Ines Ugalde Diaz | 西门子年度发明家 | 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，而垃圾箱捡拾就是其中一项任务。例如，机器人需要能够从装有未分类、混乱排列的单个零件（例如一堆包裹）的垃圾箱中挑选出单个零件。
伊内斯·乌加尔德·迪亚兹和她在伯克利（美国）的团队开发机器人控制系统已有六年多了，到目前为止已经发明了40多项。Ines 凭借其可针对不同机器人抓取工具灵活修改的垃圾箱拣选解决方案被评为 “2024 年新人” 类别的 “年度发明家”。之所以选择这项特殊发明，是因为它是下一代西门子SIMATIC Robot Pick AI的种子。Pick AI 已在众多贸易展上亮相，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抓地力。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，吸盘必须落在最佳、平坦、光滑和无孔的表面上。吸盘有许多不同尺寸和形状的变体，底座为矩形或方形，并带有一个或多个吸盘。
“我们的新发明便于使用不同尺寸和排列的吸盘。由客户决定他们想要什么，” Ines说。“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。”
在垃圾箱的混乱中，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，并了解其定位方式，以便找到可以获得良好抓地力的位置。必要的数据（盒子的当前视图）由 3D 摄像机提供。经过训练可以区分这些图像中的单个物体的人工智能算法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，特别是区分垃圾箱和单个物体。这通常被称为 “实例分割”，这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，这些模型受益于对数百万个示例的训练。它们很不错，但过于笼统，而且在垃圾箱挑选场景中会犯错误。Ines和她的团队通过对特定数据集（例如，来自现有Pick AI机器人单元的真实世界数据）进行了额外的培训，将这些标准解决方案的性能提高到了令人满意的水平。
Ines说：“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其进行了训练。”“它在盒子、瓶子和袋子上表现非常好，如果零件用塑料箔纸包裹也是如此。原则上，客户不应该看到任何运营降级，但如果出现故障，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采集到西门子云中，西门子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，我们可以毫不费力地修改软件，以适应包括机器人卸垛在内的全新用例。”Pick AI 是位于德国埃尔兰根的西门子生产仓库新部署的机器人卸垛单元的核心。得益于这些数据，该团队正在推动机器人操作的前沿。
