Skip to main content
Ta strona jest wyświetlana przy użyciu automatycznego translatora. Czy chcesz wyświetlić ją w języku angielskim?
Zautomatyzowany chwytak z przyssawkami trzyma małe kartonowe pudełko podczas regulacji przez osobę.

Zbieranie śmieci: prawdziwe wyzwanie dla robotów

Ines Ugalde Diaz | Wynalazcy Roku Siemens | Nowicjusz

Są zadania, które są łatwe dla ludzi, ale naprawdę trudne dla robotów, a zbieranie śmieci jest jednym z tych zadań. Na przykład roboty muszą być w stanie wyjąć pojedynczą część z kosza zawierającą niesortowany, chaotycznie ułożony stos poszczególnych części, takich jak stos paczek.

Ines Ugalde Diaz i jej zespół w Berkeley (USA) od ponad sześciu lat opracowują systemy sterowania robotami i do tej pory dokonali ponad 40 wynalazków. Ines została wyróżniona Inventorem Roku 2024 w kategorii Nowicjuszy za rozwiązanie do zbierania koszyczek, które można elastycznie modyfikować dla różnych narzędzi chwytających roboty. Ten konkretny wynalazek został wybrany, ponieważ służy jako ziarno nowej generacji Siemens SIMATIC Robot Pick AI. Pick AI był prezentowany na wielu targach, w tym na tegorocznych targach w Hanowerze w Niemczech wiosną 2024 roku.

Chwytanie przez próżnię

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

Wiele robotów chwyta się, tworząc próżnię. Na końcu ramienia — tak zwanym efektorem końcowym — roboty wykorzystują jedną lub więcej przyssawek do wywierania próżni na chwytany obiekt. Aby to zrobić, przyssawki muszą lądować na optymalnej, płaskiej, gładkiej i nieporowatej powierzchni. Istnieje wiele wariantów przyssawek o różnych rozmiarach i kształtach, z prostokątną lub kwadratową podstawą i jedną lub więcej przyssawkami.

„Nasz nowy wynalazek ułatwia stosowanie chwytaków ssących o różnych rozmiarach i rozmiarach. To od klienta zależy, czy zdecyduje, czego chce” - mówi Ines. „To właściwie bardzo wyjątkowy aspekt naszego produktu, który odróżnia nas od wszystkich konkurentów”.

Patrząc przez chaos

W chaosie pojemnika poszczególne części leżą jedna na drugiej w losowych orientacjach przestrzennych. Robot musi najpierw rozpoznać strukturę w tym chaosie: musi zidentyfikować, gdzie zaczyna się część, a gdzie kończy i zrozumieć, jak jest ustawiona, aby znaleźć miejsce, w którym może uzyskać dobrą przyczepność. Niezbędne dane — bieżący widok pudełka — dostarczane są przez kamerę 3D. Algorytmy sztucznej inteligencji, które zostały przeszkolone do różnicowania poszczególnych obiektów na tych obrazach, kładą podwaliny pod sterowanie ramieniem robota.

Ulepszanie standardowego oprogramowania

Nagrodzony wynalazek opiera się na zrozumieniu sceny, w szczególności rozróżnianiu pojemnika i poszczególnych przedmiotów. Jest to zwykle określane jako „segmentacja instancji”, standardowy problem w uczeniu maszynowym i wizji komputerowej. Istnieje już wiele wstępnie przeszkolonych modeli tego zadania, które skorzystały ze szkolenia na milionach przykładów. Są dobre, ale są zbyt ogólne i popełniają błędy w scenariuszach wyboru bin-bilingu. Ines i jej grupa poprawiły wydajność tych standardowych rozwiązań do zadowalających poziomów, dając im dodatkowe szkolenie na temat określonych zestawów danych: na przykład rzeczywistych danych z istniejących komórek robotycznych Pick AI.

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

Udostępnianie danych dla lepszej wydajności

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

„Nasze rozwiązanie ma działać w każdej witrynie klienta, ponieważ przeszkoliliśmy je na szerokich zbiorach danych zarówno ze źródeł syntetycznych, jak i rzeczywistych” - mówi Ines. „Naprawdę dobrze radzi sobie na pudełkach, butelkach i torbach, a także jeśli część jest owinięta folią z tworzywa sztucznego. Zasadniczo klienci nie powinni widzieć żadnej degradacji operacyjnej, ale jeśli to zrobią, mogą pozwolić modelom uczyć się na swoich awariach. Jest to część naszej strategii dotyczącej produktu. Przygotowujemy się do wprowadzenia dużych zbiorów danych z floty robotów do chmury Siemens, która może wykorzystać przypadek awarii, aby ulepszyć nasz produkt — nie tylko dla jednego klienta, ale dla wszystkich klientów, którzy zgadzają się na udostępnianie danych”. Ulepszenia prowadzą nie tylko do wzrostu wydajności, ale także do ujawnienia nowych przypadków użycia. „Pokazaliśmy, że przy minimalnym wysiłku możemy zmodyfikować oprogramowanie, aby przyjąć zupełnie nowe przypadki użycia, w tym automatyczną depaletyzację” - wyjaśnia Ines. Pick AI jest podstawą nowo wdrożonej zautomatyzowanej komórki do depaletyzacji w jednym z magazynów produkcyjnych Siemens w Erlangen w Niemczech. Dzięki danym zespół przesuwa granice manipulacji robotami.