Ines Ugalde Diaz | Siemens 年度发明家 | 新人
有些任务对人类来说很容易，但对于机器人来说却非常困难，箱中取物就是其中一项任务。例如，机器人需要能够从装有一堆未分类、混乱排列的单个组件（例如一堆包裹）的箱子中捡取出单个组件。
Ines Ugalde Diaz 和她在伯克利（美国）的团队开发机器人控制系统已有六年多了，到目前为止已经拥有 40 多项发明。凭借可以针对不同的机器人抓取工具灵活调整的箱中取物解决方案，Ines 被评为“2024 年度发明家”的“新人”类别奖。这项特殊发明之所以被选中，是因为它是孵化下一代 Siemens SIMATIC Robot Pick AI 的种子。Pick AI 已在多个贸易展上亮相，包括今年 2024 年春季在德国举行的汉诺威博览会。
许多机器人通过产生真空来实现抓取。在手臂的末端，即所谓的末端执行器，机器人使用一个或多个吸盘对要抓取的物体施加真空。为此，吸盘必须落在适宜、平坦、光滑、无孔的表面上。吸盘有许多不同尺寸和形状的变体，底座为矩形或方形，带有一个或多个吸盘。Ines 说道，
“我们的新发明便于使用不同尺寸和排列的吸盘。客户可以自行决定自己想要的类型。这实际上是我们产品的一个非常独特的方面，它使我们与所有竞争对手区分开来。”
在排列混乱的箱子中，各个部分以随机的空间方向相互叠加。机器人首先必须识别混乱中的结构：它需要识别零件的起点和终点，并了解其放置方式，以便找到可以获得良好抓力的位置。3D 摄像头将提供必要的数据（盒子的当前视图）。经过训练的人工智能算法可以区分这些图像中的单个物体，为控制机器人手臂奠定了基础。
这项获奖的发明建立在场景理解的基础上，特别是区分箱子和单个物体。这通常被称为“实例分割”，是机器学习和计算机视觉中的一个标准问题。已经有许多预先训练过的模型可以完成这项任务，这些模型通过对数百万个示例的训练提高了能力。它们都很不错，但过于笼统，而且在箱中取物场景中会犯错误。Ines 和她的团队对特定数据集（例如，来自现有 Pick AI 机器人单元的现实世界数据）进行了额外训练，将这些标准解决方案的性能提高到令人满意的水平。
Ines 说道：“我们的解决方案旨在适用于任何客户场所，因为我们使用来自合成和真实来源的大量数据集对它进行了训练。它在盒子、瓶子和袋子上表现非常好，如果用塑料箔纸包裹组件，结果也非常好。原则上，客户不应该看到任何运营降级，但如果发生这种情况，他们可以让模型从失败中吸取教训。这是我们产品战略的一部分。我们正准备将来自机器人队列的大规模数据集提取到 Siemens 云中，Siemens 云有能力利用故障案例来改善我们的产品——不仅适用于一个客户，而且适用于所有同意数据共享的客户。”这些改进不仅可以提高性能，还可以揭示新的用例。Ines 解释说：“我们已经表明能够轻松调整软件，以便适应包括机器人拆箱作业在内的全新用例。”Pick AI 是位于德国埃尔兰根的 Siemens 生产仓库新部署的机器人拆箱单元的核心。得益于这些数据，该团队正在不断拓展机器人操作技术的边界。
