaatii muuttumattoman ympäristön. esimerkkikohteena voisi olla vaikka linjasto, jossa koneen runko kulkee AGV:n päällä työpisteiden läpi ja sitä varustellaan niiden läpi kulkiessa. Suomessa mo- biilirobotiikkaa vasta pilotoidaan suurissakin teollisissa yrityksissä. Sisälogistiikan auto- matisoinnilla on suuri potentiaali niin varastoissa, teollisissa yrityksissä, laitoksissa, kuin yleisissä kaupallisissa tiloissakin.
Autonomisten mobiilirobottien markkinat ovat kasvamassa räjähdysmäisesti kaikilla markkina sektoreilla (ilma-, maa-, Meriliikenne sekä yksityinen sektori). Kasvua ennus- tetaan 24% vuodessa, vuosille 2018-2023 (2018 19:sta miljardista dollarista 54 miljar- diin dollariin vuoteen 2023 mennessä) MarketsAndMarkets Research:n mukaan. Vah- vimmin kasvavat markkinat sijaitsevat, Kiinassa, Pohjois-Amerikassa, ja Euroopassa (Answers 2020) Jos halutaan pitää tuotanto kilpailukykyisenä, niin silloin myös logistii- kan automatisointiin tulee panostaa enemmän ja enemmän tulevaisuudessa.
4.1 Autonomous mobile robot AMR/ Automated guided vehicle AGV
Automated Guided Vehicle eli AGV on teollisuudessa laajalti käytetty mobiilialusta, jolta tosin puuttuu joustavuus, koska niiden avuksi täytyy asentaa kiinteät navigointi ”merkit”, jotta ne osaavat kulkea oikeaa reittiä pitkin (Kousi ym. 2018). AGV järjestelmiä on kah- den tyyppisiä staattisia ja dynaamisia. Staattisessa järjestelmässä alusta seuraa en- nalta määritettyä reittiä ja se ei voi muuttua matkanvarrella. Dynaamisessa järjestel- mässä mahdollisia reittejä ja määränpäitä voi olla useita sekä reittimuutokset voivat tulla reaaliajassa. Joissakin tapauksissa linjastolla voi olla telakointiasema johon AGV:t palaavat tehtävän jälkeen odottamaan seuraavaa tehtävää. Tätä kutsutaan avoimeksi järjestelmäksi. Monimutkaisissa linjastoissa AGV:t pysyvät omalla polullaan joutokäyn- tijakson aikana. Tätä kutsutaan suljetuksi järjestelmäksi (Fanti ym. 2018. 86). AGV:n käyttö on kannattamatonta nykytekniikan rinnalla sellaisissa kohteissa, joissa on useita mahdollisia reittejä, monia eri haku- ja jättöpisteitä ja järjestelmän muutokset halutaan helpoiksi ja joustaviksi, koska vaihtoehtoisia kilpailevia tuotteita on saatavilla kuten esim. Autonomiset mobiilirobotit.
AMR eli Autonomous Mobile robot ja AGV eroavat siten, että laitteisto ei tarvitse kalliita fyysisiä muutoksia rakennusinfrastruktuuriin kuten esim. ohjausteippejä lattiaan. AMR:n etuna on, että se pystyy autonomisesti algoritmien avulla navigoimaan haluttuun koh- teeseen (Piemngam ym. 2019. 90). Lisäksi autonomiset mobiilirobotit voivat toimia ih- misten kanssa yhteistyössä. Mobiiliroboteilla pystytään nostamaan-, kuljettamaan- ja pakkaamaan tuotteita, sekä ne pystyvät havaitsemaan esteet ja kiertämään ne tör- mäysten välttämiseksi. Mobiilirobotit kehittyvät nopealla vauhdilla, ne kykenevät jo nyt suorittamaan suurimman osan ongelmien ratkaisuista. Ihmiset valvovat ja auttavat tar- vittaessa (Moretz 2020, 15-17).
Autonomisia mobiiliratkaisuja ja niiden variaatioita on useanlaisia. Kaksi useimmiten vastaan tulevaa ajattelumallia, kun käy läpi valmistajien eri mallisarjoja ovat: mobii- lialustat (Kuva 1a) ja niiden eri variaatiot ja mobiilitrukit (Kuva 2b) ja niiden eri variaa- tiot. Autonomiset mobiilialustat polveutuvat suoraan AGV:sta ja Mobiilitrukit suoraan perinteisistä trukeista. Karkeasti sanottuna näihin on vain lisätty antureita, tietokone, verkostoitumismahdollisuus ja kasa algoritmeja suorittamaan haluttu ajattelutyö.
a) b)
Kuva 1. Havainnekuva mobiiliroboteista a) MIR Mobiilialusta. (mobile-industrial-ro- bots.com 2020) ja b) Linde Mobiilitrukki. (Linde-mh.com 2020)
Mobiilivaunu käsittää yleensä pelkän alustan, jonka päälle voi itse rakentaa tai ostaa kolmannelta osapuolelta jonkinnäköisen ratkaisun, jolla päästään tuotteita poimimaan ja viemään eteenpäin. Yleisiä päälimoduuliratkaisuja mobiilialustan päällä ovat kuljetin (Kuva 2a), nostolaite (Kuva 2b), kärry (Kuva 2c) ja yhteistyörobotti (Kuva 2d). Jälkim- mäiset tulevat lisääntymään lähitulevaisuudessa. Joidenkin valmistajien mobiilivau- nuilla voi myös vetää kärryjä perässä. Tyypillisimmin mobiilivaunujen päälle haetaan tavaroita ja sitten ne kuljetetaan haluttuun kohteeseen. Mobiilivaunuissa käytetään myös paljon ns. lukitusmekanismi ratkaisua, jolla voidaan ajaa robotti kärryn alle ja lu- kita kärry robottiin kiinni. Tätä kutsutaan underride ratkaisuksi. On olemassa myös au- tonomisia mobiilialustoja, jotka pelkästään vetävät tuotteita, eli niiden päälle ei lastata mitään. Erilaisia päälimoduuliratkaisuja keksitään koko ajan, kun mobiilialustat valtaa- vat uusia markkina-alueita. Päälirakenneratkaisuissa on vain mielikuvitus rajana.
a) b)
c) d)
Kuva 2. Yleisesti käytetyt päälimoduuliratkaisut a) ROEQ kuljetin. (mobile-industrial-ro- bots.com 2020) b) ROEQ Europaletin nostolaite. (mobile-industrial-robots.com 2020) c) MIR hyllyratkaisu laatikoiden siirtoon. (mobile-industrial-robots.com 2020) ja d) KUKA:n mobiilialusta, jossa IIWA robotti päällä. (Kuka.com 2020)
Poiketen mobiilialustojen päälle rakentelu ajatuksesta mobiilitrukit ovat suoraan valmis- tuote. Ne käyvät sellaisenaan poimimaan tavaroita lattialta ja nostamaan ne hyllyille.
Niihin ei ole pakko rakennella mitään. Se onkin mobiilitrukin suurin etu verrattuna mo- biilialustaan. Kuvassa 3a Toyotan valmistama mobiilitrukki. Mobiilitrukkeihinkin tosin löytyy myös kiinnitettäviä moduuleja kuten esimerkiksi kuljettimia jne. Näihinkin voidaan rakennella erilaisia ratkaisuja, jos on tarpeellista. Isot trukkivalmistajat ovat lähteneet mobiilisoimaan tuotteitaan tulevaisuutta ajatellen. Kuvassa 3b voidaan nähdä Agiloxin mobiilitrukki varusteltuna kuljetinmoduulilla. Kuljetinmoduulin päälle voidaan ajaa tulo- kuljettimelta tuotteita, jonka jälkeen trukki ajaa poistokuljettimen luo, telakoituu kiinni ja luovuttaa tuotteet kuljetinmoduulilta poistokuljettimelle.
a) b)
Kuva 3. Mobiilitrukki a) Toyota, Mobiilitrukki. (Toyotaforklift.com 2020) ja b) Agilox kul- jetinmoduulilla. (Agilox.net 2020)
4.2.1 Omnidirectional movement
Kun halutaan käyttää mobiilirobotteja paikoissa, joissa on rajoitetusti tilaa, niin kyky liik- kua XY koordinaatistossa rajoittamattomasti on eduksi. Joka suuntaan liikkuvaa robot- tia on parempi ohjata ja se helpottaa myös paikannusta ja esteiden välttämistä. Lisäksi joka suuntaan olevat liikkeet ovat ihmisille helpompi hahmottaa ja käyttää. Huonoja puolia näillä pyörätyypeillä ovat tärinä, epäjatkuva pyörän kosketus lattiaan, eivät ky- kene ylittämään suuria railoja, reikiä yms. sekä huono pito liukkailla ja likaisilla alus- toilla. Viime vuosikymmeninä on yritetty kehittää monenlaisia erikoispyöräratkaisuja, jotta olisi saatu liikkeet mahdollistettua tasossa joka suuntaan kuten esimerkiksi mm.
pyöristetyt pyörät, pallon muotoiset pyörät, teloja ja pyöriä, joissa on erilaisia passiivisia rullia jne. Suurin osa kehitelmistä on jääneet tutkijoiden pöydille. Nykyään laajasti on käytössä vain ns. monisuuntapyörät (omnidirectional wheels), joissa on passiiviset rul- lat kohtisuorassa kulmassa pyörän akseliin nähden (universal wheels) (kuva 4a) ja Me- canum pyörät (kuva 4b), joissa rullat ovat 45° kulmassa pyörän akseliin nähden (Ja- cobs 2018, 1, 5).
a) b)
Kuva 4. Käytetyt pyöräratkaisut a) Universal wheel. (Pepsonpu.en.made-in-china.com 2020) ja b) Mecanum wheel. (Opencircuit.shop 2020)
Universal wheel ratkaisua käytetään mm. MIR -robotin jokaisessa kulmassa, kun taas KUKA robotti tukeutuu Mecanum wheel ratkaisuun. Mecanum pyörän etu on, että sen avulla voidaan ajaa robottia vaikka suoraan sivuttaisliikkeellä vaikeaan tai ahtaaseen väliin.
4.3 AMR navigointi
Jotta mobiilirobotti pystyy navigoimaan rakennusten sisällä, sen tarvitsee tietää nykyi- nen sijainti ja orientaatio tilan sisällä. Sisätiloissa navigoitaessa suurena ongelmana on, että ei voida käyttää globaaleja paikannusmetodeja kuten esimerkiksi GPS. Lisäksi GPS:n paikannustarkkuus ei edes riitä sisätiloissa operoitaessa. Yksi mahdollinen rat- kaisu on käyttää SLAM -metodia eli robotti liikkuessaan lokalisoi ja kartoittaa samanai- kaisesti. Luodusta kartasta näytetään robotille staattiset objektit. Näistä se lokalisoi it- sensä ja osaa väistellä dynaamisia objekteja automaattisesti. Robotti luo polun pistei- den A ja B välille käyttäen perinteisesti joko 2D, 2.5D ja 3D algoritmeja. 2.5D syntyy, kun 3D -kuva muokataan 2D -kuvaksi. 2D- ja 2.5D -karttojen käyttö voi vähentää las- kennallista monimutkaisuutta verrattuna 3D -karttaan (Baltashov & Semakova 2018, 518-519).
Nykyaikaisissa mobiiliroboteissa lokalisointi toteutetaan käyttäen turvaskannereita. Tur- vaskannerit on asennettu hieman lattiatason yläpuolelle ja ne skannaavat niillä ympä- ristöä. Yhdessä mobiilialustassa on yleensä kaksi skanneria vastakkaisissa kulmissa,
set objektit kuten esim. seinät pilarit ja kaikki mikä ei liiku. Näistä objekteista robotti voi varmistaa skannereita hyödyntämällä oman paikkansa ja orientaationsa kartalta. Loput mitä robotti näkee tämän jälkeen, on jotakin mitä sen täytyy väistää. Jos eteen tulee dynaaminen objekti, niin robotti laskee uuden reitin ja väistää estettä (Zhang ym. 2018, 544-548).
4.4 Mobile Robot Swarm/ Fleet management
Mobile Robot Swarm tarkoittaa monen robotin yhtäaikaista koordinointia siten, että ro- botit tekevät yhteistyötä ja suorittavat tehtävän tai tehtäväjoukon itsenäisesti muuttu- vassa ympäristössä. Yksi monirobottijärjestelmän eduista on, että ne pystyvät suoritta- maan monta tehtävää yhtäaikaisesti. Joukko mobiilirobotteja voi tehdä joukon tehtäviä koordinoidusti, optimoidusti ja yhtäaikaisesti. Siihen tarvitaan ylemmän tason järjestel- mää, joka jakaa tehtävät yksittäisille roboteille. Ylemmän tason järjestelmän käyttö pa- rantaa kokonaissuorituskykyä, käytettyyn aikaan, energiaan ja muihin mittareihin ver- tailtuna. Kollektiivinen päätöksenteko vaatii monirobottijärjestelmissä kykyä päästä kon- sensukseen yksittäisten robottien välillä. Olemassa olevat metodit nojaavatkin tyypilli- sesti käytettävissä olevien vaihtoehtojen laadun mittaamiseen, josta seuraa neuvottelu ja päätöksenteko. Yhtenä tärkeänä tutkimuskysymyksenä pidetäänkin, että kuinka mo- nirobottijärjestelmät voivat tehdä kollektiivisia päätöksiä. Ylemmän tason järjestelmän olemassaolosta huolimatta mobiilirobottien on käytettävä lokalisointi ja navigointi meka- nismeja, jotta ne suoriutuvat kohteeseen suorittamaan annetut tehtävät. Jokaisen robo- tin tulee pystyä paikantamaan oma sijaintinsa, kuin myös muiden robottien sijainnit, jotta ne pääsevät kohteeseen ja samanaikaisesti kykenevät väistämään esteitä ja pitä- mään turvaetäisyydet toisiin mobiilirobotteihin (Awad ym. 2018, 4). Yleensä tämän tyyppiset järjestelmät toimivat serverillä ja ne ovat linkitettynä parvessa oleviin robottei- hin Wifi -verkon välityksellä. Serveri antaa tarvittavat käskyt tehtävistä ja kertoo myös muiden robottien sijainnit. Serveri ohjelmisto (fleet management) jakaa roboteille myös käskyt käydä lataamassa akut oikea aikaisesti. Fleet management ohjelmistoa tarvi- taan valmistajasta riippuen yleensä, kun on hankittu enemmän, kuin kaksi viiva kolme robottia. Osalla valmistajista tämä ohjelmisto kuuluu hintaan.
5 NELJÄN TUOTTEEN VERTAILU
Tässä kappaleessa esitellään neljän eri valmistajan tuotteet sisälogistiikan hoitoon. en- simmäinen ja toinen esimerkki ovat mobiilialustoja, joissa kuitenkin toiminnallisuudet eroavat toisistaan. Kolmas ja neljäs esimerkki ovat trukkityylisiä sovelluksia, joissa on kokoluokassa ja toiminnallisuudessa eroavaisuuksia. Kappaleen lopussa vertaillaan tuotteiden eroavaisuuksia keskenään.
5.1 Historia
KUKA on perinteinen robottivalmistaja, joka on perustettu 1898. Perustajina olivat Jo- hann Josef Keller and Jakob Knappich. Yritystoiminta alkoi, kun Johann ja Jakob löysi- vät asetyleeni esiintymän Saksassa Augsburgissa. Sähkölamppujen kehittyessä kaa- sun hinta laski ja yritys siirtyi valmistamaan ja kehittämään hitsauskoneita. 1900 luvun puoliväliin yritys valmisti erikoisajoneuvoja, hitsauslaitteistoja, ompelukoneita ja kirjoi- tuskoneita. 1971 yritys valmisti ensimmäisen robotilla operoidun hitsauslinjaston Daim- ler-Benzille. Maailman ensimmäinen teollinen kuusiakselinen sähköllä toimiva käsivar- sirobotti valmistui vuonna 1973. Tällä hetkellä KUKA on yksi maailman suurimmista ro- bottivalmistajista (KUKA HISTORY). KUKA:n liikevaihto vuonna 2019 oli n.3.3 miljardia euroa ja henkilöstöä oli n.14000. (Kymäläinen 2020).
KUKA:lta löytyy tällä hetkellä mobiilialustoja painoluokassa 400kg-90000kg:aa ja niitä voidaan linkittää peräkkäin niin, että kokonaispituus on jopa 30m. KUKA:n ratkaisuissa on käytetty Mecanum -pyöriä. Tämä tarkoittaa sitä, että alustaa voidaan liikutella XY- tasossa mihin suuntaan tahansa ja se helpottaa laitteiston siirtelyä ja paikoitusta ah- taissakin paikoissa (KUKA MOBILEPLATFORMS).
MIR eli Mobile Industrial Robots, mobiilirobotteja valmistava yritys, joka sijaitsee Tans- kan Odensessa. Ensimmäinen luonnos mobiilialustasta valmistui Lego palikoista teh- tynä vuonna 2011. Ensimmäinen prototyyppi ”Alfa-versio” valmistui huhtikuussa 2012 Niels Jul Jacobsenin toimesta. Varsinainen yritys perustettiin toukokuussa vuonna 2013 (MIR Presentation). Yrityksen liikevaihto vuonna 2019 oli n. 40 milj. euroa ja yri- tyksessä työskentelee n. 220 henkilöä (Trangbaek 2020). Yrityksellä on tällä hetkellä 191 jakelijaa 56:ssä eri maassa pääpainon ollessa Euroopassa ja Yhdysvalloissa (MIR
ja se työllistää n. 5400 työntekijää (TERADYNE Markkinakatsaus). Teradyne osti 2019 Autoguide yrityksen, joka tekee suuremman kantokykyluokan mobiilirobotteja täydentä- mään MIR:n alemman kantokykyluokan tuotteita (TERADYNE INC Vuosikertomus 2019, 2).
Agilox on robotiikka-alan yritys, joka suunnittelee ja valmistaa älykkäitä ”AGV” laitteis- toja sisälogistiikan tarpeisiin. Agilox:n tuotekehitys ja valmistus sijaitsee Itävallassa ja siellä tehdään kaikkia mekaniikka, sähkösuunnittelu ja automaatio/ navigointi ohjelmis- ton suunnittelu sekä valmistus. Yritys on perustettu vuonna 2017, sen liikevaihto on n.13 milj. euroa ja siellä työskentelee 45 henkilöä (Crunchbase/ AGILOX). Agilox on nopeasti kasvava yritys ja se toimii tällä hetkellä 15:a eri maassa. Suurin toimiva parvi tällä hetkellä on 11kpl robotteja (AGILOX Company).
Linde on globaalisti toimiva teollistenkaasuja ja insinööripalveluja tuottava yritys.
Vuonna 2019 yrityksen liikevaihto oli 25 miljardia euroa (LINDE About). Linde:llä työs- kentelee n.80000 työntekijää (LINDE Career). Yrityksen missio on tuottaa korkealaatui- sia ratkaisuja sekä teknologioita ja palveluita, jotka tekevät heidän asiakkaistaan me- nestyneempiä ja auttaa ylläpitämään ja suojelemaan planeettaamme (Linde About).
Linde aloitti trukkiliiketoiminnan 1960 luvun lopussa ja se pääsi kasvamaan nopeasti suureksi tekijäksi hyödyntäen yrityksen suurta kokoa ja ostamalla kilpailijoita markki- noilta (Dienel 2004, 174-175). Linde Material Handling on yksi maailman johtavista trukki ja varastotarvike valmistajista. Valikoimaan kuuluu sähkö- ja dieseltrukit, varasto- tarvikkeet, kaluston hallinta ohjelmistot, automaatioratkaisut, kuljettajan avustusjärjes- telmät, koulutukset ja rahoituspalvelut trukki liiketoiminnan ympärillä. Linden ajoneuvo- valikoima käsittää 77 sarjaa, 382 mallivaihtoehtoa ja n. 10000 lisävarustevaihtoehtoa.
Linde valmistaa räätälöityjä kokonaisuuksia asiakkailleen logistiikan tarpeisiin (LINDE MH yleistä).
5.2 Hyötykuormaltaan lähellä olevien tuotteiden määrittelyt
Tässä osiossa vertaillaan eri valmistajien hyötykuormaltaan toisiaan lähellä olevien tuotteiden ominaisuuksia ja määrittelyjä.
Taulukko 6. Laitteisto määrittelyt. kuka.com, mobile-industrial-robots.com, Agilox.net, linde-mh.com.
Taulukko 6:sta voidaan helposti vertailla eri valmistajien tuotteiden ominaisuuksia kes- kenään. Alla olevissa kappaleissa avataan eroavaisuuksia enemmän.
KUKA:n Mobiilialustassa on 1500kg:n kantokyky ja se pystyy toimimaan autonomisesti ilman lattialle tai seiniin asennettavia lokalisointi merkkejä. KUKA:n navigointi ohjel- misto hyödyntää mm. turvaskannereita ja renkaissa olevia sensoreita luodessaan ym- päristöstä reaaliaikaista karttaa. KUKA hyödyntää kartan luonnissa SLAM metodia.
SLAM tulee sanoista Simultaneous, Localization and Mapping. Laitteisto pystyy lokali- soimaan itsenä käyttäen tätä karttaa ja vastaamaan ympäristössä tapahtuviin muutok- siin reaaliajassa. Virtuaalisten polkujen avulla mobiilialusta osaa siirtyä kohteisiin mää- riteltyjä reittejä pitkin ollen kuitenkin joustava muutoksille. Alustan paikoitustarkkuus on
±5mm. Alustassa on Mecanum-pyörät, joten se osaa liikkua XY-tasossa mihin suun- taan tahansa. Robotin päälle voidaan asentaa erilaisia laitteistoja kuljettimista robottei- hin asti (KUKA KMP1500 1). Kuva 5 on havainne kuva, miten laitetta voidaan mm. hyö- dyntää tehdasympäristössä.
KMP 1500 MIR 1000 Agilox L-Matic
2000 1350 1510 2285
800 920 800 804
470 320 1850 2370
711-935 226 380 1415
maks. hyötykuorma 1500 1000 1000 1200 maks. nopeus 1m/s 1.2m/s 1.4m/s 2m/s
toiminta aika 4h 8h 4-5h 5h
latausaika 1h 1h 0,25h ei tiedossa
Pituus Leveys korkeus paino
Kuva 5. KUKA:n mobiilirobotti autotehtaan linjastolla. (Kuka.com 2020)
KMP 1500:n tekniset tiedot eroavat pituuden ja painon suhteen vastaavassa kokoluo- kassa kilpailevien tuotteiden kanssa. KMP 1500 on hieman pidempi ja painavampi. Mu- kana tulevalla perusakustolla on minimissään neljän tunnin operointi aika, mutta sitä saa laajennettua yli kahdeksaan tuntiin optiona myytävällä akkulaajennospaketilla.
Muita perusoptioita ovat elektroninen nostin, automaattilatauspaketti, pikalaturi ja lan- gaton ohjain (KUKA KMP1500 2). Taulukosta 6 voidaan nähdä KMP 1500:n teknisiä tietoja.
MIR 1000 on MIR tuoteperheen suurimmalla kantokyvyllä varustettu mobiilialusta. Siinä 1000kg:n kantokyky. Se on suunniteltu mm. palettien sisälogistiikan automatisointiin ja optimointiin. Robotin paikoitustarkkuus on ±50mm ilman paikoitus markkereita ja ±5mm apumarkkereiden kanssa. Robotissa on kaksi turvaskanneria ja 3D kamera, joiden avulla se navigoi ympäristössään (MIR 1000). Robotin toiminta-aika yhdellä latauksella on n.8 tuntia ja akun saa ladattua 10%->90% yhdessä tunnissa (MIR Yleisesite). Mobii- lialustan saa nopeasti ja helposti varusteltua erilaisilla päälimoduuleilla, kuten paletti haarukalla, kuljettimilla tai vaikka robottikäsivarrella (MIR 1000). Kuva 6, MIR:n mobiili- robotti konepajaympäristössä.
Kuten taulukko 6:sta ja kuva kuudesta voidaan havainnoida, niin laitteisto on mitoiltaan suunniteltu sopivaksi lavojen kuljettamiseen. Robotti voi käydä täyttämässä esim. ro- bottisoluun seuraavia tarvittavia materiaaleja. Näin automaatio astetta saada nostettua entisestään.
Kuva 6. MIR 1000 toimintaympäristössään. (mobile-industrial-robots.com 2020)
AGILOX IGV on Agilox GMBH:n ainut tuote. IGV eli Intelligent Guided Vehicle on tar- koitettu sisälogistiikan hoitoon ja sillä voidaan korvata perinteiset AGV ratkaisut. Agilox osaa liikkua vapaasti tehtaan lattialla, sillä on 24/7 toimintavalmius ja se osaa toimia useamman laitteiston parvena. Agilox IGV:ssä on omnidirectional pyörät, eli se pystyy liikkumaan tasossa mihin suuntaan tahansa. Se pystyy nostamaan 1000 kg:n kuorman 500 tai 1000mm korkeuteen riippuen mikä versio on kyseessä. Robotti on tarkoitettu lavojen, laatikoiden, kärryjen jne. nostamiseen ja siirtelyyn. kuljetettavan kuorman mak- simi koko on 1600x1200mm. Ensimmäisen laitteiston käyttöönottoaika on alle 12h ja seuraavat saadaan otettua käyttöön n. 15:sta minuutissa (AGILOX tuote-esite). Agi- lox:n paikoitustarkkuus on ±2mm ja se paikoittaa itsensä laserskannereiden avulla. Jos matkan varrella tulee esteitä, niin Agilox osaa valita vaihtoehtoisen reitin automaatti- sesti. Jos taas halutaan, että laitteisto ei lähde kiertämään esteitä satunnaista reittiä pit- kin, niin sekin voidaan ohjelmistosta määritellä. Laitteisto osaa ladata itsensä auto- maattisesti sellaisissa väleissä, joissa sillä ei ole määrättyä tehtävää. 4-5h toiminta-aika
laitteistot kommunikoivat keskenään Wifi -verkon yli. Laitteistot osaavat priorisoida kes- kenään mikä robotti tekee minkäkin tehtävän. Ohjelmointi tapahtuu tietokeelta nettise- laimen avulla verkon yli. Ohjelmointi on yksinkertaista graafisen käyttöliittymän avulla (AGILOX Spesifikaatio). Taulukosta 6 voidaan nähdä Agilox:n tekniset ominaisuudet.
Kuvassa 7. Agilox:n mobiilitrukki kuljettamassa kauluksellisia Eurolavoja tehdasympä- ristössä.
Kuva 7. Agilox on the work. (Agilox.net 2020)
Linde:n L-Matic palettien nosteluun lattiatasolta aina 1.9 m:n korkeuteen asti. Maksimi kuormannostokyky on 1200kg (LINDE L-Matic Yleisesite). Laitteiston pituus on
2285mm, leveys 6804mm ja korkeus 2370mm (LINDE L-Matic Datalehti). Robotti pys- tyy toimimaan joustavasti yksittäisenä trukkina tai osana laajempaa robottilaivastoa.
Laitteisto integroituu turvallisesti ja taloudellisesti ihmisten ja muiden laitteistojen kanssa. L-Matic:a voidaan käyttää myös manuaalisesti koska tahansa (LINDE L-Matic Yleisesite). Laitteisto on helppo asentaa ja ottaa käyttöön. Järjestelmä kartoittaa ole- massa olevat staattiset rakenteet ja osaa lokalisoida itsensä niistä laserien avulla reaa- liajassa. Ajoratojen luominen ja muuttaminen on yksinkertaista. Linde:n valvontaohjel- mistolla voidaan hallita kaikkia robotteja yhtä aikaa ja reaaliajassa. Se kontrolloi liiken- nettä, osoittaa tehtävät oikea aikaisesti kullekin robotille ja se integroituu loppukäyttäjän
varaston- ja tuotannonhallinta järjestelmiin (LINDE L-Matic Range). Taulukosta 6 voi- daan nähdä Linden L-Matic:n tekniset tiedot ja kuvassa 8 L-Matic toimintaympäristös- sään hoitamassa sisälogistisia tehtäviä.
Kuva 8. Linde L-Matic at the work. (Linde-mh.com 2020)
5.3 Ohjelmointi ja navigointi
KUKA:n mobiilialustat ohjelmoidaan käyttäen KUKA:n omaa Sunrise WorkBenc:a. Tie- tokone ei tarvitse olla kytkettynä fyysisesti robottiin vaan se voi olla liitoksissa Wifi:n kautta. Karttojen tekoon voidaan hyödyntää robotin omia skannereita. Robotilla ajetaan haluttu ympäristö läpi ja turvaskannerit piirtävät kaiken mitä ympäristöstä voidaan ha- vainnoida Sunrise Workbenc:iin. Kartta voidaan myös tuoda CAD tiedostosta. Luodusta kartasta poistetaan ylimääräiset dynaamiset objektit ja jäljelle jää kartta, jossa on jäl- jellä staattisia objekteja, joista voidaan SLAM -tekniikan avulla robotti paikoittaa missä tahansa kartan alueella. KUKA:n yksi hyvä ominaisuus on, että robottien työskentely alueella Wifi -verkon ei tarvitse kattaa kaikkia mahdollisia alueita. Robotti osaa navi- goida ilman kaiken kattavaa verkkoa seuraavalle työkohteelle ja päivittää työjonon, kun uusi yhteys on taas mahdollinen (KUKA Mobile Robotics/ Fleetmanager). KUKA:n ro- bottien ohjelmien ajatus on, että robotit kulkevat määrättyjä reittejä pitkin, eivätkä lähde keksimään automaattisesti omia vaihtoehtoisia reittejä. Tämä sopii hyvin sellaisiin koh- teisiin, joissa kuljetetaan esim. suuria- /painavia kuormia tai tuotanto on muuten vain
kaksi laser skanneria, joilla on kolme päätehtävää. Laserskannereiden avulla valvotaan turva-alueita ja suoritetaan tarvittaessa hätäpysäytys, skannereilla tallennetaan toimin- taympäristö ja luodaan kartat sekä niiden avulla lokalisoidaan robotin sijainti reaa- liajassa suhteessa luotuun karttaan. Robotin ohjelmointi on helppoa, vaikka ei olisi oh- jelmoinnista aikaisempaa kokemusta (MIR 1000 Käyttäjänopas, 32-33).
MIR:n mobiilialustat ohjelmoidaan käyttäen tietokonetta, tablettia tai esimerkiksi kän- nykkää. Tietokone ei tarvitse olla kytkettynä fyysisesti robottiin vaan se voi olla liitok- sissa Wifi:n kautta. Toimintaympäristö eli kartat voidaan luoda robotille tuomalla valmis karttapohja CAD-ohjelmistosta tai ajamalla robottia toimintaympäristössään, jolloin ro- botti luo kartat itse hyödyntämällä laserskannereitaan (MIR 1000 Käyttäjänopas, 52- 53].
Kun kartat on luotu, niin robotin ohjelmointi hoidetaan menemällä selaimella robotin käyttöliittymään kiinni. Kartalle sijoitetaan esim. Noutopiste A ja jättöpiste B. Kun nouto- pisteeltä annetaan signaali, niin robotti menee pisteelle A. Kun robotti saa signaalin, että tuote on kyydissä, niin Robotti suunnittelee kulkureittinsä käyttäen globaalia suun- nittelijaa, jolla se suunnittelee reitin pisteiden A:n ja B:n välillä ja lokaalista suunnitteli- jaa, joka pistää robotin seuraamaan globaalin suunnittelijan luomaa väylää ja ottamaan huomioon ympäristön muuttuvat haasteet sensorien avulla niin, että robotti ei törmäile dynaamisiin eli liikkuviin objekteihin (MIR 1000 Käyttäjänopas, 32-51, 53].
AGilox:n ohjelmoinnista ei löytynyt luotettavaa materiaalia tarkempaa analyysia varten.
Youtube:n kautta löytyi videoita, jonka mukaan laitteiston ohjelmisto vaikutti helpolta.
Käyttöliittymään pääsi käsiksi internetselaimen avulla ja sen käyttö oli hyvin saman- tyyppistä, kuin MIR:n ohjelmointi.
Linde:n ohjelmoinnista ei löytynyt yleisesti saatavilla olevaa luotettavaa materiaalia.
5.4 Avoimuus ja yhteisön hyödyntäminen
Tanskalaiset yhtiöt kuten MIR ja Universal Robot ovat keksineet hyödyntää avoimuutta ja kolmansien osapuolien suurta resurssien kapasiteettia. Mir on avannut osan koulu- tusmateriaalista kaikkien luettavaksi MIR Academy -palvelun kautta. Toinen hyvä inno- vaatip verrattuna kilpailijoihin on MIRGo ekosysteemi, jossa kolmannet osapuolet voi- vat markkinoida omia tuotteitaan MIR:n sivujen kautta.
MIR Academy on ilmainen Online ympäristö, jossa voi oppia MIR mobiiliroboteista. On- line kursseilla voi oppia robottien tekniikasta, navigoinnista ja ohjelmoinnista. Online ympäristössä on kaikki tarvittava asia esitettynä, jonka avulla voi opetella perusteet lait- teiston käytöstä (MIR Academy).
Digitalisaation myötä markkinat ovat nopeasti dynamisoituneet ja kilpailu ei ole pelkäs- tään yhden maan sisäistä, vaan kilpailijat voivat tulla vaikka toiselta puolelta maailmaa.
Samalla globalisoituminen on kuitenkin mahdollistanut myös rajoja ylittävän innovaati- oiden vaihdon. Maailmanlaajuisen markkina-alueen nopeat muutokset korostavat yh- teistyön ja avoimuuden merkitystä innovaatioiden syntyprosessissa. Tämä toteutuu mm. Yritysten ja tutkimuslaitosten tiiviissä yhteistyössä eli innovaatioekosysteemeissä (Kaihovaara ym. 2016, 1).
MIRGo on ekosysteemi, jossa kolmannet osapuolet voivat myydä ja markkinoida tuot- teitaan mobiilialustan päälle liitettäväksi. MIR ei itse valmista päälimoduuleja, vaan ne täytyy itse rakentaa tai ostaa esim. MIRGo palvelusta. MIRGo ekosysteemissä voi löy- tää erilaisia tuotteita ja ratkaisuja, jolla mobiilialustaa voi räätälöidä vastaamaan omia tarpeitaan (MIRGO Ekosysteemi).
Tässä vertailussa ei ole tarkoitus asettaa eri laitteistoja paremmuusjärjestykseen, vaan pikemminkin antaa kokonaiskuvaa erilaisista laitteistoista ja niiden suunnitellusta käyt- tötarkoituksesta. Vertailussa olevat neljä laitteistonvalmistajaa ovat tarkoitettu erilaisiin käyttökohteisiin ja eivät suoranaisesti kilpaile keskenään vaikka ovatkin valittu tuoteper- heistä mahdollisimman keskenään vertailukelpoiset yksilöt. KUKA:n ja MIR:n mobii- lialustat ovat nopeasti katsottuna periaatteellisesti samankaltaiset, mutta kun tarkastel- laan lähempää, niin ovat suunnattu selkeästi hieman eri markkina-alueille. MIR:n tuote- valikoima on 1000Kg:aan asti, kun taas KUKA:n tuotteet lähtevät hieman alle 1000 Kg:sta ja menevät aina 100000 Kg:aan asti. AGILOX:n ja LINDE:n tuoteperheet ovat vastaavassa asemassa toisiinsa nähden, kuin KUKA:lla ja MIR:llä aina tuotteista yritys- kokoon asti. Taulukoissa 10-13. esitetään SWOT -analyysi hyvin yleisellä tasolla nel- jästä erilaisesta autonomisesta laitteistosta ja niiden potentiaalista markkinoilla. Teks- tissä avataan taulukoiden päätelmiä tarkemmin.
Taulukko 10:stä voidaan havaita valmistajien vahvuudet. KUKA:n vahvuuksia ovat kan- tokyvyltään monipuolinen tuotevalikoima. Tuotteita löytyy vajaasta tuhannesta kilosta aina 100000kg:aan asti. Kukan mobiilivaunuissa löytyy myös erikoisuutena mahdolli- suus ajaa vaunua vapaasti XY -tasossa. Eli vaunua voidaan pyörittää paikallaan ym- päri tai ajaa viistoon tai vaikka sivuttain. Tällä ominaisuudella mobiilivaunu saadaan ajettua sellaisiin paikkoihin, joihin suoraan menevät ratkaisut eivät kykene. KUKA:n tuotteissa on myös parasta luokkaa oleva paikotustarkkuus. Mobiilivaunun päälle on mahdollista asentaa, vaikka robotti. KUKA:n mobiilivaunulla on riittävä paikoitustark- kuus, jonka johdosta robotti pystyy vaunun päällä tekemään vaativiakin työtehtäviä.
MIR:n vahvuuksia on laitteiston nopea ja yksinkertainen käyttöönotto ja sen soveltu- vuus myös julkisiin tiloihin. Ohjelmoitaessa robottia, kartalta tarvitsee näyttää käytän- nössä vain haku ja jättöpiste. Sisäiseen ohjelmistoon on luotuna algoritmeja, joiden avulla laitteisto osaa automaattisesti väistellä eteen tulevia esteitä ja luoda vaihtoehtoi- nen reitti reaaliajassa. Linden vahvuuksiin kuuluu hyvä nostokyky. Linden T-Matic pys- tyy nostamaan maasta 3000kg:n kuorman ja siirtämään sen seuraavalle pisteelle. Pie- nemmän nostokyvyn L-Matic ja K-Matic pystyvät nostamaan kuorman myös hyllylle. K- Matic:n nostokorkeus on yli 10m. Linden vahvuuksiin kuuluu myös laaja valikoima pe- rinteisiä- ja mobiilitrukkeja. Agilox:n vahvuus on nopea käyttöönotto. Laatikosta puret- tuna laitteisto saadaan nopeasti tekemään tuottavaa työtä. Kun yksi laitteisto on otettu
