Skip to main content

Recogida de objetos en contenedores: un verdadero desafío para los robots

Ines Ugalde Díaz | Inventores del Año de Siemens | Nuevos talentos

Hay tareas que son fáciles para los seres humanos, pero muy difíciles para los robots, y la recogida de objetos de contenedores en una de esas tareas. Por ejemplo, los robots deben ser capaces de recoger una sola pieza de un contenedor que contiene una pila de piezas sueltas sin clasificar y dispuestas de manera desordenada, 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 Nuevos talentos por una solución de recogida de objetos en contenedores que se puede adaptar de manera flexible para diferentes herramientas de agarre robóticas. Este invento, en particular, se seleccionó porque sirve como la semilla de la próxima generación de Siemens SIMATIC Robot Pick AI. Pick AI se ha presentado en numerosas ferias comerciales, incluida la Feria de Hannover de este año, celebrada en Alemania en la primavera de 2024.

Pinzas de vacío

Una persona de pie frente a una pizarra blanca cubierta con diagramas y notas escritas a mano relacionadas con el reconocimiento y la clasificación de objetos 3D.

Muchos robots realizan el agarre mediante la creación de un vacío. Al final de su brazo, lo que se denomina efector terminal, 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 apoyarse 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", comenta Ines. "En realidad, ese es un aspecto único de nuestro producto que nos diferencia de todos los competidores".

Ver más allá del caos

En el caos de un contenedor, las piezas sueltas 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 pieza y dónde termina y entender cómo está posicionada para encontrar un lugar donde pueda tener un buen agarre. Una cámara 3D proporciona los datos necesarios (la vista actual de la caja). 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.

Mejorar el software estándar

El invento galardonado se basa en la comprensión de la escena, en particular en la distinción del contenedor y los objetos individuales. Esto generalmente se conoce como “segmentación de instancias”, un problema habitual 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 la recogida de objetos en contenedores. Ines y su grupo mejoraron el rendimiento de estas soluciones estándar a niveles satisfactorios al brindarles un entrenamiento adicional sobre conjuntos de datos específicos: por ejemplo, datos del mundo real provenientes de las células robóticas de 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 un mejor rendimiento

Una mano señala la pantalla de una computadora en la que se muestra una imagen digital colorida con una marca de verificación verde que indica que el procesamiento se realizó correctamente.

“Nuestra solución está diseñada para funcionar en cualquier ubicación del cliente, porque la entrenamos en vastos conjuntos de datos de fuentes sintéticas y del mundo real”, afirma 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 incorporar conjuntos de datos a gran escala de flotas de robots a 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, incluido el 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 ampliando las fronteras de la manipulación robótica.