Fyzická AI v reálném světě

Čtyři požadavky na spolehlivou robotickou manipulaci

Fyzická AI umožňuje robotům vnímat, přizpůsobovat se a jednat ve fyzickém světě s výrazně menší potřebou technického vývoje pro konkrétní úlohy než tradiční automatizace.

Roboty, které se učí z ukázek, zlepšují svůj výkon na základě zkušeností, používají vizuální a jazykové modely k interpretaci úloh a pracují v méně strukturovaných prostředích. To je velmi slibná možnost.

Vývojářům robotů, výzkumníkům v oblasti fyzické AI a robotickým týmům zaměřeným na AI tyto schopnosti otevírají aplikace, které byly tradičně příliš proměnlivé, nákladné nebo složité na automatizaci.

Když systémy fyzické AI přecházejí ze simulace do reálných aplikací, mění se i požadavky. Modely a simulace zůstávají zásadní, roboty však nakonec komunikují s fyzickým světem prostřednictvím ramen, chapadel, senzorů a nástrojů, které přicházejí do přímého kontaktu s předměty.

Pro přechod od výzkumu k nasazení potřebuje fyzická AI spolehlivou vrstvu fyzické interakce.

Právě tuto oblast OnRobot rozvíjí již více než deset let.

Ještě předtím, než se pojem „fyzická AI“ stal součástí slovníku robotiky, řešila společnost OnRobot mnoho praktických výzev, které dnes tento výzkum definují: adaptabilitu, snímání, zpětnou vazbu a schopnost reagovat na proměnlivost reálného světa. Naše elektrické, flexibilní nástroje na konci ramene se zpětnou vazbou jsou navrženy pro spolehlivou práci v dynamických reálných prostředích. V současnosti je po celém světě v široké škále aplikací instalováno více než 22 000 produktů OnRobot.

1. Nasazení vyžaduje opakovatelnou fyzickou interakci

Provést úlohu v kontrolovaném prostředí je jedna věc, nasadit ji v podmínkách proměnlivého reálného světa je však jiná výzva.

Pokud systém nedokáže spolehlivě zvládat změny velikosti, tvaru a povrchu objektů v různých provozních podmínkách, má inteligence modelu omezenou praktickou hodnotu.

Programovatelné parametry úchopu a fyzická zpětná vazba pomáhají systémům opakovat akce, detekovat změny a potvrdit, že interakce přinesla zamýšlený výsledek.

Elektrické nástroje a senzory OnRobot poskytují týmům fyzické AI spolehlivý hardware pro interakci v reálném světě.

2. Výkonnější modely vyžadují spolehlivou vrstvu provádění

S rostoucími schopnostmi základních modelů, robotického učení, systémů vidění-jazyk-akce a simulací nabývá vrstva provádění na významu.

Pohyb robotu je ve srovnání s manipulací v reálném světě poměrně vyspělý. Manipulace totiž závisí na fyzikálních proměnných, které nelze odstranit ani dokonale modelovat.

Právě proto je koncový efektor tak důležitý.

Pouze simulace

Models can generate actions, but hardware must execute those actions. Models can infer that an object should be picked up.

Přidán fyzický prvek

Fyzické chapadlo musí navázat kontakt, použít správnou sílu, zjistit, zda je objekt bezpečně uchopen, a reagovat na případné změny.

Chcete se dozvědět více novinek o fyzické AI?

Zobrazit cílovou stránku

3. Data bohatá na kontaktní informace doplňují simulaci a strojové vidění

Simulace umožňuje týmům rychle trénovat, testovat a opakovaně vylepšovat řešení. Strojové vidění pomáhá robotům rozpoznávat objekty, chápat scény a plánovat pohyb.

Spolehlivá manipulace vyžaduje také fyzickou zpětnou vazbu. U systémů založených na učení mohou úplnější data o interakcích zlepšit trénink, validaci a analýzu poruch.

Dynamiku kontaktu, včetně tření, poddajnosti, prokluzu, deformace, setrvačnosti a změn povrchu, je obtížné v simulaci napodobit. Úchop úspěšný v simulaci může v reálném světě selhat, pokud se objekt posune, povrch reaguje jinak nebo součást při kontaktu klade odpor.

Kamera dokáže objekt lokalizovat, ale nemusí vždy určit, zda je bezpečně uchopen. Může také přehlédnout mírný prokluz, asymetrický kontakt, odpor při zasouvání nebo nadměrnou sílu.

Kvůli těmto omezením je multimodální zpětná vazba důležitou součástí fyzické AI.

Různé formy zpětné vazby zachycují různé fáze interakce. Snímání přiblížení poskytuje data před kontaktem. Snímání síly/momentu může poskytovat informace během kontaktu. Detekce úchopu potvrzuje, zda robot objekt drží. Údaje o šířce chapadla poskytují informace o objektu a stavu úchopu, zatímco signály úspěchu a selhání podporují smyčku učení.

Chapadlo RG2-FT kombinuje

Snímání síly/momentu v konečcích prstů

Snímání přiblížení

Detekce úchopu

Data síly/momentu v místě interakce

4. Flexibilní manipulace vyžaduje správný nástroj pro každou úlohu

Fyzická AI je často spojována s univerzálními roboty, žádný jediný koncový efektor však není ideální pro každou úlohu.

Různé objekty a aplikace vyžadují různé způsoby interakce:

Dvoupřstá chapadla jsou vhodná pro mnoho úloh typu pick-and-place.

Tříprstá chapadla mohou manipulovat s kulatými, nepravidelnými nebo většími objekty.

Vakuové a magnetické nástroje zjednodušují manipulaci s vhodnými povrchy a materiály.

Senzory síly/momentu poskytují zpětnou vazbu pro úlohy s intenzivním kontaktem.

Měniče nástrojů umožňují robotu přepínat mezi koncovými efektory.

V praxi vyžaduje fyzická AI flexibilitu hardwaru i softwaru.

Pokud má robot zvládat proměnlivost, učit se ze zkušeností nebo pracovat na více úlohách, stává se koncový efektor součástí architektury systému. Určuje, co může robot uchopit, zvednout, držet, zasunout, tlačit, táhnout, vyměnit a uvolnit, a ovlivňuje zpětnou vazbu dostupnou řídicí jednotce nebo modelu.

Portfolio OnRobot bylo vytvořeno s ohledem na tuto praktickou realitu ještě předtím, než se fyzická AI stala hlavním tématem. Elektrické, flexibilní nástroje se zpětnou vazbou jsou navrženy tak, aby výrobcům usnadnily nasazení, přizpůsobení a opakované využití automatizace v různých aplikacích.

Stejná filozofie návrhu nyní úzce odpovídá potřebám výzkumníků fyzické AI a robotických společností zaměřených na AI.

Navrženo pro proměnlivost reálného světa

Další fáze fyzické AI bude záviset na výkonnějších modelech, lepších datech, zdokonalených simulacích a schopnějších robotických platformách. Záviset bude také na vrstvě fyzické interakce tvořené chapadly, senzory, měniči nástrojů a technologiemi na konci ramene, které modelům umožní spolehlivě jednat v reálném světě.

Nástroje na konci ramene již nejsou pouze poslední součástí přidanou k robotu. Jsou nedílnou součástí pokročilých systémů učení.

Průmyslově ověřené portfolio OnRobot poskytuje výzkumníkům, vývojářům robotů a výrobcům flexibilní základ pro přechod od slibných modelů ke spolehlivé manipulaci v reálném světě.