Fysisk AI i den virkelige verden

Fysisk AI gør det muligt for robotter at sanse, tilpasse sig og handle i den fysiske verden med langt mindre opgavespecifik udvikling end traditionel automatisering.

Det er et overbevisende løfte: Robotter, der lærer af demonstrationer, forbedres gennem erfaring, bruger visions- og sprogmodeller til at fortolke opgaver og arbejder i mindre strukturerede miljøer.

For robotudviklere, forskere i fysisk AI og robotvirksomheder med AI som fundament åbner disse muligheder for applikationer, der traditionelt har været for variable, dyre eller komplekse at automatisere.

Når systemer med fysisk AI bevæger sig fra simulering til anvendelse i den virkelige verden, ændres kravene. Modeller og simuleringer er fortsat afgørende, men robotter interagerer i sidste ende med den fysiske verden gennem arme, gribere, sensorer og værktøjer, der kommer i direkte kontakt med objekter.

For at gå fra forskning til implementering har fysisk AI brug for et pålideligt fysisk interaktionslag.

Det er netop det, OnRobot har arbejdet med i mere end et årti.

Før “fysisk AI” blev en del af robotindustriens ordforråd, arbejdede OnRobot allerede med mange af de praktiske udfordringer, der definerer forskningen i fysisk AI i dag, herunder tilpasningsevne, registrering, feedback og evnen til at håndtere variation i den virkelige verden. Vores elektriske, fleksible end-of-arm-værktøjer med feedback er udviklet til at fungere pålideligt i dynamiske miljøer. Mere end 22.000 OnRobot-produkter er i drift verden over på tværs af en lang række applikationer.

2. Mere avancerede modeller kræver et pålideligt udførelseslag

Efterhånden som grundmodeller, robotlæring, vision-language-action-systemer og simulering bliver mere avancerede, får udførelseslaget større betydning.

Robotbevægelse er relativt moden sammenlignet med manipulation i den virkelige verden. Det skyldes, at manipulation afhænger af fysiske variable, som hverken kan elimineres eller modelleres perfekt.

Derfor er endeeffektoren så vigtig.

3. Kontaktdata supplerer simulering og vision

Simulering gør det muligt at træne, teste og iterere hurtigt. Vision hjælper robotter med at genkende objekter, forstå omgivelser og planlægge handlinger.

Pålidelig manipulation kræver også fysisk feedback. For læringsbaserede systemer kan mere komplette interaktionsdata forbedre træning, validering og fejlanalyse.

Kontaktdynamik, herunder friktion, eftergivelighed, glidning, deformation, inerti og variation i overflader, er vanskelig at gengive i simulering. Et greb, der fungerer i simulering, kan fejle i virkeligheden, fordi objektet flytter sig, overfladen opfører sig anderledes, eller emnet yder modstand ved kontakt.

Et kamera kan lokalisere et objekt, men kan ikke altid afgøre, om objektet holdes sikkert. Det kan også overse mindre glidning, asymmetrisk kontakt, modstand ved indføring og for stor kraft.

Disse begrænsninger gør multimodal feedback til en vigtig del af fysisk AI.

Forskellige former for feedback registrerer forskellige faser af en interaktion. Nærhedssensorer leverer data, før robotten får kontakt. Kraft/moment-sensorer kan levere information under kontakten. Grebsregistrering kan bekræfte, om robotten har fat i et objekt. Data om griberbredden giver information om objektet og grebets tilstand, mens signaler om succes og fejl understøtter læringssløjfer.

RG2-FT-griberen kombinerer

4. Fleksibel manipulation kræver det rette værktøj til hver opgave

Fysisk AI forbindes ofte med robotter til generelle formål, men ingen enkelt endeeffektor er ideel til alle opgaver.

Forskellige objekter og applikationer kræver forskellige former for interaktion:

Når robotter skal kunne håndtere variation, lære af erfaring eller arbejde på tværs af flere opgaver, bliver endeeffektoren en del af systemarkitekturen. Den afgør, hvad robotten kan gribe, løfte, holde, indsætte, trykke på, trække, skifte eller frigive. Den påvirker også den feedback, som controlleren eller modellen har adgang til.

OnRobots portefølje blev opbygget omkring denne praktiske virkelighed, før fysisk AI blev et centralt begreb. De elektriske, fleksible værktøjer med feedback er udviklet til at gøre det lettere for producenter at implementere, tilpasse og genbruge automatisering på tværs af applikationer.

Den samme designfilosofi matcher i dag tæt de behov, som forskere i fysisk AI og robotvirksomheder med AI som fundament har.

Bygget til variation i den virkelige verden

Den næste fase af fysisk AI vil afhænge af stærkere modeller, bedre data, forbedret simulering og mere avancerede robotplatforme. Den vil også afhænge af det fysiske interaktionslag med gribere, sensorer, værktøjsskiftere og end-of-arm-teknologier, som gør modeller i stand til at handle pålideligt i den virkelige verden.

End-of-arm-værktøjer er ikke længere blot den sidste komponent, der føjes til en robot. De er en integreret del af avancerede læringssystemer.

OnRobots gennemprøvede industrielle portefølje giver forskere, robotudviklere og producenter et fleksibelt fundament for at gå fra lovende modeller til pålidelig manipulation i den virkelige verden.