Kirjoittajat ovat Lapin ammattikorkeakoulun henkilökuntaa: FM, Insinööri (YAMK) Ari Afflekt toimii lehtorina Uudistuvat teollisuus -osaamisryhmässä, TaM Petri Hannula lehtorina Digitaaliset ratkaisut -osaamisryhmässä ja Insinööri (YAMK) Ville Kanto asiantuntijana Uudistuva teollisuus -osaamisryhmässä.

Lapin ammattikorkeakoulun robotiikkaopiskelijat ratkoivat kahden alueellisen yrityksen tuotannon kehityshaasteita konenäön, robottisimuloinnin ja saumanseurannan avulla. Projektien tuloksena syntyi uusia toimintamalleja robottisolujen hyödyntämiseen, simulointimalleja sekä robottisolujen käyttöönottoa ja jatkokehitystä tukevia suunnitelmia. Vuoden 2026 robotiikkaprojektiin osallistui 22 tieto- ja viestintätekniikan sekä kone- ja sähkötekniikan monimuoto-opiskelijaa kuudessa tiimissä.

Mikä on robotiikan projekti

Robotiikan projekti yhdistää opiskelijoiden osaamisen ja yrityksistä nousevat kehityshaasteet. Tavoitteena on antaa opiskelijoille kokemusta robotiikan suunnittelusta ja kehittämisestä tilanteissa, joissa ratkaisu ei rajaudu robotin ohjelmointiin.

Projektissa opiskelijat pääsivät soveltamaan robotiikkaosaamistaan aidossa työelämälähtöisessä toimeksiannossa. He havaitsivat käytännössä, että robottisolun kehittäminen on enemmän kuin robotin ohjelmointia: ratkaisu edellyttää tuotantoprosessin ja käyttäjien tarpeiden ymmärtämistä, suunnittelua, konenäön ja muun tekniikan yhteensovittamista, ongelmanratkaisua sekä tiivistä yhteistyötä oman tiimin ja yrityksen asiantuntijoiden kanssa.

Robotiikkaprojektin vuoden 2026 toimeksiannot saatiin kahdelta yritykseltä. Toisen yrityksen kehittämistarve tunnistettiin Lapin teollisuusalan TKI-polun kehittämishankkeen kautta yhteistyössä projektipäällikkö Tarja Vanhamaan kanssa. Toinen yritys löytyi Lapin ammattikorkeakoulun yritysverkostosta. Molemmilla yrityksillä oli käytössään robottisolu, jonka hyödyntäminen oli jäänyt odotettua vähäisemmäksi. Projektin myötä näille roboteille löytyi jälleen uusia käyttökohteita, ja niiden mahdollisuuksia päästiin tutkimaan käytännössä.

Yrityksillä on usein ideoita, joiden toteuttaminen jää kiireen tai resurssipulan vuoksi myöhempään ajankohtaan. Opiskelijaprojekteissa tällaisia ajatuksia voidaan kuitenkin lähteä kokeilemaan ja kehittämään eteenpäin. Juuri tämän kaltaiset toimeksiannot ovat opiskelijoille erityisen antoisia, koska valmista ratkaisua ei ole olemassa. Projektin aikana opitaan sietämään epävarmuutta, etsimään uusia näkökulmia ja soveltamaan omaa osaamista käytännön ongelmien ratkaisemiseen. Siksi projektit tarjoavat arvokkaan mahdollisuuden oppia uutta sekä omasta alasta että työelämän toimintatavoista.

Robotiikkaa tarkastellaan usein robotin näkökulmasta. Tällöin huomio kiinnittyy siihen, kuinka robotti suorittaa sille annetut tehtävät, kuten nostaa raskaita kappaleita tai hoitaa toistuvia työvaiheita. Todellisuudessa robotti on kuitenkin vain yksi osa laajempaa työympäristöä. Sen ympärillä toimii erilaisia laitteita, kuljettimia ja tuotannon prosesseja, joiden kanssa robotin on kyettävä toimimaan yhteistyössä.

Yhtä tärkeässä roolissa ovat ihmiset, jotka käyttävät, ylläpitävät ja kehittävät robottisolua. Heidän tarpeensa ja työskentelytapansa vaikuttavat siihen, millaisia ratkaisuja järjestelmään kannattaa rakentaa. Siksi onnistuneen robottisolun suunnittelussa on huomioitava robotin lisäksi koko ympäröivä toimintaympäristö. Kun sekä tekniset ratkaisut että käyttäjien tarpeet otetaan huomioon, voidaan rakentaa kokonaisuus, joka palvelee yrityksen toimintaa mahdollisimman tehokkaasti (Gašpar, 2017).

Ensimmäinen toimeksianto sai alkunsa tuotannossa havaitusta tarpeesta automatisoida työvaihe, jossa robotin tuli poimia laatikosta ylimpänä oleva kappale, käsitellä se välituotantovaiheessa ja siirtää sen edelleen seuraavaan työvaiheeseen. Tehtävä tarjosi opiskelijaryhmille monipuolisia haasteita, sillä pelkän ohjelmoinnin lisäksi robotin oli kyettävä tunnistamaan käsiteltävä kappale antureiden avulla. Lisäksi välituotantovaihe edellytti tarkkaa kappaleenkäsittelyä ja tarkoitukseen soveltuvan tartuntaratkaisun suunnittelua.

Toisessa toimeksiannossa keskityttiin käyttämättömäksi jääneen hitsausrobotin hyödyntämiseen osana tuotantoprosessia. Projektin keskeisenä tavoitteena oli ottaa robottisolu uudelleen käyttöön ja kehittää sille toiminnallisuuksia, jotka tukivat tuotteen jatkokäsittelyä seuraavissa valmistusvaiheissa. Samalla opiskelijat pääsivät tutustumaan robottisolun käyttöönottoon liittyviin käytännön haasteisiin.

Molemmat toimeksiannot tarjosivat opiskelijoille selkeästi rajatun, mutta aidosta työelämästä nousseen ongelman ratkaistavaksi. Projekteissa ei ollut yhtä ainoaa oikeaa ratkaisua, vaan eri tiimit pystyivät lähestymään tehtäviä omista lähtökohdistaan ja kehittämään erilaisia toteutustapoja. Tämä antoi opiskelijoille mahdollisuuden soveltaa osaamistaan käytännössä, vertailla vaihtoehtoisia ratkaisuja ja oppia toisiltaan projektin aikana.

Aikataulu ja käytännön toteutus

Projektin toteutus perustui pääosin etätyöskentelyyn. Opiskelijaryhmät kokoontuivat säännöllisesti Zoom-palavereihin, joissa analysoitiin toimeksiantojen sisältöä, jaettiin tehtäväkokonaisuuksia hallittaviin osiin sekä seurattiin projektien etenemistä yhdessä. Säännölliset tapaamiset tukivat ryhmien yhteistyötä ja auttoivat pitämään projektit aikataulussa.

Projektinhallinnan työkaluna käytettiin Azure DevOps -ympäristöä, johon määriteltiin projektien tehtävät, vastuut ja aikataulut. Kuviossa 1 on esitetty esimerkki projektiryhmän tehtävärakenteen kahdesta ylimmästä hierarkiatasosta. Azure DevOps mahdollisti tehtävien seurannan, työn priorisoinnin sekä ketterien menetelmien hyödyntämisen koko projektin ajan. Työskentely eteni kolmen viikon mittaisissa sprinteissä, mikä toi projektiin selkeän rytmin ja auttoi ryhmiä etenemään tavoitteellisesti.

Samalla opiskelijat saivat käytännön kokemusta projektinhallinnan työkaluista ja toimintatavoista, joita hyödynnetään laajasti myös työelämässä. Tämän ansiosta projektissa ei kehitetty ainoastaan teknistä osaamista, vaan myös yhteistyö-, suunnittelu- ja projektinhallintataitoja. (Microsoft, 2026)

Kuvio 1. Azure DevOps kolmen viikon sprinttien hallintaan.

Vaikka projektityöskentely perustui pääosin etäyhteyksien hyödyntämiseen, robotiikan käytännönläheisyys edellytti myös lähityöskentelyä. Projektin aikana järjestettiin yhteisiä aloitustilaisuuksia, työpajoja ja ohjauskertoja, minkä lisäksi opiskelijatiimit työskentelivät koulun tiloissa suunnitellen, testaten ja toteuttaen projektiensa ratkaisuja.

Etä- ja lähityöskentelyn yhdistelmä tuki projektien etenemistä sekä mahdollisti oppimisen käytännön robotiikkaympäristöissä. Näin opiskelijat pääsivät yhdistämään teoreettisen suunnittelutyön ja käytännön toteutuksen osaksi samaa oppimisprosessia.

Konenäköön perustuva robottisoluratkaisu

Projektiin osallistuneet opiskelijat olivat tutustuneet aiemmilla opintojaksoilla OpenCV-konenäkökirjastoon, jota käytetään yleisesti Python-ohjelmointikielen yhteydessä (OpenCV, 2026). Koska projektissa käytetyissä robottisoluissa ei ollut erillistä suorituskykyistä tietokonetta konenäön käsittelyyn, opiskelijat rakensivat ratkaisut omille työasemilleen. Tietokone analysoi kameran välittämää kuvaa ja välitti havaintojen perusteella robotille komentoja tarvittavien työvaiheiden suorittamiseksi.

OpenCV:n etuna on sen saavutettavuus ja joustavuus. Jo tavallisen verkkokameran avulla voidaan toteuttaa toimiva prototyyppi, jonka avulla uuden idean tai toimintamallin toimivuutta voidaan arvioida käytännössä ilman suuria laiteinvestointeja.

Projektien keskeisenä haasteena oli tunnistaa laatikossa olevista kappaleista seuraavaksi käsiteltävä kohde. Useat opiskelijaryhmät lähestyivät ongelmaa analysoimalla kappaleiden sijaintia suhteessa kameraan. Tällöin oletuksena oli, että kameraa lähimpänä oleva kappale sijaitsee pinon päällä ja on siten robotin helpoimmin saavutettavissa.

Osa ryhmistä puolestaan hyödynsi OpenCV:n lisäksi YOLO-objektintunnistuskirjastoa. Tässä lähestymistavassa tekoälymallille opetettiin tunnistettavien kappaleiden muodot, minkä ansiosta järjestelmä pystyi havaitsemaan kappaleita myös tilanteissa, joissa ne eivät olleet pinon päällimmäisenä. Jos kappale oli esimerkiksi osittain näkyvissä laatikon reunalla mutta edelleen robotin ulottuvilla, järjestelmä pystyi tunnistamaan sen mahdolliseksi poimintakohteeksi.

Kaikissa tilanteissa nostettavaa kappaletta ei kuitenkaan ollut välittömästi saatavilla. Tällöin osa ryhmistä suunnitteli toimintamalleja, joissa robotti siirteli tai sekoitti laatikossa olevia kappaleita, jotta uusi poimittava kohde saatiin näkyviin ja saavutettavaksi.

Kappaleen tunnistaminen on kuitenkin vasta osa tehtävää. Jotta robotti voi tarttua kohteeseen, on kameran havaitsema sijainti muunnettava robotin käyttämään koordinaatistoon. Lisäksi kappaleesta on määritettävä tarkoituksenmukainen tartuntapiste, jonka perusteella robotti voidaan ohjata suorittamaan poiminta turvallisesti ja luotettavasti. Juuri tällaiset konenäön, ohjelmistojen ja robotiikan yhteensovittamiseen liittyvät haasteet muodostivat merkittävän osan opiskelijoiden oppimiskokemuksesta projektin aikana.

CAD-mallinnuksen hyödyntäminen robottisimuloinnissa

CAD-mallinnus täydentää robottisimulointia erityisesti silloin, kun kaikkia tarvittavia komponentteja ei vielä ole valmiina digitaalisessa muodossa. Tällöin puuttuvat osat voidaan mallintaa CAD-ohjelmalla, kuten Autodesk Inventorilla, ja siirtää simulointiin, jolloin robottisolun sijoittelu, liikeradat, tilankäyttö ja mahdolliset pullonkaulat voidaan arvioida jo suunnitteluvaiheessa. Visual Components -simulointiohjelmisto pystyy lukemaan Autodesk Inventorin tiedostomuotoja, kuten .ipt- ja .iam-tiedostoja, mikä helpottaa mallien hyödyntämistä osana kokonaisuutta.

Kuviossa 2 esitetään esimerkki 2D-kuvan pohjalta tehdystä 3D-mallinnuksesta ilmaisohjelmistolla. Ennen kuin toimeksiantajalta saatiin varsinaiset 3D-tiedostot, opiskelijoille tarjottiin mahdollisuus tuottaa vastaavia malleja myös 2D-kuvien perusteella, ja menetelmän käyttöä harjoiteltiin ohjatusti. Tämä auttoi muodostamaan simulointikelpoisen lähtöaineiston jo varhaisessa vaiheessa.

Kuvio 2. 3D Mallinnus 2D kuvasta käyttäen ilmaisohjelmistoja

Kuviossa 3 sama 2D-kuvasta tuotettu 3D-malli on siirretty Visual Components -ympäristöön OBJ-tiedostona. Esimerkki havainnollistaa hyvin, miten jo kevyilläkin mallinnustyökaluilla voidaan tuottaa käyttökelpoista aineistoa robottisimulaatiota varten. Näin CAD-mallinnus tukee suunnittelua ja auttaa konkretisoimaan ratkaisua ennen varsinaista käyttöönottoa.

Kuvio 3. 3D kuvan siirto Visual Components ohjelmistolle simulointia varten

Robottisolujen toteutus simulaatiossa

Robottisolujen simulointi mahdollistaa tuotantojärjestelmän toiminnan arvioinnin ennen varsinaisten muutosten toteuttamista fyysisessä ympäristössä. Simulaation avulla voidaan tarkastella robotin työalueita, liikeratoja, törmäysriskejä sekä materiaalivirtoja ilman tuotannon keskeytyksiä tai laitteistoon kohdistuvia investointeja. Tämä vähentää käyttöönottoon liittyviä riskejä ja mahdollistaa vaihtoehtoisten ratkaisujen vertailun jo suunnitteluvaiheessa.

Projektin aikana opiskelijaryhmät rakensivat toimeksiantoihin liittyviä robottisolumalleja Visual Components -ohjelmistolla. Simulointimallit sisälsivät robotin lisäksi robotin käsivarren viimeisen osan (end-effector, esim. hitsauspää), työstettävän esineen kinnittämiseen tarvittavat osat esim. jigi, kuljettimia sekä muita prosessiin liittyviä laitteita. Mallien avulla voitiin arvioida, kuinka hyvin suunniteltu ratkaisu soveltuisi käytännön tuotantoympäristöön ja millaisia muutoksia robottisoluun tarvittaisiin ennen käyttöönottoa.

CAD-ohjelmistolla mallinnetut robottisolun komponentit tuotiin Visual Components -ohjelmistoon osaksi simulointimallia. Itse robotti ja hitsauspää löytyvät Visual Componentsin komponenttikirjastosta, mikä nopeutti simulointimallin rakentamista ja mahdollisti keskittymisen robottisolun toiminnalliseen suunnitteluun. (Visual Components, 2026).

Simulaatioympäristössä opiskelijat pystyivät testaamaan erilaisia toimintavaihtoehtoja nopeasti ja turvallisesti. Esimerkiksi robotin työkiertoaikoja, kappaleiden käsittelyjärjestystä sekä työasemien sijoittelua voitiin muuttaa ilman fyysisiä muutostöitä. Samalla saatiin arvokasta tietoa mahdollisista pullonkauloista ja tuotannon tehokkuuteen vaikuttavista tekijöistä. Tämä korostaa simuloinnin merkitystä osana nykyaikaista robotiikan suunnitteluprosessia.

Simulointi toimi projektissa myös viestinnän välineenä opiskelijoiden, opettajien ja toimeksiantajayritysten välillä. Kolmiulotteinen malli havainnollisti suunniteltuja ratkaisuja huomattavasti paremmin kuin pelkät piirustukset tai kirjalliset kuvaukset. Yritysten edustajat pystyivät tarkastelemaan suunnitelmia visuaalisesti ja antamaan palautetta jo kehitystyön alkuvaiheessa, mikä nopeutti ratkaisujen arviointia ja jatkokehitystä.

Kuviossa 4 on esitetty Visual Components -ohjelmistolla toteutettu simulointimalli hitsausrobottisolusta. Malli havainnollistaa robottisolun keskeiset komponentit, niiden sijoittelun sekä suunnitellun tuotantoympäristön rakenteen ennen varsinaista käyttöönottoa.

Kuvio 4. Visual Components mallinnus robottisolusta

Robotiikka ei ole vain ohjelmointia vaan kokonaisuus tuotannon ja tuotannonsuunnittelun välillä

Robottisolujen kehitystyössä on tärkeää tarkastella kokonaisuutta laajemmin kuin vain itse robottia tai sen ohjelmointia. Onnistunut robotiikan projekti edellyttää tuotannonsuunnittelun, materiaalivirtojen, työvaiheiden yhteensovittamisen sekä henkilöstöresurssien huomioimista, jotta robottisolu tukee tuotannon tehokkuutta ja joustavuutta.

Lapin AMKin robotiikkaopiskelijat toteuttivat vuonna 2026 projektin yhteistyössä Marttiini Metallin kanssa. Tavoitteena oli kehittää yrityksen OTC Daihen -hitsausrobottisolun hyödyntämistä simuloinnin, prosessisuunnittelun ja tiekartan avulla (roadmap). Projektin tuloksena syntyi toimiva simulaatiomalli Visual Components -ohjelmistolla, käyttöönottoa tukeva tiekartta sekä arvokkaita havaintoja robottisolun kehittämisen edellytyksistä tuotantoympäristössä.

Kuvio 5. Robotiikan projekti -tiekartta (opiskelijat tekivät vastavantyyppisen tiekartan yrityksen käyttöön)

Projektin aikana havaittiin, että robottisolujen kehittäminen on teknisen toteutuksen lisäksi vahvasti myös tuotannonsuunnittelua ja resurssien hallintaa. Kun yrityksen tavoitteet tarkentuivat projektin edetessä ja etäohjelmointiympäristön puuttuminen rajoitti käytännön ohjelmointityötä, opiskelijat mukauttivat työn painopistettä simulointiin ja tiekartan laatimiseen. Näin projektissa tuotettiin materiaalia, jota yritys voi hyödyntää pitkäjänteisesti robottisolun jatkokehityksessä. Kuviossa 5 esitetään esimerkki projektin aikana laaditusta tiekartasta.

Projektien perusteella yrityksen lähtötietojen, kuten tuotantomäärien, tuotevariaatioiden, materiaalivirtojen ja kapasiteettitarpeiden täsmentäminen jo alkuvaiheessa tukee opiskelijatiimin työn kohdentamista.

Opiskelijaprojekti tuottaa parhaat tulokset silloin, kun se kytkeytyy yrityksen olemassa olevaan kehitystyöhön ja yrityksen asiantuntijat osallistuvat aktiivisesti projektin ohjaukseen esimerkiksi ketterän kehityksen menetelmän jaksopalavereihin (sprint meetings).

Tuotannonsuunnittelussa on tärkeää tarkastella prosessia myös robotin näkökulmasta. Vaikka robotti toistaa ohjelmoidun liikeradan erittäin tarkasti, voivat valmistettavat kappaleet poiketa toisistaan esimerkiksi toleranssien, materiaalivaihteluiden tai lämpömuodonmuutosten vuoksi. Hitsauksessa kappaleet voivat vetäytyä tai vääntyä lämpökuormituksen seurauksena, mikä vaikuttaa suoraan robotin kykyyn suorittaa työ halutulla tarkkuudella. Tämän vuoksi robotisoinnissa ei riitä pelkkä robotin ohjelmointi, vaan koko tuotantoprosessia on tarkasteltava kokonaisuutena aina kappaleiden valmistuksesta ja kiinnityksistä laadunhallintaan sekä tuotannon toistettavuuteen asti.

Saumanseuranta, oikotie onneen?

OTC Daihen -hitsausrobottien saumanseurantaominaisuus on yksi nykyaikaisen robottihitsauksen tärkeimmistä tekniikoista. Sen tarkoituksena on varmistaa, että robotti seuraa hitsattavaa saumaa tarkasti myös silloin, kun kappaleissa esiintyy valmistusvirheitä, lämpölaajenemista tai pieniä asemointipoikkeamia. Perinteisessä robottihitsauksessa robotin liikerata opetetaan tarkasti etukäteen, mutta käytännössä kappaleet eivät koskaan ole täysin identtisiä. Tällöin saumanseuranta mahdollistaa robotin automaattisen korjauksen reaaliaikaisesti, mikä parantaa hitsin laatua ja vähentää hylkyjen määrää. Alla olevassa kuviossa 6 on esimerkki OTC DAIHENin laserpohjasisesta saumanseuranta-anturista, jossa punainen laserviiva näkyy työkappaleen pinnalla (DAIHEN Corporation 2017)

Projektin näkökulmasta saumanseurannan testaaminen antoi arvokasta käytännön tietoa siitä, miten ominaisuus käyttäytyy todellisessa tuotantoympäristössä. Projektin ensimmäisessä vaiheessa saumanseurantaa testattiin yksinkertaisessa suorassa lineaarihitsissä, jossa sen toimivuus saatiin osoitettua hyvin. Testauksen suunnittelusta ja määrittelystä vastasivat opiskelijat, jotka myös dokumentoivat testauksen toteutuksen ja tulokset osana projektin tuotoksia. Käytännön testaus toteutettiin tuotannon robottisolulla, mikä mahdollisti ominaisuuden arvioinnin aidossa ympäristössä simulaation sijaan.

Projektin tulokset osoittivat, että saumanseuranta pystyy parhaimmillaan kompensoimaan pieniä kappaleiden asemointi- ja toleranssivirheitä ilman, että hitsauksen laatutaso heikkenee merkittävästi. Samalla havaittiin kuitenkin myös se, että saumanseurannan käyttöönotto vaatii käyttäjältä ymmärrystä itse prosessista. Ominaisuuden toiminta perustuu useisiin parametreihin, joiden oikea säätäminen vaikuttaa suoraan siihen, kuinka luotettavasti robotti pystyy seuraamaan saumaa. Mikäli parametrit eivät vastaa hitsattavaa kohdetta tai hitsausprosessia, voi seurauksena olla virheellinen liikerata tai epävakaa hitsausprosessi.

Projektin aikana havaittiin myös, että saumanseurannan kehittäminen on käytännössä vaikeaa toteuttaa täysin simulaatioympäristössä. Vaikka robottien offline-ohjelmointi ja simulointi ovat tärkeä osa modernia robotiikkaa, eivät ne kykene täysin mallintamaan todellisen hitsausprosessin ilmiöitä, kuten kappaleiden vetelyä, railon vaihtelua tai hitsauskaaren käyttäytymistä. Samalla projektissa korostui myös se, että näitä ilmiöitä tulisi pyrkiä minimoimaan jo tuotannonsuunnittelun eri vaiheissa. Kappaleiden mallinnus, leikkausmenetelmät, jigien suunnittelu sekä esikokoonpanon toteutus vaikuttavat kaikki siihen, kuinka hallitusti hitsattava kokonaisuus käyttäytyy varsinaisessa hitsausvaiheessa. Mitä paremmin tuotannon alkuvaiheet on suunniteltu robottihitsausta ajatellen, sitä vakaammin myös saumanseuranta pystyy toimimaan ja sitä vähemmän robotin tarvitsee kompensoida valmistuksessa syntyneitä poikkeamia. Tämän vuoksi ominaisuuden lopullinen parametrien säätö, käyttöönotto ja toiminnan varmistaminen täytyy tehdä aidossa tuotantoympäristössä, tiiviissä yhteistyössä tuotannonsuunnittelun kanssa. Juuri tästä syystä projektin toteuttaminen tuotannon robottisolulla toi merkittävää lisäarvoa sekä opiskelijoille että yritykselle. (TWI Ltd., 2022)

Kuvio 6. OTC DAIHENin laserpohjainen saumanseuranta-anturi. Lähde: OTC DAIHEN, FD-QT Laser Tracking Sensor. OTC DAIHEN Inc

Henkilöstöresurssit ja opiskelijayhteistyö

Henkilöstöresurssien merkitys robotisoinnissa jää usein liian vähälle huomiolle. Robottisolu ei korvaa osaamista, vaan muuttaa ja laajentaa sitä. Tuotannon henkilöstön tulee ymmärtää robotin toimintalogiikka, osata reagoida häiriötilanteisiin sekä ylläpitää ohjelmia muuttuvan tuotevariaation mukaisesti. Tämän vuoksi on tärkeää, että kehitystyöhön sisällytetään jo alkuvaiheessa suunnitelma koulutuksesta ja sisäisestä tiedon jakamisesta teknisen toteutuksen rinnalle.

Yritysten kanssa tehdyt projektit loivat vahvan perustan jatkokehitykselle. Tulevissa projekteissa yritys voi entisestään hyödyntää opiskelijoiden osaamista esimerkiksi jigien suunnittelussa sekä robotin ohjelmoinnissa, mukaan lukien etäohjelmointiympäristöjen kehittäminen ja käyttöönotto.

Opiskelijayhteistyö tarjoaa yrityksille merkittäviä mahdollisuuksia osaamisen kehittämiseen ja uusien ratkaisujen kokeiluun. Parhaimmillaan yhteistyö on avointa ja tavoitteellista, jolloin eri osapuolet voivat jakaa tietoa ja oppia toisiltaan jo projektin alkuvaiheista lähtien.

Lähteet

DAIHEN Corporation. 2017. Almega Friendly series Laser Tracking Sensor FD-QT. PDF-dokumentti. Saatavissa: https://www.daihen.co.jp/newinfo_2017/pdf/170926.pdf. Viitattu 24.8.2026.

Gašpar, Timotej, et al. Rapid Hardware and Software Reconfiguration in a Robotic Workcell. July 2017, pp. 229–36, doi:10.1109/icar.2017.8023523.

Microsoft. 2026. About work items and work item types. Microsoft Learn. Saatavissa: https://learn.microsoft.com/en-us/azure/devops/boards/work-items/about-work-items?view=azure-devops. Viitattu 24.8.2026.

OpenCV. 2026. OpenCV Documentation. Saatavissa: https://docs.opencv.org/5.0/. Viitattu 01.09.2026.

TWI Ltd. Robotic Arc Welding. TWI. Saatavissa: https://www.twi-global.com/technical-knowledge/job-knowledge/robotic-arc-welding-135. Viitattu 25.8.2026.

Visual Components. 2026. Visual Components eCatalog. Saatavilla: https://www.visualcomponents.com/ecatalog/