Skip to main content

Prelievo da contenitori: Una vera sfida per i robot

Ines Ugalde Diaz | Inventori dell'anno Siemens | Nuova arrivata

Ci sono compiti che sono facili per gli esseri umani ma davvero difficili per i robot, e il prelievo da contenitori è uno di questi compiti. Ad esempio, i robot devono essere in grado di prelevare un singolo pezzo da un contenitore contenente un mucchio di pezzi individuali disordinati e disposti in modo caotico, come un mucchio di pacchi.

Ines Ugalde Diaz e il suo team a Berkeley (Stati Uniti) stanno sviluppando sistemi di controllo per robot da oltre sei anni e hanno realizzato oltre 40 invenzioni finora. Ines è stata premiata come Inventore dell'Anno 2024 nella categoria Nuovo arrivato per una soluzione di prelievo che può essere modificata in modo flessibile per diversi strumenti di presa robotica. Questa particolare invenzione è stata selezionata perché funge da seme per la prossima generazione di Siemens SIMATIC Robot Pick AI. Pick AI è stata presentata in numerose fiere, inclusa la fiera di Hannover di quest'anno in Germania nella primavera del 2024.

Presa mediante sottovuoto

Una persona è in piedi di fronte a una lavagna bianca coperta di diagrammi e appunti scritti a mano relativi al riconoscimento e alla classificazione di oggetti 3D.

Molti robot afferrano creando un vuoto. All'estremità del loro braccio – quello che si chiama l'effettore finale – i robot utilizzano una o più ventose per esercitare un vuoto sull'oggetto da afferrare. Per fare questo, le ventose devono posarsi su una superficie ottimale, piatta, liscia e non porosa. Ci sono molte varianti di ventose in diverse dimensioni e forme, con una base rettangolare o quadrata e con una o più ventose.

"La nostra nuova invenzione facilita l'uso di pinze a ventosa in dimensioni e configurazioni variabili. Sta al cliente decidere cosa vuole”, dice Ines. “Questo è in realtà un aspetto davvero unico del nostro prodotto, che ci differenzia da tutti i concorrenti.”

Vedere attraverso il caos

Nel caos di un contenitore, le singole parti giacciono l'una sopra l'altra in orientamenti spaziali casuali. Il robot deve prima riconoscere la struttura in questo caos: Deve identificare dove inizia e dove finisce una parte e comprendere come è posizionata per trovare un luogo dove possa avere una buona presa. I dati necessari – la vista attuale della scatola – sono forniti da una fotocamera 3D. Gli algoritmi di intelligenza artificiale che sono stati addestrati a differenziare i singoli oggetti in queste immagini pongono le basi per il controllo del braccio robotico.

Migliorare il software standard

L'invenzione premiata si basa sulla comprensione della scena, in particolare distinguendo il contenitore e i singoli oggetti. Questo è solitamente chiamato "segmentazione delle istanze", un problema standard nel machine learning e nella visione artificiale. Ci sono già molti modelli pre-addestrati per questo compito che hanno beneficiato di un addestramento su milioni di esempi. Sono buoni ma sono troppo generici e commettono errori negli scenari di prelievo da contenitori. Ines e il suo gruppo hanno migliorato le prestazioni di queste soluzioni standard a livelli soddisfacenti fornendo loro un ulteriore addestramento su set di dati specifici: ad esempio, dati del mondo reale provenienti da celle robotiche Pick AI esistenti.

Una persona sta lavorando a una scrivania con due monitor che mostrano codice e un braccio robotico visibile in primo piano.

Condivisione dei dati per una migliore performance

Una mano sta puntando a uno schermo del computer che mostra un'immagine digitale colorata con un segno di spunta verde che indica un'elaborazione riuscita.

"La nostra soluzione è progettata per funzionare in qualsiasi sito del cliente, perché l'abbiamo addestrata su vasti set di dati provenienti sia da fonti sintetiche che dal mondo reale", dice Ines. "Funziona davvero bene su scatole, bottiglie e sacchetti, e anche se il pezzo è avvolto in pellicola di plastica. In linea di principio, i clienti non dovrebbero vedere alcun degrado operativo ma, se lo fanno, possono permettere ai modelli di apprendere dai loro fallimenti. Questo è parte della nostra strategia per il prodotto. Ci stiamo preparando a inserire set di dati su larga scala provenienti da flotte di robot nel cloud Siemens, che ha la capacità di sfruttare un caso di guasto per migliorare il nostro prodotto, non solo per un cliente, ma per tutti i clienti che concordano sulla condivisione dei dati". I miglioramenti non solo portano a guadagni in termini di prestazioni, ma anche a rivelare nuovi casi d'uso. "Abbiamo dimostrato che con un minimo sforzo possiamo modificare il software per affrontare casi d'uso completamente nuovi, inclusa la depalletizzazione robotica", spiega Ines. Pick AI è al centro di una nuova cella robotica di depallettizzazione recentemente installata in uno dei magazzini produttivi di Siemens a Erlangen, Germania. Grazie ai dati, il team sta superando le frontiere della manipolazione robotica.