伊內斯·烏加爾德·迪亞茲 | 西門子年度最佳發明家 | 新人
有些任務對人類來說很容易，但對於機器人來說真的很難，垃圾收集是這些任務之一。例如，機器人需要能夠從垃圾桶中挑選單一零件，其中包含一堆不分類、混亂排列的個別零件堆，例如一堆包裹。
Ines Ugalde Diaz 和她在美國伯克利（美國）的團隊一直在開發機器人控制系統超過六年，迄今為止已經做出了 40 多種發明。Ines 在新人類別中榮獲 2024 年度最佳發明家，因此可以靈活地修改為不同機器人抓握工具的垃圾桶解決方案。這項特殊發明是因為它是下一代西門子 SIMATIC 機器人採集 AI 的種子。Pick AI 已在眾多貿易展覽中出現，包括今年 2024 年春季在德國舉行的漢諾威博覽會。
許多機器人通過創建真空來抓握。機器人在手臂的末端（稱為終端效果器）使用一個或多個吸盤在要抓握的物體上施加真空。為此，吸盤必須落在最佳、平坦、光滑且不多孔的表面上。吸盤有許多種不同尺寸和形狀，具有矩形或方形底座，並帶有一個或多個吸盤。
「我們的新發明有助於使用不同尺寸和佈局的吸力夾具。由客戶決定他們想要什麼，」Ines 說。「這實際上是我們產品的一個非常獨特的方面，使我們與所有競爭對手區分開。」
在垃圾桶的混亂中，個別部分以隨機空間方向放在彼此上。機器人首先必須識別這種混亂中的結構：它需要確定零件的起點和結束的位置，並了解它的位置，以便找到可以獲得良好抓地力的地方。必要的數據 — 盒子的目前視圖 — 由 3D 相機提供。經過訓練來區分這些圖像中的個別對象的 AI 算法為控制機器人臂提供了基礎。
獲獎的發明基於場景理解的基礎，尤其是區分垃圾桶和個別物體。這通常被稱為「實例分段」，這是機器學習和計算機視覺中的標準問題。已經有許多針對此任務的預先訓練模型，從數百萬個示例的培訓中受益。它們很好，但它們太普通，並且在垃圾桶的情況下犯了錯誤。Ines 和她的團隊將這些標準解決方案的性能提高到令人滿意的水平，通過對特定數據集進行額外的培訓：例如，來自現有 Pick AI 機器人單元的真實資料。
Ines 表示：「我們的解決方案旨在在任何客戶網站上使用，因為我們針對來自合成和現實來源的龐大數據集進行培訓。」「它在盒子，瓶子和袋子上的效果非常好，以及如果零件包裝在塑料箔中也很好。原則上，客戶不應該看到任何作業下降，但如果他們這樣做，他們可以讓模型從失敗中學習。這是我們對產品策略的一部分。我們正準備將機器人群中的大規模數據集收集到西門子雲端，該雲端能夠利用故障案例來使我們的產品更好，不僅適用於一個客戶，也適合所有同意數據共享的客戶。」這些改進不僅導致性能提高，還可以揭示新的使用案例。Ines 解釋說：「我們已經證明，只需最少的努力，我們就可以修改軟體，以滿足全新的使用案例，包括機器人卸載。」Pick AI 是位於德國埃爾蘭根的西門子一個生產倉庫新部署的機器人卸載單元的核心。多虧了數據，該團隊正在突破機器人操縱的邊界。
