Fizikai AI a valós világban

A fizikai AI olyan robotokat ígér, amelyek a hagyományos automatizáláshoz képest jóval kevesebb feladatspecifikus mérnöki munkával képesek érzékelni a fizikai világot, alkalmazkodni hozzá és cselekedni benne.

Robotok, amelyek bemutatásból tanulnak, tapasztalat útján javítják teljesítményüket, látás- és nyelvi modellekkel értelmezik a feladatokat, és kevésbé strukturált környezetekben működnek. A lehetőségek rendkívül izgalmasak.

A robotikai fejlesztők, a fizikai AI kutatói és az AI-központú robotikai csapatok számára ezek a képességek olyan alkalmazásokat tesznek lehetővé, amelyek automatizálása hagyományosan túl változékony, költséges vagy összetett volt.

Ahogy a fizikai AI rendszerei a szimulációból a valós alkalmazásokba lépnek, a követelmények megváltoznak. A modellek és szimulációk továbbra is alapvetőek, de a robotok végül karokon, megfogókon, érzékelőkön és a tárgyakkal közvetlenül érintkező szerszámokon keresztül lépnek kapcsolatba a fizikai világgal.

Ahhoz, hogy a fizikai AI a kutatásból a gyakorlati bevezetésig jusson, megbízható fizikai interakciós rétegre van szüksége.

Az OnRobot pontosan ezt fejleszti már több mint egy évtizede.

Már azelőtt, hogy a fizikai AI a robotika szókincsének részévé vált volna, az OnRobot számos olyan gyakorlati kihívást oldott meg, amelyek ma ezt a kutatási területet meghatározzák: az alkalmazkodóképességet, az érzékelést, a visszacsatolást és a valós környezet változásaira való reagálást. Elektromos, rugalmas és visszacsatolást biztosító végberendezéseinket dinamikus, valós alkalmazásokban történő megbízható működésre terveztük. Világszerte már több mint 22 000 OnRobot termék működik számos különböző alkalmazásban.

2. A fejlettebb modellek megbízható végrehajtási réteget igényelnek

Az alapmodellek, a robotok tanulása, a látás-nyelv-cselekvés rendszerek és a szimuláció fejlődésével a végrehajtási réteg egyre fontosabbá válik.

A robotmozgás viszonylag kiforrott a valós tárgymozgatáshoz képest. A manipuláció olyan fizikai változóktól függ, amelyek nem szüntethetők meg és nem modellezhetők tökéletesen.

Ezért ennyire fontos a végberendezés.

3. Az érintkezésből származó adatok kiegészítik a szimulációt és a gépi látást

A szimuláció lehetővé teszi a modellek betanítását, tesztelését és gyors továbbfejlesztését. A gépi látás segít a robotoknak a tárgyak felismerésében, a helyzetek megértésében és a műveletek megtervezésében.

A megbízható manipulációhoz azonban fizikai visszacsatolás szükséges.

A fizikai világ dinamikája magában foglalja a súrlódást, a rugalmasságot, a csúszást, a deformációt, a tehetetlenséget és a felületi eltéréseket.

Egy kamera képes meghatározni egy tárgy helyzetét, de nem mindig tudja megállapítani, hogy a fogás biztonságos-e. Nem feltétlenül érzékeli a csúszást, az aszimmetrikus érintkezést, a váratlan ellenállást vagy azt, hogy megfelelő erőt alkalmaztak-e.

Itt válik fontossá a multimodális visszacsatolás.

A közelítésérzékelők például már az érintkezés előtt információt adhatnak. Az erő-/nyomatékérzékelők az érintkezés közben mérhetik az interakciót. A megfogásérzékelés visszaigazolhatja a sikert. A megfogási szélesség adatai jelezhetik, hogy a tárgy valóban jelen van-e. Ezek a jelek együttesen segítik a rendszereket a siker és a kudarc megkülönböztetésében.

Az RG2-FT megfogó a következőket egyesíti

4. A rugalmas manipulációhoz minden feladathoz megfelelő szerszám szükséges

A különböző tárgyak és alkalmazások eltérő fizikai interakciókat igényelnek.

Egyetlen végberendezés sem ideális minden feladathoz.

Az OnRobot termékportfóliója már azelőtt kialakult, hogy a fizikai AI az iparág központi témájává vált volna. A hangsúly mindig az elektromos, rugalmas és visszacsatolást biztosító szerszámokon volt, amelyek megkönnyítik a robotalkalmazások bevezetését, módosítását és újrafelhasználását.

Ez a megközelítés jól illeszkedik a robotikai kutatók, fejlesztők és AI-központú vállalatok jelenlegi igényeihez.

A fizikai AI következő szakasza erősebb modellekre, jobb adatokra, jobb szimulációkra és nagyobb képességű robotplatformokra épül. Ugyanakkor egy olyan fizikai interakciós rétegtől is függ, amely következetesen képes működni a valós világban.

A valós környezet változatosságára tervezve

Ahogy a robotok egyre összetettebb feladatokat tanulnak meg, a végberendezések a fejlett tanulási rendszerek alapvető részévé válnak.

Az OnRobot iparban bizonyított termékportfóliója számos alkalmazásban támogatja a megbízható manipulációt, a fizikai visszacsatolást és a rugalmas bevezetést.

OnRobot’s industry-proven portfolio gives researchers, robot developers, and manufacturers a flexible foundation for moving from promising models to reliable real-world manipulation.