Skip to main content

Extracción de contenedores: un verdadero desafío para los robots

Ines Ugalde Diaz | Inventores del año de Siemens | Nuevos talentos

Hay tareas que son fáciles para los humanos pero muy difíciles para los robots, y extraer contenedores es una de esas tareas. Por ejemplo, los robots tienen que poder recoger una sola pieza de un contenedor que contenga un montón de piezas individuales sin clasificar y dispuestas caóticamente, como un montón de paquetes.

Ines Ugalde Diaz y su equipo de Berkeley (EE. UU.) llevan más de seis años desarrollando sistemas de control de robots y hasta ahora han diseñado más de 40 inventos. Ines fue galardonada como Inventora del año 2024 en la categoría Nuevos talentos por una solución para extraer contenedores que se puede modificar de forma flexible para diferentes herramientas de agarre robótico. Este invento en particular se seleccionó porque es la semilla de la próxima generación de Siemens SIMATIC Robot Pick AI. Pick AI ha participado en numerosas ferias comerciales, incluida la feria de Hannover de este año en Alemania, en la primavera de 2024.

Extracción por vacío

Hay una persona de pie frente a una pizarra blanca cubierta de diagramas y notas manuscritas relacionadas con el reconocimiento y la clasificación de objetos en 3D.

Muchos robots extraen creando un vacío. En la punta del brazo, lo que se llama efector final, los robots emplean una o más ventosas para ejercer vacío sobre el objeto que van a extraer. Para ello, las ventosas tienen que caer sobre una superficie óptima, plana, lisa y no porosa. Hay muchas variantes de ventosas de diferentes tamaños y formas, con una base rectangular o cuadrada y con una o más ventosas.

«Nuestro nuevo invento facilita el uso de pinzas por succión de diferentes tamaños y disposiciones. Depende del cliente decidir lo que quiere», afirma Ines. «De hecho, ese es un aspecto único de nuestro producto que nos diferencia de todos los competidores».

Superar el caos

En el caos de un contenedor, las piezas individuales están una encima de la otra en orientaciones espaciales aleatorias. El robot primero tiene que reconocer la estructura en este caos: tiene que identificar dónde empieza y dónde termina una pieza y entender su posición para encontrar un lugar del que pueda extraerlo. Los datos necesarios; la vista actual de la caja, los proporciona una cámara 3D. Los algoritmos de IA que se han entrenado para diferenciar los objetos individuales de estas imágenes sientan las bases para controlar el brazo robótico.

Mejorar el software estándar

El invento premiado se basa en la comprensión de la escena, en particular en distinguir el contenedor de los objetos individuales. Esto normalmente se denomina «segmentación de instancias», un problema estándar en el aprendizaje automático y la visión artificial. Ya hay muchos modelos preentrenados para esta tarea que se han beneficiado del entrenamiento con millones de ejemplos. Son buenos, pero son demasiado generales y cometen errores en los escenarios de extracción de contenedoesr. Ines y su grupo mejoraron el rendimiento de estas soluciones estándar hasta niveles satisfactorios al darles un entrenamiento adicional sobre conjuntos de datos específicos: por ejemplo, datos del mundo real de las células robóticas Pick AI existentes.

Una persona trabaja en un escritorio con dos monitores de ordenador que muestran el código y un brazo robótico visible en primer plano.

Intercambio de datos para mejorar el rendimiento

Una mano señala la pantalla de un ordenador que muestra una imagen digital colorida con una marca de verificación verde que indica que se ha procesado correctamente.

«Nuestra solución está pensada para que funcione en las instalaciones de cualquier cliente, porque la hemos diseñado con enormes conjuntos de datos de fuentes sintéticas y del mundo real», afirma Ines. «Funciona muy bien con cajas, botellas y bolsas, y también si la pieza viene envuelta en papel de aluminio. En principio, los clientes no deberían ver ninguna degradación operativa, pero si la ven, pueden permitir que los modelos aprendan de sus fallas. Esto forma parte de nuestra estrategia para el producto. Nos estamos preparando para introducir conjuntos de datos a gran escala de flotas de robots en la nube de Siemens, que tiene la capacidad de aprovechar un caso de falla para mejorar nuestro producto, no solo para un cliente, sino para todos los clientes que están de acuerdo en compartir datos». Las mejoras no solo conducen a un aumento del rendimiento, sino también a revelar nuevos casos prácticos. «Hemos demostrado que, con un mínimo esfuerzo, podemos modificar el software para que se adapte a casos prácticos completamente novedosos, incluido el despaletizado robótico», explica Ines. Pick AI es la base de una célula despaletizadora robótica recientemente desplegada en uno de los almacenes productivos de Siemens en Erlangen (Alemania). Gracias a los datos, el equipo está ampliando los límites de la manipulación robótica.