Ines Ugalde Diaz | Siemens年最優秀発明家賞 | 新人
人間にとっては簡単でも、ロボットにとっては非常に難しい作業があり、ビンピッキングはその一つです。例えば、ロボットは、小包の山のように、仕分けされておらず無秩序に積み上げられた個々の部品が入ったビンから、特定の部品を1つだけ取り出すことができなければなりません。
米国バークレーのInes Ugalde Diaz氏とそのチームは、6年以上にわたりロボット制御システムの開発に取り組んでおり、これまでに40件以上の発明を生み出しています。Ines氏は、様々なロボットの把持ツールに合わせて柔軟に調整可能なビンピッキングソリューションを開発した功績により、2024年の「年間発明家賞（新人部門）」を受賞しました。この発明が選ばれた理由は、次世代のSiemens「SIMATIC Robot Pick AI」の基盤となる技術であるためです。Pick AIは、2024年春にドイツで開催されたハノーバー・メッセをはじめ、数多くの見本市で展示されています。
多くのロボットは、真空状態を作り出すことで物体を把持します。ロボットの腕の先端（エンドエフェクタと呼ばれる部分）には、1つまたは複数の吸盤が取り付けられており、これを使って把持対象物に真空圧をかけます。そのためには、吸盤が、平らで滑らか、かつ気孔のない最適な表面に密着する必要があります。吸着パッドには、長方形や正方形のベースを持ち、1つまたは複数の吸盤を備えた、さまざまなサイズや形状のバリエーションがあります。
「私たちの新しい発明により、サイズや配置を自由に変更できる吸着グリッパーの使用が可能になりました。どのような構成にするかは、お客様次第です」とイネスは言います。「これはまさに、競合他社との差別化を図る、当社製品の非常にユニークな特徴です。」
ごみ箱の中の混沌とした状態では、個々の部品がランダムな向きで重なり合っています。ロボットはまず、この混沌の中から構造を認識しなければなりません。部品がどこから始まりどこで終わっているかを特定し、その配置を理解して、しっかりと把持できる場所を見つけ出す必要があります。そのために必要なデータ（箱の現在の映像）は3Dカメラによって提供されます。これらの画像内の個々の物体を識別するように学習されたAIアルゴリズムが、ロボットアームを制御するための基礎を築きます。
受賞した発明は、シーンの理解、特にビンと個々の物体を区別することを基盤としています。これは通常「インスタンスセグメンテーション」と呼ばれ、機械学習やコンピュータビジョンにおける標準的な課題です。このタスクには、すでに数百万件の例を用いて学習された多くの事前学習済みモデルが存在します。それらは優れた性能を発揮しますが、汎用性が高すぎるため、ビンピッキングのシナリオでは誤りを犯してしまいます。Ines氏とその研究グループは、特定のデータセット（例えば、既存のPick AIロボットセルからの実世界データなど）を用いて追加の学習を行うことで、これらの標準的なSolutionsの性能を満足のいくレベルまで向上させました。
「当社のソリューションは、合成データと実世界のデータの両方から得られた膨大なデータセットを用いて学習させたため、どの顧客の現場でも機能するように設計されています」とInes氏は語ります。「箱、ボトル、袋といった形状の物体だけでなく、プラスチックフィルムで包まれた部品に対しても高い精度を発揮します。原則として、顧客側で性能の低下を感じることはないはずですが、万が一低下が見られた場合でも、モデルが失敗事例から学習できるように設定可能です。これは当社の製品戦略の一環です。現在、ロボット群から収集した大規模なデータセットをSiemensのクラウドに取り込む準備を進めています。このクラウドは、失敗事例を活用して製品を改善する機能を備えており、その恩恵は特定の1社だけでなく、データ共有に同意したすべての顧客に及ぶことになります。」こうした改善は、パフォーマンスの向上につながるだけでなく、新たなユースケースの発見にもつながります。「最小限の労力でSoftwareを修正し、ロボットのパレタイジング解除を含む全く新しいユースケースに対応できることを実証しました」とイネスは説明します。Pick AIは、ドイツのエアランゲンにあるSiemensの生産倉庫の一つに新たに導入されたロボットパレタイジング解除セルの中核を担っています。データのおかげで、チームはロボット操作の限界を押し広げています。
