Skip to main content
Цю сторінку перекладено автоматично. Перейти натомість до англійської версії?

Вибір сміття: справжній виклик для роботів

Інес Угальде Діас | Винахідники року Siemens | Новачок

Є завдання, які легкі для людей, але дійсно важкі для роботів, і збирання сміття є одним із цих завдань. Наприклад, роботи повинні мати можливість вибрати одну частину з контейнера, що містить несортовану, хаотично розташовану купу окремих частин, як купа посилок.

Інес Угальде Діас та її команда в Берклі (США) розробляють системи управління роботами більше шести років і наразі зробили понад 40 винаходів. Ines була відзначена винахідником року 2024 року в категорії «Новачок» за рішення для збирання кошиків, яке можна гнучко модифікувати для різних інструментів захоплення роботів. Цей конкретний винахід був обраний тому, що він служить насінням нового покоління Siemens SIMATIC Robot Pick AI. Pick AI був представлений на численних виставках, включаючи цьогорічний ярмарок у Ганновері в Німеччині навесні 2024 року.

Захоплення вакуумом

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

Багато роботів захоплюються, створюючи вакуум. На кінці руки - так званого кінцевим ефектором - роботи використовують одну або кілька присосок, щоб чинити вакуум на об'єкт, який потрібно захопити. Для цього присоски повинні приземлятися на оптимально рівну, гладку і непористу поверхню. Існує багато варіантів присосок різних розмірів і форм, з прямокутною або квадратною основою і з однією або декількома присосками.

«Наш новий винахід полегшує використання всмоктувальних захватів різного розміру та розташування. Клієнт вирішує, чого він хоче», - каже Інес. «Це насправді дуже унікальний аспект нашого продукту, який відрізняє нас від усіх конкурентів».

Бачити крізь хаос

У хаосі контейнера окремі частини лежать одна на одній у випадкових просторових орієнтаціях. Робот спочатку повинен розпізнати структуру в цьому хаосі: йому потрібно визначити, де починається частина і де вона закінчується, і зрозуміти, як вона розташована, щоб знайти місце, де вона може добре зчепити. Необхідні дані — поточний вигляд коробки — забезпечується 3D-камерою. Алгоритми штучного інтелекту, які були навчені диференціювати окремі об'єкти на цих зображеннях, закладають основу для управління рукою робота.

Покращення стандартного програмного забезпечення

Нагороджений винахід будується на основі розуміння сцени, зокрема розрізняючи смітник та окремі об'єкти. Це зазвичай називають «сегментацією екземплярів», стандартною проблемою машинного навчання та комп'ютерного зору. Вже існує багато попередньо підготовлених моделей для цього завдання, які отримали користь від навчання на мільйони прикладів. Вони хороші, але занадто загальні, і вони роблять помилки у сценаріях вибору бінів. Інес та її група покращили продуктивність цих стандартних рішень до задовільного рівня, давши їм додаткове навчання щодо конкретних наборів даних: наприклад, реальних даних з існуючих роботизованих клітин Pick AI.

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

Обмін даними для кращої продуктивності

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

«Наше рішення призначене для роботи на будь-якому сайті клієнта, тому що ми навчили його на величезних наборах даних як із синтетичних, так і з реальних джерел», - каже Інес. «Це дуже добре працює на коробках, пляшках і пакетах, а також якщо частина поставляється загорнутою в пластикову фольгу. В принципі, клієнти не повинні бачити жодної операційної деградації, але якщо вони це роблять, вони можуть дозволити моделям вчитися на своїх невдачах. Це частина нашої стратегії щодо продукту. Ми готуємося до впровадження масштабних наборів даних з автопарків роботів у хмару Siemens, яка має можливість використовувати випадок відмови для покращення нашого продукту — не лише для одного клієнта, а для всіх клієнтів, які погоджуються на обмін даними». Покращення призводять не тільки до підвищення продуктивності, але й до виявлення нових випадків використання. «Ми показали, що з мінімальними зусиллями ми можемо модифікувати програмне забезпечення, щоб приймати абсолютно нові випадки використання, включаючи роботизовану депалетизацію», - пояснює Інес. Pick AI лежить в основі нещодавно розгорнутої роботизованої депалетизаційної камери на одному з виробничих складів Siemens в Ерлангені, Німеччина. Завдяки даним команда розширює межі роботизованих маніпуляцій.