Skip to main content
Тази страница се показва с помощта на автоматизиран превод. Вместо това вижте на английски?

Избиране на кошчета: Истинско предизвикателство за роботите

Инес Угалде Диас | Изобретатели на годината на Siemens | Новодошлите

Има задачи, които са лесни за хората, но наистина трудни за роботите, а събирането на кошчета е една от тези задачи. Например роботите трябва да могат да вземат една част от кошчето, съдържащо несортирана, хаотично подредена купчина от отделни части като купчина парцели.

Инес Угалде Диас и нейният екип в Бъркли (САЩ) разработват системи за управление на роботи повече от шест години и досега са направили над 40 изобретения. Инес бе отличена като изобретател на годината 2024 в категорията за новодошлите за решение за събиране на кофи, което може да бъде гъвкаво модифицирано за различни инструменти за захващане на роботи. Това конкретно изобретение е избрано, защото служи като семе на следващото поколение на Siemens SIMATIC Robot Pick AI. Pick AI е представен на множество търговски изложения, включително тазгодишния панаир в Хановер в Германия през пролетта на 2024 г.

Хващане чрез вакуум

A person is standing in front of a whiteboard covered with diagrams and handwritten notes related to 3D object recognition and ranking.

Много роботи се хващат, като създават вакуум. В края на ръката си - това, което се нарича краен ефектор - роботите използват една или повече вендузи, за да упражняват вакуум върху обекта, който трябва да бъде захванат. За да направите това, вендузите трябва да кацнат на оптимална, плоска, гладка и непореста повърхност. Има много варианти на вендузи в различни размери и форми, с правоъгълна или квадратна основа и с една или повече вендузи.

„Нашето ново изобретение улеснява използването на смукателни захващачи с различни размери и подреждане. От клиента зависи да реши какво иска „, казва Инес. „Това всъщност е много уникален аспект на нашия продукт, който ни отличава от всички конкуренти.“

Виждайки през хаоса

В хаоса на кошчето отделните части лежат една върху друга в случайни пространствени ориентации. Роботът първо трябва да разпознае структурата в този хаос: Той трябва да идентифицира къде започва и къде завършва дадена част и да разбере как е позиционирана, за да намери място, където да получи добро сцепление. Необходимите данни - текущият изглед на кутията - се предоставят от 3D камера. Алгоритмите за изкуствен интелект, които са обучени да диференцират отделните обекти в тези изображения, поставят основата за управление на ръката на робота.

Подобряване на стандартен софтуер

Награденото изобретение се основава на разбирането на сцената, по-специално разграничавайки кошчето и отделните обекти. Това обикновено се нарича „сегментиране на екземпляри“, стандартен проблем в машинното обучение и компютърното зрение. Вече има много предварително обучени модели за тази задача, които са се възползвали от обучението по милиони примери. Те са добри, но са твърде общи и правят грешки в сценариите за избор на двойки. Инес и нейната група подобриха ефективността на тези стандартни решения до задоволителни нива, като им дадоха допълнително обучение за специфични набори от данни: например данни от реалния свят от съществуващи роботизирани клетки Pick AI.

A person is working at a desk with two computer monitors displaying code and a robotic arm visible in the foreground.

Споделяне на данни за по-добро представяне

A hand is pointing at a computer screen showing a colorful digital image with a green checkmark indicating successful processing.

„Нашето решение е предназначено да работи на всеки клиентски сайт, защото го обучихме върху огромни набори от данни както от синтетични, така и от реални източници“, казва Инес. „Справя се наистина добре върху кутии, бутилки и торбички, а също и ако частта е обвита в пластмасово фолио. По принцип клиентите не трябва да виждат никаква оперативна деградация, но ако го направят, те могат да позволят на моделите да се учат от своите неуспехи. Това е част от нашата стратегия за продукта. Подготвяме се да поглъщаме мащабни набори от данни от флоти от роботи в облака на Siemens, който има способността да използва случай на неуспех, за да направи нашия продукт по-добър - не само за един клиент, но и за всички клиенти, които са съгласни за споделяне на данни.“ Подобренията водят не само до повишаване на производителността, но и до разкриване на нови случаи на употреба. „Показахме, че с минимални усилия можем да модифицираме софтуера, за да поемем напълно нови случаи на употреба, включително роботизирано депалетизиране“, обяснява Инес. Pick AI е в основата на новоразгърната роботизирана клетка за депалетизиране в един от производствените складове на Siemens в Ерланген, Германия. Благодарение на данните екипът пресича границите на роботизираната манипулация.