Skip to main content
Para mostrar esta página se usa traducción automática. ¿Ver en inglés en su lugar?
Una pinza robótica con ventosas sostiene una pequeña caja de cartón mientras es ajustada por una persona.

Recogida de basura: un verdadero desafío para los robots

Ines Ugalde Díaz | Inventores del año de Siemens | Recién llegado

Hay tareas que son fáciles para los humanos pero muy difíciles para los robots, y la recolección de basura es una de esas tareas. Por ejemplo, los robots necesitan ser capaces de sacar una sola parte de un contenedor que contiene una pila sin clasificar y caóticamente dispuesta de partes individuales, como una pila de paquetes.

Ines Ugalde Díaz y su equipo en Berkeley (EE.UU.) han estado desarrollando sistemas de control de robots durante más de seis años y han hecho más de 40 inventos hasta ahora. Ines fue galardonada como Inventora del Año 2024 en la categoría de recién llegado por una solución de recolección de basura que se puede modificar de manera flexible para diferentes herramientas de agarre robótico. Este invento en particular fue seleccionado porque sirve como la semilla de la próxima generación de Siemens SIMATIC Robot Pick AI. Pick AI ha aparecido en numerosas ferias comerciales, incluida la feria de Hannover de este año en Alemania en la primavera de 2024.

Agarre por la aspiradora

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

Muchos robots se agarran creando una aspiradora. Al final de su brazo, lo que se llama el efector final, los robots emplean una o más ventosas para ejercer un vacío sobre el objeto que se va a agarrar. Para hacer esto, las ventosas tienen que aterrizar sobre una superficie óptima, plana, lisa y no porosa. Hay muchas variantes de ventosas en diferentes tamaños y formas, con una base rectangular o cuadrada y con una o más ventosas.

“Nuestro nuevo invento facilita el uso de pinzas de succión en tamaños y disposiciones variables. Es decisión del cliente decidir lo que quiere”, dice Ines. “En realidad, ese es un aspecto único de nuestro producto que nos diferencia de todos los competidores”.

Viendo a través del caos

En el caos de un contenedor, las partes individuales se encuentran una encima de la otra en orientaciones espaciales aleatorias. El robot primero tiene que reconocer la estructura en este caos: necesita identificar dónde comienza una parte y dónde termina y entender cómo está posicionada para encontrar un lugar donde pueda tener un buen agarre. Los datos necesarios (la vista actual de la caja) son proporcionados por una cámara 3D. Los algoritmos de IA que han sido entrenados para diferenciar los objetos individuales en estas imágenes sientan las bases para controlar el brazo del robot.

Mejorando el software estándar

El invento galardonado se basa en la comprensión de la escena, en particular la distinción del contenedor y los objetos individuales. Esto generalmente se conoce como “segmentación de instancias”, un problema estándar en aprendizaje automático y visión artificial. Ya hay muchos modelos preentrenados para esta tarea que se han beneficiado de la capacitación en millones de ejemplos. Son buenos, pero son demasiado generales y cometen errores en los escenarios de recolección de portería. Ines y su grupo mejoraron el rendimiento de estas soluciones estándar a niveles satisfactorios al brindarles una capacitación adicional sobre conjuntos de datos específicos: por ejemplo, datos del mundo real de las células robóticas Pick AI existentes.

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

Intercambio de datos para un mejor rendimiento

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

“Nuestra solución está diseñada para funcionar en cualquier sitio del cliente, porque la capacitamos en vastos conjuntos de datos de fuentes sintéticas y del mundo real”, dice Ines. “Le va muy bien en cajas, botellas y bolsas, y también si la pieza viene envuelta en papel de plástico. En principio, los clientes no deberían ver ninguna degradación operativa, pero si lo hacen, pueden permitir que los modelos aprendan de sus fallas. Esto es parte de nuestra estrategia para el producto. Nos estamos preparando para ingerir 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 de rendimiento, sino también a revelar nuevos casos de uso. “Hemos demostrado que con un mínimo esfuerzo podemos modificar el software para que asuma casos de uso completamente novedosos, incluyendo despaletizado robótico”, explica Ines. Pick AI es el núcleo de una célula robótica despaletizadora recientemente desplegada en uno de los almacenes productivos de Siemens en Erlangen, Alemania. Gracias a los datos, el equipo está empujando las fronteras de la manipulación robótica.