Fysieke AI in de echte wereld

Fysieke AI stelt robots in staat de fysieke wereld waar te nemen, zich aan te passen en te handelen met veel minder taakspecifieke engineering dan traditionele automatisering.

Robots die leren van demonstraties, hun prestaties verbeteren door ervaring, visie- en taalmodellen gebruiken om taken te interpreteren en in minder gestructureerde omgevingen werken. Dat is een bijzonder aantrekkelijk vooruitzicht.

Voor robotontwikkelaars, onderzoekers op het gebied van fysieke AI en roboticateams die AI als uitgangspunt nemen, maken deze mogelijkheden toepassingen haalbaar die traditioneel te variabel, te kostbaar of te complex waren om te automatiseren.

Wanneer fysieke AI-systemen van simulatie naar toepassingen in de echte wereld gaan, veranderen de vereisten. Modellen en simulaties blijven essentieel, maar robots communiceren uiteindelijk met de fysieke wereld via armen, grijpers, sensoren en gereedschappen die direct contact maken met objecten.

Om van onderzoek naar implementatie te gaan, heeft fysieke AI een betrouwbare laag voor fysieke interactie nodig.

Dit is precies waar OnRobot al meer dan tien jaar aan werkt.

Nog voordat ‘fysieke AI’ onderdeel werd van het vocabulaire van de robotica, werkte OnRobot al aan veel van de praktische uitdagingen die dit onderzoeksgebied nu kenmerken: aanpassingsvermogen, detectie, feedback en het vermogen om te reageren op variaties in de echte wereld. Onze elektrische, flexibele end-of-arm-gereedschappen met feedback zijn ontworpen om betrouwbaar te functioneren in dynamische praktijksituaties. Inmiddels zijn wereldwijd meer dan 22.000 OnRobot-producten geïnstalleerd in uiteenlopende toepassingen.

2. Krachtigere modellen vereisen een betrouwbare uitvoeringslaag

Naarmate foundation models, robotleren, vision-language-action-systemen en simulaties krachtiger worden, wordt de uitvoeringslaag steeds belangrijker.

Robotbeweging is relatief volwassen in vergelijking met manipulatie in de echte wereld. Manipulatie is namelijk afhankelijk van fysieke variabelen die niet kunnen worden verwijderd of perfect gemodelleerd.

Daarom is de eindeffector zo belangrijk.

3. Contactrijke gegevens vullen simulatie en visie aan

Simulatie stelt teams in staat snel te trainen, testen en itereren. Visie helpt robots objecten te herkennen, situaties te begrijpen en bewegingen te plannen.

Betrouwbare manipulatie vereist ook fysieke feedback. Bij op leren gebaseerde systemen kunnen completere interactiegegevens de training, validatie en storingsanalyse verbeteren.

Contactdynamiek, waaronder wrijving, flexibiliteit, slip, vervorming, traagheid en variaties in oppervlakken, is moeilijk in simulatie na te bootsen. Een greep die in simulatie slaagt, kan in de echte wereld mislukken wanneer het object verschuift, het oppervlak anders reageert of het onderdeel weerstand biedt bij contact.

Een camera kan een object lokaliseren, maar kan niet altijd bepalen of het stevig wordt vastgehouden. Ook kan de camera lichte slip, asymmetrisch contact, weerstand bij het invoegen of overmatige kracht missen.

Door deze beperkingen is multimodale feedback een belangrijk onderdeel van fysieke AI.

Verschillende vormen van feedback leggen verschillende fasen van een interactie vast. Nabijheidsdetectie levert gegevens vóór contact. Kracht-/koppeldetectie kan informatie leveren tijdens contact. Greepdetectie bevestigt of de robot het object vasthoudt. Gegevens over de grijperbreedte geven informatie over het object en de toestand van de greep, terwijl signalen voor succes en mislukking de leerkring ondersteunen.

De RG2-FT-grijper combineert

4. Flexibele manipulatie vereist het juiste gereedschap voor elke taak

Fysieke AI wordt vaak geassocieerd met robots voor algemeen gebruik, maar geen enkele eindeffector is ideaal voor elke taak.

Verschillende objecten en toepassingen vereisen verschillende manieren van interactie:

Wanneer robots variaties moeten verwerken, van ervaring moeten leren of meerdere taken moeten uitvoeren, wordt de eindeffector onderdeel van de systeemarchitectuur. Deze bepaalt wat de robot kan grijpen, optillen, vasthouden, invoegen, duwen, trekken, wisselen en loslaten, en beïnvloedt welke feedback beschikbaar is voor de controller of het model.

Het portfolio van OnRobot is rond deze praktische realiteit opgebouwd, nog voordat fysieke AI een veelbesproken onderwerp werd. De elektrische, flexibele gereedschappen met feedback zijn ontworpen om fabrikanten te helpen automatisering eenvoudiger in verschillende toepassingen te implementeren, aan te passen en opnieuw te gebruiken.

Diezelfde ontwerpfilosofie sluit nu nauw aan bij de behoeften van onderzoekers in fysieke AI en roboticabedrijven die AI als uitgangspunt nemen.

Ontworpen voor variaties in de echte wereld

De volgende fase van fysieke AI hangt af van krachtigere modellen, betere gegevens, verbeterde simulaties en geavanceerdere robotplatforms. Ook is een fysieke-interactielaag nodig met grijpers, sensoren, gereedschapswisselaars en end-of-arm-technologie die modellen in staat stelt betrouwbaar in de echte wereld te handelen.

End-of-arm-gereedschappen zijn niet langer alleen het laatste onderdeel dat aan een robot wordt toegevoegd. Ze vormen een integraal onderdeel van geavanceerde leersystemen.

Het industrieel bewezen portfolio van OnRobot biedt onderzoekers, robotontwikkelaars en fabrikanten een flexibele basis om van veelbelovende modellen naar betrouwbare manipulatie in de echte wereld te gaan.