Skip to main content
Trang này được hiển thị bằng tính năng dịch tự động. Xem bằng tiếng Anh?

Lấy sản phẩm trong thùng: một thách thức thực sự đối với robot

Ines Ugalde Diaz | Nhà phát minh của năm của Siemens | Gương mặt mới nổi

Có những nhiệm vụ đối với con người thì dễ dàng nhưng lại thực sự khó đối với robot và việc lấy chi tiết trong thùng là một trong số đó. Ví dụ, robot cần có khả năng lấy ra một chi tiết duy nhất từ một thùng chứa đầy các chi tiết rời được sắp xếp lộn xộn, không theo trật tự, giống như một chồng bưu kiện.

Ines Ugalde Diaz và nhóm nghiên cứu tại Berkeley (Hoa Kỳ) đã phát triển các hệ thống điều khiển robot trong hơn sáu năm và đến nay đã tạo ra hơn 40 sáng chế. Ines đã được vinh danh là Nhà sáng chế của năm 2024 ở hạng mục Gương mặt mới nổi nhờ một giải pháp lấy chi tiết trong thùng có thể linh hoạt điều chỉnh để phù hợp với các loại dụng cụ gắp của robot khác nhau. Sáng chế này được lựa chọn vì đóng vai trò là nền tảng cho thế hệ tiếp theo của Siemens SIMATIC Robot Pick AI. Pick AI đã được giới thiệu tại nhiều triển lãm thương mại, trong đó có Hội chợ Hannover tại Đức vào mùa xuân năm 2024.

Gắp bằng chân không

Một người đang đứng trước bảng trắng phủ đầy các sơ đồ và ghi chú viết tay liên quan đến nhận dạng và xếp hạng đối tượng 3D.

Nhiều robot thực hiện thao tác gắp bằng cách tạo chân không. Ở đầu cánh tay robot - bộ phận được gọi là cơ cấu chấp hành cuối - robot sử dụng một hoặc nhiều giác hút để tạo lực hút chân không lên vật thể cần gắp. Để thực hiện được điều này, các giác hút phải tiếp xúc với một bề mặt tối ưu, phẳng, nhẵn và không xốp. Có nhiều loại đế giác hút với kích thước và hình dạng khác nhau, có thể có đế hình chữ nhật hoặc hình vuông và được trang bị một hoặc nhiều giác hút.

“Phát minh mới của chúng tôi giúp việc sử dụng bộ gắp chân không trở nên linh hoạt hơn về kích thước và cách bố trí. Khách hàng có thể tự quyết định cấu hình mà mình mong muốn,” Ines cho biết. “Đây thực sự là một đặc điểm rất độc đáo của sản phẩm, giúp chúng tôi khác biệt so với tất cả các đối thủ cạnh tranh.”

Quan sát xuyên suốt trong môi trường lộn xộn

Trong một thùng chứa đầy các chi tiết, các chi tiết riêng lẻ nằm chồng lên nhau với những hướng ngẫu nhiên. Trước hết, robot phải nhận diện được cấu trúc trong không gian lộn xộn này: robot cần xác định điểm bắt đầu và điểm kết thúc của một chi tiết, đồng thời hiểu cách chi tiết đó đang được đặt để tìm ra vị trí có thể gắp chắc chắn. Dữ liệu cần thiết - hình ảnh hiện tại của thùng chứa - được cung cấp bởi một camera 3D. Các thuật toán AI được huấn luyện để phân biệt từng vật thể riêng lẻ trong các hình ảnh này tạo nền tảng cho việc điều khiển cánh tay robot.

Nâng cao phần mềm tiêu chuẩn

Sáng chế đoạt giải thưởng này được phát triển dựa trên nền tảng hiểu ngữ cảnh hình ảnh, đặc biệt là khả năng phân biệt thùng chứa và các vật thể riêng lẻ bên trong. Trong lĩnh vực học máy và thị giác máy tính, bài toán này thường được gọi là “phân đoạn thể hiện” (instance segmentation). Hiện đã có nhiều mô hình được huấn luyện sẵn cho nhiệm vụ này, được cải thiện nhờ quá trình huấn luyện trên hàng triệu ví dụ. Các mô hình này hoạt động tốt, nhưng vẫn còn mang tính tổng quát cao và có thể mắc lỗi trong các kịch bản lấy chi tiết trong thùng. Ines và nhóm nghiên cứu đã nâng cao hiệu quả của các giải pháp tiêu chuẩn này lên mức đáp ứng yêu cầu bằng cách huấn luyện bổ sung trên các tập dữ liệu chuyên biệt; ví dụ, dữ liệu thực tế từ các thùng chứa.

Một người đang làm việc tại bàn với hai màn hình máy tính hiển thị mã lập trình, phía trước có thể thấy một cánh tay robot.

Chia sẻ dữ liệu để có hiệu suất tốt hơn

Một bàn tay đang chỉ vào màn hình máy tính hiển thị một hình ảnh số nhiều màu sắc cùng dấu kiểm màu xanh cho thấy quá trình xử lý đã hoàn tất thành công.

“Giải pháp của chúng tôi được thiết kế để có thể hoạt động tại bất kỳ cơ sở nào của khách hàng vì hệ thống đã được huấn luyện trên các tập dữ liệu quy mô lớn từ cả nguồn dữ liệu tổng hợp và dữ liệu thực tế,” Ines cho biết. “Giải pháp hoạt động rất tốt với các thùng hộp, chai và tú cũng như trong trường hợp chi tiết được bọc bằng màng nhựa. Về nguyên tắc, khách hàng sẽ không gặp bất cứ ảnh hưởng nào liên quan đến vận hành nhưng nếu điều đó xảy ra, các mô hình có thể được cho phép học từ những trường hợp thất bại. Đây là một phần trong chiến lược phát triển sản phẩm. Chúng tôi đang chuẩn bị tiếp nhận các tập dữ liệu quy mô lớn từ đội ngũ robot vào nền tảng đám mây của Siemens, nơi có khả năng khai thác các trường hợp lỗi để cải thiện sản phẩm – không chỉ cho một khách hàng mà cho tất cả các khách hàng đồng ý chia sẻ dữ liệu.” Những cải tiến này không chỉ giúp nâng cao hiệu suất mà còn mở ra các trường hợp ứng dụng mới. “Chúng tôi đã chứng minh rằng chỉ với rất ít nỗ lực, phần mềm có thể được điều chỉnh để đảm nhiệm các ứng dụng hoàn toàn mới, bao gồm cả việc robot tháo dỡ hàng hóa khỏi pallet,” Ines giải thích. Pick AI hiện là thành phần cốt lõi của một trạm robot tháo dỡ pallet vừa được triển khai tại một trong những kho vận hành của Siemens ở Erlangen, Đức. Nhờ dữ liệu thu thập được, nhóm nghiên cứu đang tiếp tục mở rộng giới hạn của khả năng thao tác robot.