Skip to main content

Recolha de lixo: Um verdadeiro desafio para os robôs

Ines Ugalde Diaz | Inventores do Ano da Siemens | Newcomer

Existem tarefas que são fáceis para os humanos mas muito difíceis para os robôs, e a recolha de lixo é uma dessas tarefas. Por exemplo, os robôs precisam ser capazes de escolher uma única parte de uma lixeira contendo uma pilha de partes individuais não classificada e caoticamente disposta como uma pilha de encomendas.

Ines Ugalde Diaz e a sua equipa em Berkeley (EUA) desenvolvem sistemas de controlo de robôs há mais de seis anos e fizeram mais de 40 invenções até agora. Ines foi homenageado como Inventora do Ano 2024 na categoria Recém-chegado por uma solução de recolha de lixo que pode ser modificada de forma flexível para diferentes ferramentas de preensão de robôs. Esta invenção em particular foi selecionada porque funciona como a semente da próxima geração do Siemens SIMATIC Robot Pick AI. A Pick AI foi destaque em inúmeras feiras, incluindo a feira de Hannover deste ano na Alemanha, na primavera de 2024.

Agarrar por vácuo

Uma pessoa está de pé em frente a um quadro branco coberto com diagramas e notas manuscritas relacionadas com o reconhecimento e classificação de objetos 3D.

Muitos robôs agarram criando um vácuo. Na ponta do braço — o que se chama o efetor final — os robôs empregam uma ou mais ventosas para exercer um vácuo sobre o objeto a ser agarrado. Para fazer isso, as ventosas têm de pousarem numa superfície ideal, plana, lisa e não porosa. Existem muitas variantes de ventosas em diferentes tamanhos e formas, com uma base retangular ou quadrada e com uma ou mais ventosas.

“A nossa nova invenção facilita a utilização de pinças de sucção em tamanhos e arranjos variáveis. Cabe ao cliente decidir o que quer”, diz Ines. “Isso é realmente um aspeto muito único do nosso produto que nos diferencia de todos os concorrentes.”

Encontrar o caminho no meio do caos

No caos de uma lixeira, as partes individuais ficam umas sobre as outras em orientações espaciais aleatórias. O robô primeiro tem de reconhecer a estrutura neste caos: Precisa identificar onde uma peça começa e onde termina e perceber como está posicionada para encontrar um lugar onde possa obter uma boa aderência. Os dados necessários — a visão atual da caixa — são fornecidos por uma câmara 3D. Algoritmos de IA que foram treinados para diferenciar os objetos individuais nestas imagens estabelecem as bases para o controlo do braço do robô.

Melhorar o software padrão

A invenção premiada baseia-se na compreensão da cena, em particular distinguindo a lixeira e os objetos individuais. Isto é normalmente referido como “segmentação de instâncias”, um problema padrão em aprendizagem automática e visão computacional. Já existem muitos modelos pré-treinados para esta tarefa que beneficiaram da formação em milhões de exemplos. São bons mas são demasiado gerais e cometem erros em cenários de recolha de lixo. Ines e o seu grupo melhoraram o desempenho destas soluções padrão para níveis satisfatórios, dando-lhes um treino extra em conjuntos de dados específicos: por exemplo, dados do mundo real de células robóticas Pick AI existentes.

Uma pessoa está a trabalhar numa secretária com dois monitores de computador a exibir código e um braço robótico visível em primeiro plano.

Partilha de dados para um melhor desempenho

Uma mão está a apontar para o ecrã de um computador que mostra uma imagem digital colorida com uma marca de verificação verde indicando um processamento bem-sucedido.

“A nossa solução destina-se a funcionar em qualquer local do cliente, porque treinámo-la em vastos conjuntos de dados de fontes sintéticas e do mundo real”, diz Ines. “Fica muito bem em caixas, garrafas e sacos, e também se a peça vier embrulhada em papel alumínio. Em princípio, os clientes não devem ver qualquer degradação operacional, mas se o fizerem, podem permitir que os modelos aprendam com as suas falhas. Isso faz parte da nossa estratégia para o produto. Estamos a preparar-nos para ingerir conjuntos de dados em grande escala de frotas de robôs na nuvem da Siemens, que tem a capacidade de alavancar um caso de falha para tornar o nosso produto melhor — não apenas para um cliente, mas para todos os clientes que concordam com a partilha de dados.” As melhorias não só levam a ganhos de desempenho mas também à revelação de novos casos de utilização. “Mostramos que, com o mínimo de esforço, podemos modificar o software para assumir casos de utilização completamente novos, incluindo a despaletização robótica”, explica Ines. A Pick AI está no centro de uma célula de despaletização robótica recém-implantada num dos armazéns produtivos da Siemens em Erlangen, Alemanha. Graças aos dados, a equipa está a ultrapassar as fronteiras da manipulação robótica.