Ines Ugalde Diaz | Siemens 年度最佳發明家 | 新人
有些任務對人類-而言輕而易舉，但對機器人來說卻難如登天，揀貨就是其中之一。例如，機器人需要能夠從一堆雜亂無章、未經分類的零件（像是包裹堆）中揀選出單一零件。
Ines Ugalde Diaz 和她在美國柏克萊的團隊六年來致力於機器人控制系統的研發，迄今已完成了 40 多項發明。Ines 憑藉一項可靈活適配不同機器人抓取工具的揀貨解決方案，榮獲 2024 年度「年度發明家」新人獎。這項發明之所以獲此殊榮，是因為這奠定了Siemens SIMATIC 機器人揀選 AI 下一代系統的基礎。揀選 AI 已在許多展覽上亮相，包括 2024 年春季在德國漢諾威舉辦的展覽。
許多機器人透過產生真空來抓取物體。在機械手臂的末端——也就是所謂的末端執行器——機器人利用一個或多個吸盤對要抓取的物體施加真空。為此，吸盤必須吸附在理想的、平坦、光滑且無孔的表面上。吸盤墊有很多不同的尺寸和形狀，底座可以是矩形或正方形，並且可能帶有一個或多個吸盤。
「我們的新發明使得吸盤夾爪可以以不同的尺寸和排列方式使用。客戶可以根據自己的需求來決定」，伊內斯說道。「這實際上是我們產品的一個非常獨特的方面，使我們從所有競爭對手中脫穎而出」。
在雜亂的箱中，各個零件以隨機的空間方向堆疊在一起。機器人首先必須在這種混亂中辨識出零件的結構：它需要確定零件的起始點和結束點，並了解其位置，以便找到一個可以牢固抓取的位置。必要的數據——揀貨箱的當前視圖——由 3D 攝影機提供。經過訓練的 AI 演算法能夠區分這些影像中的各個物體，從而為控制機械手臂奠定了基礎。
這項獲獎發明是基於場景理解，特別是區分揀貨箱和單一物體。這通常被稱為「實例分割」，是機器學習和電腦視覺領域的一個標準問題。目前已有許多預訓練模型用於此任務，受益於數百萬個樣本的訓練。這些模型表現良好，但過於通用，在揀貨箱場景中容易出錯。Ines 及其團隊透過使用特定數據集對這些標準解決方案進行額外訓練，例如使用現有 Pick AI 機器人單元的真實世界數據，從而將這些標準解決方案的性能提升到了令人滿意的水準。
「我們的解決方案旨在適用於任何客戶現場，因為我們使用來自合成資料和真實世界的大量數據集對其進行了訓練」，Ines 說道。 「它在處理紙箱、瓶子和袋子方面表現出色，即使零件用塑膠薄膜包裹也能正常工作。原則上，客戶不會遇到任何運作效能下降的問題，但如果出現問題，他們可以允許模型從失敗中學習。這是我們產品策略的一部分。我們正準備將來自機器人叢集的大規模數據集匯入 Siemens 雲端平台，該平台能夠利用故障案例來改進我們的產品——不僅造福單一客戶，也造福所有同意數據共享的客戶 」。 這些改進不僅提升了效能，還催生了新的應用場景。「我們已經證明，只需付出極少的努力，我們就能修改軟體以適應全新的應用場景，包括機器人卸棧」，Ines 解釋道。Pick AI 是 Siemens 位於德國埃爾蘭根的一家生產型倉庫中新部署的機器人驅動器單元的核心。得益於這些數據，該團隊正在推動機器人操作技術的先端發展。
