L’intelligenza artificiale fisica nel mondo reale

L’intelligenza artificiale fisica promette robot capaci di percepire, adattarsi e agire nel mondo fisico con molta meno progettazione specifica per ogni attività rispetto all’automazione tradizionale.

È una prospettiva convincente: robot che apprendono dalle dimostrazioni, migliorano con l’esperienza, utilizzano modelli visivi e linguistici per interpretare le attività e operano in ambienti meno strutturati.

Per gli sviluppatori di robot, i ricercatori nel campo dell’intelligenza artificiale fisica e i team di Robotica basata sull'intelligenza artificiale, queste capacità rendono possibili applicazioni tradizionalmente troppo variabili, costose o complesse da automatizzare.

Quando i sistemi di intelligenza artificiale fisica passano dalla simulazione alle applicazioni reali, i requisiti cambiano. Modelli e simulazioni restano essenziali, ma i robot interagiscono infine con il mondo fisico attraverso bracci, pinze, sensori e utensili che entrano in contatto diretto con gli oggetti.

Per passare dalla ricerca all’implementazione, l’intelligenza artificiale fisica ha bisogno di un livello di interazione fisica affidabile.

È proprio ciò che OnRobot sviluppa da oltre un decennio.

Prima che l’“intelligenza artificiale fisica” entrasse nel vocabolario della robotica, OnRobot affrontava già molte delle sfide pratiche che oggi definiscono la ricerca in questo campo, tra cui adattabilità, rilevamento, feedback e capacità di gestire le variazioni del mondo reale. I nostri utensili elettrici e flessibili di fine braccio, dotati di feedback, sono progettati per funzionare in modo affidabile in ambienti dinamici reali. Oltre 22.000 prodotti OnRobot sono installati in tutto il mondo in un’ampia gamma di applicazioni.

2. Modelli più avanzati richiedono un livello di esecuzione affidabile

Con l’evoluzione dei modelli fondazionali, dell’apprendimento robotico, dei sistemi visione-linguaggio-azione e della simulazione, il livello di esecuzione assume un’importanza crescente.

Il movimento robotico è relativamente maturo rispetto alla manipolazione nel mondo reale. Questo perché la manipolazione dipende da variabili fisiche che non possono essere eliminate né modellate perfettamente.

Ecco perché l’end effector è così importante.

3. I dati ricchi di informazioni sul contatto completano simulazione e visione

La simulazione consente ai team di addestrare, testare e iterare rapidamente. La visione aiuta i robot a riconoscere gli oggetti, comprendere le scene e pianificare le azioni.

Una manipolazione affidabile richiede anche feedback fisico. Nei sistemi basati sull’apprendimento, dati di interazione più completi possono migliorare l’addestramento, la validazione e l’analisi dei guasti.

Le dinamiche di contatto, tra cui attrito, cedevolezza, slittamento, deformazione, inerzia e variazioni delle superfici, sono difficili da riprodurre in simulazione. Una presa che funziona in simulazione può fallire nel mondo reale perché l’oggetto si sposta, la superficie si comporta diversamente o il pezzo oppone resistenza al contatto.

Una telecamera può localizzare un oggetto, ma non sempre può determinare se è trattenuto in modo sicuro. Può inoltre non rilevare piccoli slittamenti, contatti asimmetrici, resistenza durante l’inserimento e forza eccessiva.

Questi limiti rendono il feedback multimodale una parte importante dell’intelligenza artificiale fisica.

Le diverse forme di feedback rilevano fasi differenti di un’interazione. Il rilevamento di prossimità fornisce dati prima del contatto. Il rilevamento di forza/coppia può fornire informazioni durante il contatto. Il rilevamento della presa può confermare che il robot abbia afferrato un oggetto. I dati sull’apertura della pinza forniscono informazioni sull’oggetto e sullo stato della presa, mentre i segnali di successo e fallimento supportano i cicli di apprendimento.

La pinza RG2-FT combina

4. La manipolazione flessibile richiede l’utensile giusto per ogni attività

L’intelligenza artificiale fisica è spesso associata a robot di uso generale, ma nessun singolo end effector è ideale per ogni attività.

Oggetti e applicazioni differenti richiedono modalità di interazione diverse:

Quando ci si aspetta che i robot gestiscano variazioni, apprendano dall’esperienza o operino su più attività, l’end effector diventa parte dell’architettura del sistema. Determina ciò che il robot può afferrare, sollevare, trattenere, inserire, premere, tirare, cambiare o rilasciare. Influisce inoltre sul feedback disponibile per il controller o il modello.

Il portafoglio OnRobot è stato sviluppato intorno a questa realtà pratica prima che l’intelligenza artificiale fisica diventasse un tema centrale. I suoi utensili elettrici, flessibili e dotati di feedback sono stati progettati per facilitare ai produttori l’implementazione, l’adattamento e il riutilizzo dell’automazione in diverse applicazioni.

La stessa filosofia progettuale è oggi strettamente allineata alle esigenze dei ricercatori nell’intelligenza artificiale fisica e delle aziende di Robotica basata sull'intelligenza artificiale.

Progettato per le variazioni del mondo reale

La prossima fase dell’intelligenza artificiale fisica dipenderà da modelli più potenti, dati migliori, simulazioni più avanzate e piattaforme robotiche più capaci. Dipenderà anche dal livello di interazione fisica composto da pinze, sensori, cambi utensile e tecnologie di fine braccio che consentono ai modelli di agire in modo affidabile nel mondo reale.

Gli utensili di fine braccio non sono più semplicemente l’ultimo componente aggiunto a un robot. Sono una parte integrante dei sistemi di apprendimento avanzati.

Il portafoglio OnRobot, collaudato nel settore, offre a ricercatori, sviluppatori di robot e produttori una base flessibile per passare da modelli promettenti a una manipolazione affidabile nel mondo reale.